Terveydenhuollon uusien mahdollisuuksien avaaminen tekoälyllä

Terveydenhuolto Yhdysvalloissa on varhaisessa vaiheessa merkittävän mahdollisen häiriön keskellä tekoälyn ja koneoppimisen käytön vuoksi. Tämä muutos on ollut käynnissä yli vuosikymmenen, mutta viimeaikaiset edistysaskeleet näyttävät olevan nopeampia. Paljon työtä on vielä tehtävä, jotta voidaan ymmärtää turvalliset ja tehokkaimmat tekoälyn soveltamiset terveydenhuollossa, luoda luottamusta kliinikoissa tekoälyn käytölle ja sopeuttaa kliininen koulutusjärjestelmä tekoälyjärjestelmien paremman käytön edistämiseksi.

Tekoälyn soveltamiset terveydenhuollossa

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

Ensinnäkin, joitakin termejä. Perinteiset tilastolliset lähestymistavat tutkimuksessa – esim. havaintotutkimukset ja kliiniset kokeet – ovat käyttäneet väestölähtöisiä mallinnuslähestymisiä, jotka perustuvat regressiomalleihin, joissa riippumattomat muuttujat ovat käytetty ennustamaan tuloksia. Näissä lähestymistavoissa, vaikka enemmän dataa on parempi, on tasaisuusvaikutus, jossa tietyn kokoisen datan yläpuolella ei voida saada parempia johtopäätöksiä datasta.

Teckoäly tuo uuden lähestymistavan ennustamiseen. Rakenteena toimiva perusyksikkö prosessoi dataa, joka välitetään eteenpäin rivi kerrallaan, ja se luodaan verkkona kerrosten erilaisten differentiaaliyhtälöiden muuttamiseksi syötteenä olevaan dataan, jotta voidaan tuottaa tuloste. Koulutuksen aikana jokainen datan rivi, kun se kulkee verkon läpi – kutsutaan neuroverkoksi – muuttaa yhtälöitä jokaisessa verkon kerroksessa siten, että ennustettu tuloste vastaa todellista tulostetta. Kun koulutusdatan joukkoa prosessoidaan, neuroverkko oppii, miten ennustaa tulokset.

Useita verkkotyyppejä on olemassa. Konvoluutioneuraaliset verkot eli CNN:t olivat yksi ensimmäisistä malleista, jotka saavuttivat menestystä terveydenhuollon sovelluksissa. CNN:t ovat erittäin hyviä oppimaan kuvista tietokoneavusteisessa näkemisprosessissa ja ovat löytäneet sovelluksia, joissa kuvadata on merkittävää: radiologia, verkkokokeet ja ihon kuvat.

Uudempi neuroverkkotyyppi, jota kutsutaan transformer-arkkitehtuuriksi, on tullut hallitsevaksi lähestymistavaksi sen uskomattoman menestyksen vuoksi tekstin ja tekstin ja kuvien (tunnetaan myös monimuotodatana) yhdistelmälle. Transformer-neuroverkot ovat poikkeuksellisia, kun niille annetaan joukko tekstiä, ennustamaan seuraavaa tekstiä. Yksi transformer-arkkitehtuurin sovellus on suuri kielimalli eli LLM. Useita kaupallisia esimerkkejä LLM:istä ovat Chat GPT, Anthropics Claude ja Metas Llama 3.

Se, mitä on havaittu neuroverkoissa 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 datan joukot ja laskentakapasiteetti, jota tarvitaan mallien kouluttamiseen. Terveydenhuollossa turvallisten ja oikein edustavien datan joukkojen luominen on avainasemassa mallien kehittämiseksi.

LLM:t voivat edustaa paradigmamuutosta tekoälyn soveltamisessa terveydenhuollossa. Koska niillä on taito kielen ja tekstin kanssa, ne ovat hyvä vastine sähköisille asiakirjoille, joissa lähes kaikki data on tekstiä. Ne eivät myöskään vaadi voimakkaasti annotoituja koulutusdatajoukkoja, vaan voivat käyttää olemassa olevia datajoukkoja. Näiden mallien kaksi pääasiallista heikkoutta ovat 1) niillä ei ole maailmanmallia tai ymmärrystä analyysin kohteena olevasta datasta (niitä on kutsuttu hienoiksi automaattisiksi täydentäjiksi), ja 2) ne voivat hallucinoida tai keksintää, luoda tekstiä tai kuvia, jotka näyttävät oikeilta, mutta luo tietoa, jota esitetään tosiasiana.

Tekoälyn käyttötapauksia, joita tutkitaan, ovat automaatio ja tehostaminen radiologian kuvien, verkkokuvien ja muiden kuvadatan lukemiselle; vähentäminen kliinisen dokumentaation vaivaa ja parantaminen sen tarkkuutta, joka on suuri lähde kliinikkojen uupumukseen; parempi, empathisempi potilaskommunikaatio; ja parantaminen taustatoimintojen, kuten talouskierron, toimintojen ja laskutuksen, tehokkuutta.

Todelliset esimerkit

Tekoäly on otettu käyttöön kliiniseen hoitoon asteittain. Yleensä tekoälyn onnistunut käyttö on seurannut vertaisarvioituja tutkimuksia, jotka ovat osoittaneet menestystä, ja joissakin tapauksissa FDA:n hyväksyntää käytölle.

