Avain lukituksen aukaiseminen terveydenhuollossa tekoälyllä

Terveydenhuolto Yhdysvalloissa on varhaisessa vaiheessa merkittävän potentiaalisen häiriön keskellä tekoälyksen ja koneoppimisen käytön vuoksi. Tämä muutos on ollut käynnissä yli vuosikymmenen, mutta viimeaikaisien edistysten myötä se näyttää olevan valmis nopeammille muutoksille. Paljon työtä on vielä tehtävä ymmärtääkseen turvallisimmat ja tehokkaimmat tekoälyn soveltamiset terveydenhuollossa, luodakseen luottamusta kliinikoissa tekoälyn käytölle ja sopeuttaakseen kliinisen koulutusjärjestelmän ajamaan tekoälyjärjestelmien parempaa käyttöä.

Tekoälyn soveltamiset terveydenhuollossa

Tekoäly on ollut kehityksessä vuosikymmenien ajan terveydenhuollossa, sekä potilaslähtöisissä että taustatoiminnassa. Joistakin varhaisimmista ja laajimmista töistä on tehty syväoppimisen ja tietokoneen näkömallien käytössä.

Ensinnäkin, joitakin termejä. Perinteiset tilastolliset lähestymistavat tutkimuksessa – esim. havaintotutkimukset ja kliiniset kokeet – ovat käyttäneet väestökeskeisiä mallinnuslähestymistapoja, jotka perustuvat regressiomalleihin, joissa riippumattomat muuttujat ovat käytetty tulosten ennustamiseen. Näissä lähestymistavoissa, vaikka enemmän dataa on parempaa, on tasausvaikutus, jossa tietyn kokoisen datan yläpuolella ei voida saada parempia johtopäätöksiä datasta.

Tekoäly tuo uuden lähestymistavan ennustamiseen. Rakenteena toimiva perceptron prosessoi dataa, joka välitetään eteenpäin rivi kerrallaan, ja se luodaan kerrosten verkostona differentiaaliyhtälöistä, joilla muokataan syötteen dataa tuottamaan tuloste. Koulutuksen aikana jokainen datarivi, kun se kulkee verkoston läpi – kutsutaan neuroverkoksi – muokkaa yhtälöitä kussakin verkoston kerroksessa siten, että ennustettu tuloste vastaa todellista tulostetta. Kun koulutusjoukon dataa prosessoidaan, neuroverkko oppii, miten ennustaa tuloksen.

Useita verkkoja on olemassa. Konvoluutioneuraaliset verkot, tai CNN:t, olivat ensimmäisiä malleja, jotka löysivät menestystä terveydenhuollon sovelluksissa. CNN:t ovat erittäin hyviä oppimaan kuvista prosessissa, jota kutsutaan tietokoneen näöksi, ja ne ovat löytäneet sovelluksia, joissa kuvadatan on merkittävää: radiologia, verkkokalvotutkimukset ja ihon kuvat.

Uudempi neuroverkkotyyppi, jota kutsutaan transformer-arkkitehtuuriksi, on tullut hallitsevaksi lähestymistavaksi sen uskomattoman menestyksen vuoksi tekstille ja tekstin ja kuvien yhdistelmille (jota kutsutaan myös monimodaalisiksi dataksi). Transformer-neuroverkot ovat poikkeuksellisia, kun niille annetaan joukko tekstiä, ennustamassa seuraavaa tekstiä. Yksi transformer-arkkitehtuurin sovellus on Large Language Model eli LLM. Useita kaupallisia esimerkkejä LLM:istä ovat Chat GPT, Anthropics Claude ja Metas Llama 3.

Mitä on havaittu neuroverkoista yleensä, on, että parantumisen taso on ollut vaikea löytää. Toisin sanoen, mitä enemmän dataa on, neuroverkot jatkavat oppimista ja parantumista. Pääasialliset rajoitukset niiden kyvyssä ovat suuremmat ja suuremmat datat ja laskentakapasiteetti kouluttaa malleja. Terveydenhuollossa luodaan tärkeänä prioriteettina luotettavia ja oikeanlaatuisia datat, jotka edustavat todellista kliinistä hoitoa, kehittääkseen mallien kehitystä.

LLM:t voivat edustaa paradigman muutosta tekoälyn soveltamisessa terveydenhuollossa. Koska niillä on kyky kieltä ja tekstiä, ne ovat hyvä vastine sähköisille asiakirjoille, joissa lähes kaikki data on tekstiä. Ne eivät myöskään vaadi korkeasti annotoituja datat koulutukseen, vaan voivat käyttää olemassa olevia datat. Kahden pääasiallisen virheen nämä mallit ovat 1) niillä ei ole maailmanmallia tai ymmärrystä datasta, jota analysoidaan (niitä on kutsuttu hienoiksi autocompleteiksi), ja 2) ne voivat hallucinoida tai konfabuloida, keksien tekstin tai kuvan, joka näyttää oikealta, mutta luo tietoa, jota esitetään tosiasiana.

