Membuka Kemungkinan Baru dalam Perawatan Kesehatan dengan AI

Perawatan kesehatan di Amerika Serikat berada pada tahap awal gangguan potensial yang signifikan karena penggunaan Machine Learning dan Kecerdasan Buatan. Perubahan ini telah berlangsung selama lebih dari satu dekade, tetapi dengan kemajuan terbaru, tampaknya akan mengalami perubahan lebih cepat. Banyak pekerjaan yang masih harus dilakukan untuk memahami aplikasi AI yang paling aman dan efektif dalam perawatan kesehatan, untuk membangun kepercayaan di antara klinisi dalam penggunaan AI, dan untuk menyesuaikan sistem pendidikan klinis kita untuk mengarahkan penggunaan sistem berbasis AI yang lebih baik.

Aplikasi AI dalam Perawatan Kesehatan

AI telah berkembang selama beberapa dekade dalam perawatan kesehatan, baik dalam fungsi yang menghadap pasien maupun kantor belakang. Beberapa pekerjaan awal dan paling ekstensif telah terjadi dalam penggunaan model pembelajaran dalam dan visi komputer.

Pertama, beberapa terminologi. Pendekatan statistik tradisional dalam penelitian–misalnya studi observasional dan uji klinis–telah menggunakan pendekatan pemodelan yang berfokus pada populasi yang mengandalkan model regresi, di mana variabel independen digunakan untuk memprediksi hasil. Dalam pendekatan ini, semakin banyak data yang lebih baik, tetapi ada efek pelat di mana di atas ukuran set data tertentu, tidak ada inferensi yang lebih baik yang dapat diperoleh dari data.

Kecerdasan Buatan membawa pendekatan baru untuk prediksi. Struktur yang disebut perceptron memproses data yang dilewatkan maju baris per baris, dan dibuat sebagai jaringan lapisan persamaan diferensial untuk memodifikasi data input, untuk menghasilkan output. Selama pelatihan, setiap baris data saat melewati jaringan–disebut jaringan saraf–memodifikasi persamaan pada setiap lapisan jaringan sehingga output yang diprediksi sesuai dengan output yang sebenarnya. Saat data dalam set pelatihan diproses, jaringan saraf belajar bagaimana memprediksi hasilnya.

Beberapa jenis jaringan ada. Jaringan saraf konvolusional, atau CNN, adalah di antara model pertama yang menemukan kesuksesan dalam aplikasi perawatan kesehatan. CNN sangat baik dalam belajar dari gambar dalam proses yang disebut visi komputer dan telah menemukan aplikasi di mana data gambar menonjol: radiologi, pemeriksaan retina, dan gambar kulit.

Tipe jaringan saraf baru yang disebut arsitektur transformer telah menjadi pendekatan dominan karena kesuksesan luar biasa untuk teks, dan kombinasi teks dan gambar (juga disebut data multimodal). Jaringan saraf transformer sangat baik ketika diberikan set teks, untuk memprediksi teks berikutnya. Salah satu aplikasi arsitektur transformer adalah Model Bahasa Besar atau LLM. Beberapa contoh komersial LLM termasuk Chat GPT, Anthropics Claude, dan Metas Llama 3.

Apa yang telah diamati dengan jaringan saraf, secara umum, adalah bahwa pelat untuk perbaikan dalam pembelajaran telah sulit ditemukan. Dengan kata lain, diberikan lebih dan lebih banyak data, jaringan saraf terus belajar dan meningkatkan. Batasan utama pada kemampuan mereka adalah set data yang lebih besar dan lebih besar dan kekuatan komputasi untuk melatih model. Dalam perawatan kesehatan, penciptaan set data yang melindungi privasi yang setia menggambarkan perawatan klinis yang sebenarnya adalah prioritas utama untuk mengembangkan model.

LLM mungkin mewakili pergeseran paradigma dalam aplikasi AI untuk perawatan kesehatan. Karena fasilitas mereka dengan bahasa dan teks, mereka cocok untuk catatan elektronik di mana hampir semua data adalah teks. Mereka juga tidak memerlukan data yang sangat dianotasi untuk pelatihan tetapi dapat menggunakan set data yang ada. Dua kelemahan utama dengan model ini adalah bahwa 1) mereka tidak memiliki model dunia atau pemahaman tentang data yang sedang dianalisis (mereka telah disebut autocomplete yang mewah), dan 2) mereka dapat mengalami halusinasi atau konfabulasi, membuat teks atau gambar yang tampak akurat tetapi membuat informasi yang disajikan sebagai fakta.

Kasus penggunaan yang sedang dieksplorasi untuk AI termasuk otomatisasi dan augmentasi untuk membaca gambar radiologi, gambar retina, dan data gambar lainnya; mengurangi upaya dan meningkatkan akurasi dokumentasi klinis, sumber utama kelelahan klinisi; komunikasi pasien yang lebih baik dan lebih empatik; dan meningkatkan efisiensi fungsi kantor belakang seperti siklus pendapatan, operasi, dan penagihan.

