Fremme af nye muligheder i sundhedssektoren med AI

Sundhedssektoren i USA er i de tidlige faser af en betydelig potentiel forstyrrelse på grund af brugen af Machine Learning og Kunstig Intelligens. Denne ændring har været undervejs i over et årti, men med seneste fremskridt synes det at være parat til mere hurtige ændringer. Meget arbejde skal stadig gøres for at forstå de sikreste og mest effektive anvendelser af AI i sundhedssektoren, for at opbygge tillid blandt kliniske specialister i brugen af AI og for at tilpasse vores kliniske uddannelsessystem til at drive bedre brug af AI-baserede systemer.

Anvendelser af AI i sundhedssektoren

AI har været under udvikling i årtier i sundhedssektoren, både i patientorienterede og bagkontor-funktioner. Nogle af de tidligste og mest omfattende arbejder har fundet sted i brugen af dyb læring og computer vision-modeller.

Først, nogle terminologi. Traditionelle statistiske tilgange i forskning–f.eks. observationsstudier og kliniske forsøg–har brugt populationsfokuserede modelleringstilgange, der afhænger af regressionsmodeller, hvor uafhængige variabler bruges til at forudsige resultater. I disse tilgange, selv om mere data er bedre, er der en plateau-effekt, hvor over en vis datamængde, kan ingen bedre slutninger fås fra data.

Kunstig intelligens bringer en ny tilgang til forudsigelse. En struktur kaldet en perceptron behandler data, der sendes fremad række for række, og oprettes som et netværk af lag af differentialligninger til at modificere inputdata for at producere en output. Under træning modificerer hver række af data, da den passerer gennem netværket–kaldet et neuralt netværk–ligningerne i hvert lag af netværket, så den forudsagte output matcher den faktiske output. Da data i en træningssæt bliver behandlet, lærer neuralt netværk, hvordan man forudsiger resultatet.

Der findes flere typer netværk. Convolutional neural networks, eller CNN’er, var blandt de første modeller, der fandt succes i sundhedssektorens anvendelser. CNN’er er meget gode til at lære fra billeder i en proces kaldet computer vision og har fundet anvendelser, hvor billeddata er fremherskende: radiologi, retinaleksaminer og hudbilder.

En nyere type neuralt netværk kaldet transformer-arkitekturen er blevet en dominerende tilgang på grund af dens enorme succes for tekst og kombinationer af tekst og billeder (også kaldet multimodale data). Transformer neurale netværk er exceptionelle, når de gives en sæt tekst, til at forudsige efterfølgende tekst. En anvendelse af transformer-arkitekturen er den store sprogmodel eller LLM. Flere kommercielle eksempler på LLM’er inkluderer Chat GPT, Anthropics Claude og Metas Llama 3.

Hvad der er observeret med neurale netværk generelt, er, at en plateau for forbedring i læring har været svær at finde. Med andre ord, givet mere og mere data, fortsætter neurale netværk med at lære og forbedre sig. De primære begrænsninger for deres kapacitet er større og større datamængder og beregningskraften til at træne modellerne. I sundhedssektoren er oprettelsen af privatlivsbeskyttende datamængder, der trofast repræsenterer sand klinisk pleje, en nøgleprioritet for at fremme modeludvikling.

LLM’er kan repræsentere en paradigmeskift i anvendelsen af AI i sundhedssektoren. Fordi de er gode til at håndtere sprog og tekst, er de en god match til elektroniske journaler, hvor næsten alle data er tekst. De kræver heller ikke højt annoterede data til træning, men kan bruge eksisterende datamængder. De to primære fejl ved disse modeller er, at 1) de ikke har en verdenmodel eller en forståelse af de data, der analyseres (de er blevet kaldt fancy autocomplete), og 2) de kan hallucinere eller fabrikere, opfinde tekst eller billeder, der ser nøjagtige ud, men præsenterer information som faktum.

Anvendelsessager, der undersøges for AI, inkluderer automatisering og forstærkning af læsning af radiologibilleder, retinabilleder og andre billeddata; reducering af indsatsen og forbedring af nøjagtigheden af klinisk dokumentation, en stor kilde til klinisk udbrændthed; bedre, mere empatisk patientkommunikation; og forbedring af effektiviteten af bagkontor-funktioner som omsætningscyklus, drift og fakturering.