Tutkittavia tekoälyn sovelluksia ovat automaatio ja täydentäminen radiologian kuvien, verkkokalvokuvien ja muiden kuvadatan lukemiseen; vähentäminen ponnistelua ja parantaminen kliinisen dokumentaation tarkkuutta, joka on suuri lähde kliinikkojen uupumukseen; parempi, empathisempi potilasviestintä; ja parantaminen taustatoimintojen tehokkuutta, kuten tuloverkkorakennetta, toimintoja ja laskutusta.

Todelliset esimerkit

Tekoäly on otettu käyttöön kliinisessä hoidossa vaiheittain. Yleensä tekoälyn onnistunut käyttö on seurannut vertaisarvioituja tutkimuksia, jotka ovat osoittaneet menestystä ja joissakin tapauksissa FDA:n hyväksynnän käytölle.

Joistakin varhaisimmista sovelluksista, joissa tekoäly toimii hyvin, on tekoälyn havaitseminen sairauksista verkkokalvokuvista ja radiologiasta. Verkkokalvotutkimuksissa julkaistu kirjallisuus mallien suorituskyvystä on seurannut automaattisen verkkokalvotutkimuksen käyttöönottoa verkkokalvotautien havaitsemiseen ambulatorisissa olosuhteissa. Kuvasegmentoinnin tutkimuksista, joissa on useita julkaistuja menestyksiä, on seurannut useita ohjelmistoratkaisuja, jotka tarjoavat päätöksenteon tukiradiologeille, vähentäen virheitä ja havaitsemalla poikkeavuuksia radiologien työnkulun tehokkuuden parantamiseksi.

Uudet suuret kielimallit ovat tutkittavina kliinisten työnkulkujen avustamiseksi. Ambient-ääniä käytetään parantamaan sähköisten terveystietojen (EHR) käyttöä. Tällä hetkellä tekoälykirjuriot on otettu käyttöön avustamaan lääketieteellisessä dokumentaatiossa. Tämä mahdollistaa lääkäreille keskittyä potilaisiin, kun taas tekoäly huolehtii dokumentaatioprosessista, parantaen tehokkuutta ja tarkkuutta.

Lisäksi sairaalat ja terveydenhuoltojärjestelmät voivat käyttää tekoälyn ennustemallinnuksen kykyjä riskien priorisointiin potilaiden keskuudessa, tunnistamaan potilaat, jotka ovat korkean tai kasvavan riskin alttiina, ja määrittämään parhaimman toimintalinjan. Todella tekoälyn klusterin havaitsemiskykyä on käytetty yhä enemmän tutkimuksessa ja kliinisessä hoidossa tunnistamaan potilaat, joilla on samanlaiset ominaisuudet, ja määrittämään tyypillisen kliinisen toimintalinjan heille. Tämä voi myös mahdollistaa virtuaaliset tai simuloitavat kliiniset kokeet määrittämään tehokkaimmat hoitokurssit ja mitata niiden tehokkuutta.

Tulevaisuuden sovellus voi olla tekoälyvoimaisien kielimallien käyttäminen lääkäri-potilas-viestinnässä. Nämä mallit on havaittu olevan kelvollisia vastauksia potilaille, jotka simuloivat empathisia keskusteluja, tehdessä siitä helpompaa hallita vaikeita vuorovaikutuksia. Tämä tekoälyn soveltaminen voi parantaa merkittävästi potilashoitoa tarjoamalla nopeamman ja tehokkaamman potilasviestien priorisoinnin potilaiden tilan ja viestin vakavuuden perusteella.

Haasteet ja eettiset huomioonotot

Yksi haaste tekoälyn käytössä terveydenhuollossa on varmistaa sääntelyn mukainen noudattaminen, potilasturvallisuus ja kliininen tehokkuus tekoälytyökalujen käytössä. Vaikka kliiniset kokeet ovat uusien hoitomenetelmien standardi, on keskustelua siitä, tulisiko tekoälytyökalujen noudattaa samaa lähestymistapaa. Toinen huolenaihe on datavuotojen ja potilastietojen loukkaamisen riski. Suuret kielimallit, jotka on koulutettu suojatuilla datoilla, voivat vuotaa lähde-dataa, mikä on merkittävä uhka potilastietojen turvallisuudelle. Terveydenhuolto-organisaatioiden on löydettävä keinoja suojella potilastietoja ja estää vuotoja ylläpitääkseen luottamusta ja luottamuksellisuutta. Harhat datassa ovat myös kriittinen haaste, joka on ratkaistava. Parempia menetelmiä on kehitettävä välttämään harhaisuutta datassa. On tärkeää kehittää koulutus- ja akateemisia lähestymistapoja, jotka mahdollistavat paremman mallien koulutuksen ja sisällyttävät tasa-arvon kaikille terveydenhuollon osa-alueille välttääkseen harhan.