פתיחת אפשרויות חדשות בתחום הבריאות עם AI

מערכת הבריאות בארצות הברית נמצאת בשלבים הראשונים של הפרעה משמעותית בגלל השימוש בלמידת מכונה ובינטליגנציה מלאכותית. מהלך זה היה בעיצומו למעלה מעשור, אך עם התקדמויות אחרונות, נראה שהוא מוכן לשינויים מהירים יותר. עוד נדרשת עבודה רבה כדי להבין את היישומים הבטוחים והיעילים ביותר של AI בתחום הבריאות, לבנות אמון בקרב רופאים בשימוש ב-AI, ולשנות את מערכת החינוך הקליני שלנו כדי לנהוג בשימוש טוב יותר במערכות המבוססות על AI.

יישומים של AI בתחום הבריאות

AI היה בהתפתחות לאורך עשורים בתחום הבריאות, הן בתפקודים הפונים למטופלים והן בתפקודים האדמיניסטרטיביים. חלק מהעבודה המוקדמת והנרחבת ביותר התרחשה בשימוש במודלים של למידה עמוקה וראייה ממוחשבת.

ראשית, מונחים. גישות סטטיסטיות מסורתיות במחקר – למשל מחקרים תצפיתיים וניסויים קליניים – השתמשו בגישות מודלים המתמקדות באוכלוסייה, המסתמכות על מודלים של רגרסיה, בהם משתנים עצמאיים משמשים לחיזוי תוצאות. בגישות אלו, ככל שיש יותר נתונים, כך טוב יותר, אך יש אפקט רמתוח, שבו מעל גודל מסוים של סט נתונים, לא ניתן להסיק מסקנות טובות יותר מהנתונים.

AI מביאה גישה חדשה לחיזוי. מבנה הנקרא פרצפטרון עובד עם נתונים המועברים הלאה שורה בכל פעם, ונוצר כרשת של שכבות של משוואות דיפרנציאליות כדי לשנות את נתוני הקלט, כדי לייצר פלט. במהלך האימון, כל שורה של נתונים כאשר היא עוברת דרך הרשת – הנקראת רשת עצבית – משנה את המשוואות בכל שכבה של הרשת, כך שהפלט המחוזה תואם את הפלט האמיתי. ככל שהנתונים בסט האימון עוברים עיבוד, הרשת העצבית לומדת איך לחזות את התוצאה.

קיימים סוגים רבים של רשתות. רשתות עצביות מרוכזות, או CNN, היו בין המודלים הראשונים שמצאו הצלחה ביישומים של תחום הבריאות. CNN הן טובות מאוד בלימוד מתמונות בתהליך הנקרא ראייה ממוחשבת, ומצאו יישומים שם נתוני התמונה בולטים: רדיולוגיה, בדיקות רשתית ותמונות עור.

סוג חדש של רשת עצבית הנקרא ארכיטקטורת טרנספורמר הפך לגישה דומיננטית בגלל הצלחתו המדהימה בטקסט, ושילוב של טקסט ותמונות (הנקרא גם נתונים רב-מודאליים). רשתות עצביות מסוג טרנספורמר מעולות כאשר ניתנת להן קבוצת טקסט, בחיזוי טקסטים עוקבים. אחת היישומים של ארכיטקטורת הטרנספורמר הוא המודל הלשוני הגדול או LLM. דוגמאות מסחריות רבות של LLMs כוללות Chat GPT, Anthropics Claude, ו-Metas Llama 3.

מה שנצפה עם רשתות עצביות, בכלל, הוא שרמת השיפור הקשה למציאה. במילים אחרות, נתונים רבים יותר ויותר, רשתות עצביות ממשיכות ללמוד ולשפר. הגבולות העיקריים על יכולתן הם סטים גדולים יותר ויותר של נתונים, וכוח המחשוב לאימון המודלים. בתחום הבריאות, יצירת סטים של נתונים המגינים על הפרטיות, שמייצגים באמת את הטיפול הקליני, הוא עדיפות עליונה לקידום פיתוח המודל.

LLMs עשויות לייצג שינוי מהפכני ביישום AI לתחום הבריאות. בגלל יכולתן עם שפה וטקסט, הן מתאימות היטב לרשומות אלקטרוניות, בהן כמעט כל הנתונים הם טקסט. הן גם אינן דורשות נתונים מסומנים היטב לאימון, אלא יכולות להשתמש בסטים קיימים של נתונים. שני הליקויים העיקריים במודלים אלו הם ש-1) אין להם מודל עולם או הבנה של הנתונים שנבדקים (הם כונו “אוטומט חכם”), ו-2) הם יכולים להדביק או להמציא, ליצור טקסט או תמונות שנראים מדויקים, אך יוצרים מידע המוצג כעובדה.

מקרי שימוש הנבדקים עבור AI כוללים אוטומציה ושיפור לקריאת תמונות רדיולוגיות, תמונות רשתית ונתוני תמונה אחרים; הפחתת המאמץ ושיפור הדיוק של תיעוד קליני, מקור עיקרי לשריפה של רופאים; תקשורת טובה יותר ומתוקשרת יותר עם המטופל; ושיפור היעילות של תפקודים אדמיניסטרטיביים כמו מחזור הכנסות, פעילות וחיוב.