Reale eksempler

AI er blevet indført inkrementelt i klinisk pleje generelt. Typisk har en succesfuld brug af AI fulgt peer-reviewede forsøg af præstation, der har demonstreret succes, og i nogle tilfælde, FDA-godkendelse til brug.

Blandt de tidligste anvendelsessager, hvor AI fungerer godt, har været AI, der detekterer sygdom i retinaleksamensbilleder og radiologi. For retinaleksaminer har publiceret litteratur om præstationen af disse modeller været fulgt af implementeringen af automatiseret fundoskopi til at detektere retinal sygdom i ambulatoriske indstillinger. Studier af billedsegmentering, med mange publicerede succeser, har resulteret i multiple softwareløsninger, der giver beslutningsstøtte til radiologer, reducerer fejl og detekterer abnormaliteter for at gøre radiologernes arbejdsgange mere effektive.

Nyere store sprogmodeller bliver undersøgt til assistance med kliniske arbejdsgange. Ambient voice bliver brugt til at forbedre brugen af Elektroniske Patientjournaler (EPJ’er). For tiden bliver AI-skrivere implementeret til at hjælpe med medicinsk dokumentation. Dette giver læger mulighed for at fokusere på patienter, mens AI tager sig af dokumentationsprocessen, forbedrer effektiviteten og nøjagtigheden.

Derudover kan hospitaler og sundhedssystemer bruge AI’s prædiktionsmodelleringsevner til at risikostyrke patienter, identificere patienter, der er i høj eller øgende risiko, og bestemme den bedste kurs af handling. Faktisk bliver AI’s clusterdetektionsmuligheder mere og mere brugt i forskning og klinisk pleje til at identificere patienter med lignende karakteristika og bestemme den typiske kurs af klinisk handling for dem. Dette kan også aktivere virtuelle eller simulerede kliniske forsøg til at bestemme de mest effektive behandlingsforløb og måle deres effikacitet.

En fremtidig anvendelsessag kan være brugen af AI-drevne sprogmodeller i læge-patientkommunikation. Disse modeller er blevet fundet at have gyldige svar for patienter, der simulerer empatisk samtale, hvilket gør det lettere at håndtere svære interaktioner. Denne anvendelse af AI kan forbedre patientplejen væsentligt ved at give hurtigere og mere effektiv triage af patientbeskeder baseret på alvoren af deres tilstand og besked.

Udfordringer og etiske overvejelser

En udfordring med AI-implementering i sundhedssektoren er at sikre overholdelse af regler, patientssikkerhed og klinisk effikacitet, når AI-værktøjer bruges. Mens kliniske forsøg er standarden for nye behandlinger, er der en debat om, hvorvidt AI-værktøjer skal følge samme tilgang. En anden bekymring er risikoen for dataudbrud og kompromitteret patientprivatliv. Store sprogmodeller, der er trænet på beskyttet data, kan potentielt lække kilde-data, hvilket udgør en betydelig trussel mod patientprivatlivet. Sundhedsorganisationer må finde måder at beskytte patientdata og forhindre udbrud for at opretholde tillid og fortrolighed. Bias i træningsdata er også en kritisk udfordring, der skal løses. For at undgå biasede modeller må bedre metoder til at undgå bias i træningsdata introduceres. Det er afgørende at udvikle træning og akademiske tilgange, der muliggør bedre modeltræning og inkorporerer lighed i alle aspekter af sundhedssektoren for at undgå bias.

Brugen af AI har åbnet en række nye bekymringer og frontiers for innovation. Yderligere studier af, hvor sand klinisk fordel kan findes i AI-brug, er nødvendig. For at løse disse udfordringer og etiske bekymringer må sundhedsudbyderorganisationer og softwarevirksomheder fokusere på at udvikle datamængder, der nøjagtigt modellerer sundhedsdata, mens de sikrer anonymitet og beskytter privatliv. Derudover må partnerskaber mellem sundhedsudbydere, systemer og teknologi/software-virksomheder etableres for at bringe AI-værktøjer i praksis på en sikker og gennemtænkt måde. Ved at løse disse udfordringer kan sundhedsorganisationer udnytte potentialet i AI, mens de opretholder patientssikkerhed, privatliv og retfærdighed.