Yksi varhaisimmista käyttötavoista, joissa tekoäly toimii hyvin, on tekoälyn havaitseminen verkkokokeiden kuvissa ja radiologiassa. Verkkokokeiden osalta julkaistu kirjallisuus näiden mallien suorituskyvystä on seurannut automaattisen verkkokuvien tarkastelun käyttöönottoa sairaaloiden ulkopuolella. Kuvien segmentoinnin tutkimuksista, joissa on julkaistu useita menestyksiä, on seurannut useita ohjelmist ratkaisuja, jotka tarjoavat päätöksenteon tukea radiologeille, vähentäen virheitä ja havaitsemalla poikkeavuuksia, jotta radiologien työnkulut voivat olla tehokkaampia.

Uudempia suuria kielimalleja tutkitaan kliinisten työnkulkujen tueksi. Ambient-ääniä käytetään sähköisten terveydenhuoltoasiakirjojen (EHR) käytön parantamiseen. Tällä hetkellä tekoälykirjurien toteutus auttaa kliinisen dokumentaation prosessissa. Tämä mahdollistaa lääkäreille keskittyä potilaisiin, kun tekoäly huolehtii dokumentaatioprosessista, parantaen tehokkuutta ja tarkkuutta.

Lisäksi sairaalat ja terveydenhuoltojärjestelmät voivat käyttää tekoälyn ennustavan mallinnuksen kykyjä riskistratifioimaan potilaita, tunnistamaan potilaita, jotka ovat korkeassa tai kasvavassa riskissä, ja määrittämään parhaan toimintatavan. Itse asiassa tekoälyn klusterin havaitsemiskykyä käytetään yhä enemmän tutkimuksessa ja kliinisessä hoidossa tunnistamaan potilaita, joilla on samanlaiset ominaisuudet, ja määrittämään tyypillinen kliininen toimintatapa heille. Tämä voi myös mahdollistaa virtuaaliset tai simuloituvat kliiniset kokeet, joilla voidaan määrittää tehokkaimmat hoitokulut ja mitata niiden tehokkuutta.

Tuleva käyttötapa voi olla tekoälypohjaisten kielimallien käyttäminen lääkäri-potilas-viestinnässä. Näiden mallien on havaittu antavan voimassa olevia vastauksia potilaille, jotka simuloivat empaattisia keskusteluja, mikä tekee siitä helpomman hallita vaikeita vuorovaikutuksia. Tekoälyn soveltaminen voi parantaa potilashoitoa tarjoamalla nopeamman ja tehokkaamman potilasviestien triagen, perustuen potilaan tilan vakavuuteen ja viestiin.

Haasteet ja eettiset huomioonotot

Yksi haaste tekoälyn toteuttamisessa terveydenhuollossa on varmistaa sääntelyn mukainen toiminta, potilasturvallisuus ja kliininen tehokkuus tekoälytyökalujen käytössä. Vaikka kliiniset kokeet ovat uusien hoitomenetelmien standardi, on keskustelua siitä, pitäisikö tekoälytyökalujen noudattaa samaa lähestymistapaa. Toinen huolenaihe on datavuotojen ja potilastietojen loukkaamisen riski. Suuret kielimalleja, jotka on koulutettu suojattuun dataan, voivat potentiaalisesti vuotaa lähde-dataa, mikä on merkittävä uhka potilastietojen turvallisuudelle. Terveydenhuoltojärjestelmien on löydettävä keinoja suojella potilastietoja ja estää vuotoja ylläpitämään luottamusta ja luottamuksellisuutta. Harjoitusdatan harhaanjohtavuus on myös kriittinen haaste, joka vaatii ratkaisua. On kehitettävä parempia menetelmiä välttämään harhaanjohtavuutta harjoitusdatasta ja sisällyttämään tasa-arvo kaikille terveydenhuollon osa-alueille harhaanjohtavuuden välttämiseksi. On kehitettävä koulutus- ja akateemisia lähestymistapoja, jotka mahdollistavat paremman mallien koulutuksen ja sisällyttävät tasa-arvon kaikille terveydenhuollon osa-alueille.

Tekoälyn käytön on avannut uusia huolenaiheita ja uusia kehityssuuntauksia. Lisätutkimusta tarvitaan siitä, missä todellinen kliininen hyöty voidaan löytää tekoälyn käytöstä. Näiden haasteiden ja eettisten huolenaiheiden ratkaisemiseksi terveydenhuollon tarjoajien organisaatioiden ja ohjelmistoyhtiöiden on keskityttävä kehittämään datan joukkoja, jotka mallintavat terveydenhuollon dataa oikein, varmistamalla samalla anonymiteetin ja suojelun. Lisäksi <ally, terveydenhuollon tarjoajien, järjestelmien ja teknologia/ohjelmistoyhtiöiden välillä on perustettava kumppanuuksia voidakseen tuoda tekoälytyökalut käyttöön turvallisesti ja tarkoituksenmukaisesti. Haasteiden ratkaisemalla terveydenhuoltojärjestelmät voivat hyödyntää tekoälyn mahdollisuuksia ylläpitäen samalla potilasturvallisuutta, yksityisyyttä ja reiluutta.