דוגמאות מציאותיות

AI הוכנס בהדרגה לטיפול קליני. בדרך כלל, השימוש המוצלח ב-AI עקב אחר מחקרים שנבדקו ואושרו, שהוכיחו הצלחה, ובחלק מהמקרים, אישור FDA לשימוש.

בין היישומים המוקדמים ביותר, בהם AI מבצע היטב, היה AI המגלה מחלות בתמונות בדיקת רשתית ורדיולוגיה. לבדיקות רשתית, ספרות מחקרית על ביצועים של מודלים אלו נעקבה אחר פריסה של פונדוסקופיה אוטומטית לגילוי מחלות רשתית במסגרות אמבולטוריות. מחקרים על סגמנטציה של תמונות, עם הרבה הצלחות מפורסמות, הובילו לפתרונות תוכנה רבים המספקים תמיכה ברדיולוגים, מפחיתים שגיאות ומגלים אנומליות כדי להפוך את זרימת העבודה של רדיולוגים ליעילה יותר.

מודלים גדולים חדשים של שפה נבדקים לסיוע בזרימות עבודה קליניות. קול סביבתי משמש לשיפור השימוש ברשומות בריאות אלקטרוניות (EHRs). כרגע, AI סופרים מיושמים כדי לסייע בתיעוד רפואי. זה מאפשר לרופאים להתרכז במטופלים, בעוד AI מטפל בתהליך התיעוד, משפר את היעילות והדיוק.

בנוסף, בתי חולים ומערכות בריאות יכולים להשתמש ביכולות הדיגום החיזויות של AI כדי לסווג מטופלים לפי סיכון, לזהות מטופלים שנמצאים בסיכון גבוה או גדל, ולקבוע את הקורס הטוב ביותר לפעולה. בעצם, יכולות הגילוי של AI משמשות באופן הולך וגדל במחקר ובטיפול קליני כדי לזהות מטופלים עם מאפיינים דומים ולקבוע את הקורס הקליני הטיפוסי עבורם. זה יכול גם לאפשר ניסויים קליניים וירטואליים או סימולטיביים כדי לקבוע את הטיפולים היעילים ביותר ולמדוד את האפקטיביות שלהם.

מקרה שימוש עתידי עשוי להיות השימוש במודלים של שפה AI-מונעים בתקשורת רופא-מטופל. מודלים אלו נמצאו כבעלי תגובות תקפות עבור מטופלים, המחקים שיחות אמפתיות, מה שהופך אותם לקלים יותר לניהול אינטראקציות קשות. יישום זה של AI יכול לשפר משמעותית את הטיפול במטופל, באמצעות טריאז’ מהיר ויעיל יותר של הודעות המטופל, על פי חומרת מצבם והודעתם.

אתגרים והיבטים אתיים

אחד האתגרים עם יישום AI בתחום הבריאות הוא להבטיח ציות לרגולציה, בטיחות מטופלים, ואפקטיביות קלינית בשימוש בכלים של AI. בעוד שניסויים קליניים הם הסטנדרט לטיפולים חדשים, יש ויכוח על כך האם כלים של AI צריכים לעקוב אחר אותה גישה. דאגה נוספת היא סיכונם של הברחות נתונים ופגיעה בפרטיות המטופל. מודלים גדולים של שפה, המאומנים על נתונים מוגנים, יכולים פוטנציאלית לדלוף נתונים, מה שמהווה איום משמעותי לפרטיות המטופל. ארגוני בריאות חייבים למצוא דרכים להגן על נתוני המטופל ולמנוע הברחות, כדי לשמור על אמון וסודיות. הטיה בנתוני האימון היא אתגר ביקורתי שצריך לטפל בו. כדי למנוע מודלים מוטים, יש להציג שיטות טובות יותר להימנעות מהטיה בנתוני האימון. הוא חשוב לפתח הכשרה וגישות אקדמיות המאפשרות אימון מודלים טוב יותר, ולשלב שוויון בכל היבטי תחום הבריאות, כדי למנוע הטיה.

השימוש ב-AI פתח מספר רב של דאגות וחזיתות חדשות לחדשנות. נדרש לימוד נוסף כדי לגלות היכן תועיל הקלינית האמיתית עשויה להימצא בשימוש ב-AI. כדי לטפל באתגרים ובדאגות האתיות, ארגוני ספקי שירותי בריאות וחברות תוכנה חייבים להתמקד בפיתוח סטים של נתונים המדגמים במדויק נתוני בריאות, בעודם מבטיחים אנונימיות והגנה על פרטיות. בנוסף, יש לקיים שותפויות בין ספקי שירותי בריאות, מערכות וחברות טכנולוגיה/תוכנה, כדי להביא כלים של AI לפרקטיקה באופן בטוח ומחושב. בטיפול באתגרים אלו, ארגוני בריאות יכולים לנצל את הפוטנציאל של AI, תוך שמירה על בטיחות המטופל, פרטיות והגינות.