Contoh Dunia Nyata

AI telah diperkenalkan secara bertahap ke dalam perawatan klinis secara keseluruhan. Secara umum, penggunaan AI yang sukses telah mengikuti uji coba yang ditinjau sejawat tentang kinerja yang telah menunjukkan kesuksesan dan, dalam beberapa kasus, persetujuan FDA untuk digunakan.

Di antara kasus penggunaan awal di mana AI berkinerja dengan baik adalah AI yang mendeteksi penyakit dalam gambar pemeriksaan retina dan radiologi. Untuk pemeriksaan retina, literatur yang dipublikasikan tentang kinerja model ini telah diikuti oleh penerapan fundoskopi otomatis untuk mendeteksi penyakit retina dalam pengaturan ambulatori. Studi tentang segmentasi gambar, dengan banyak keberhasilan yang dipublikasikan, telah menghasilkan beberapa solusi perangkat lunak yang menyediakan dukungan keputusan untuk radiolog, mengurangi kesalahan dan mendeteksi abnormalitas untuk membuat alur kerja radiolog lebih efisien.

Model bahasa besar yang lebih baru sedang dieksplorasi untuk membantu alur kerja klinis. Suara ambient sedang digunakan untuk meningkatkan penggunaan Catatan Kesehatan Elektronik (EHR). Saat ini, juru tulis AI sedang diimplementasikan untuk membantu dalam dokumentasi medis. Ini memungkinkan dokter untuk fokus pada pasien sementara AI mengurus proses dokumentasi, meningkatkan efisiensi dan akurasi.

Selain itu, rumah sakit dan sistem kesehatan dapat menggunakan kemampuan pemodelan prediktif AI untuk membagi risiko pasien, mengidentifikasi pasien yang berisiko tinggi atau meningkat dan menentukan tindakan terbaik. Faktanya, kemampuan deteksi klaster AI sedang digunakan secara meningkat dalam penelitian dan perawatan klinis untuk mengidentifikasi pasien dengan karakteristik serupa dan menentukan tindakan klinis yang biasa untuk mereka. Ini juga dapat memungkinkan uji klinis virtual atau simulasi untuk menentukan kursus perawatan yang paling efektif dan mengukur efikasinya.

Kasus penggunaan di masa depan mungkin adalah penggunaan model bahasa AI yang ditenagai dalam komunikasi dokter-pasien. Model ini telah ditemukan memiliki respons yang valid untuk pasien yang mensimulasikan percakapan empatik, membuatnya lebih mudah untuk mengelola interaksi yang sulit. Aplikasi AI ini dapat sangat meningkatkan perawatan pasien dengan menyediakan triase pesan pasien yang lebih cepat dan lebih efisien berdasarkan keparahan kondisi dan pesan mereka.

Tantangan dan Pertimbangan Etis

Satu tantangan dengan implementasi AI dalam perawatan kesehatan adalah memastikan kepatuhan peraturan, keselamatan pasien, dan efikasi klinis saat menggunakan alat AI. Sementara uji coba klinis adalah standar untuk perawatan baru, ada debat tentang apakah alat AI harus mengikuti pendekatan yang sama. Kekhawatiran lain adalah risiko pelanggaran data dan pelanggaran privasi pasien. Model bahasa besar yang dilatih pada data yang dilindungi dapat berpotensi bocor data sumber, yang merupakan ancaman besar bagi privasi pasien. Organisasi perawatan kesehatan harus menemukan cara untuk melindungi data pasien dan mencegah pelanggaran untuk mempertahankan kepercayaan dan kerahasiaan. Bias dalam data pelatihan juga merupakan tantangan kritis yang perlu diatasi. Untuk menghindari model yang bias, metode yang lebih baik untuk menghindari bias dalam data pelatihan harus diperkenalkan. Sangat penting untuk mengembangkan pelatihan dan pendekatan akademis yang memungkinkan pelatihan model yang lebih baik dan mengintegrasikan kesetaraan dalam semua aspek perawatan kesehatan untuk menghindari bias.

Penggunaan AI telah membuka sejumlah kekhawatiran dan batas inovasi baru. Studi lebih lanjut tentang di mana manfaat klinis yang sebenarnya dapat ditemukan dalam penggunaan AI diperlukan. Untuk mengatasi tantangan dan kekhawatiran etis ini, organisasi penyedia perawatan kesehatan dan perusahaan perangkat lunak harus fokus pada mengembangkan set data yang secara akurat memodelkan data perawatan kesehatan sambil memastikan anonimitas dan melindungi privasi. Selain itu, kemitraan antara penyedia perawatan kesehatan, sistem, dan perusahaan teknologi/perangkat lunak harus dibentuk untuk membawa alat AI ke dalam praktik dengan cara yang aman dan bijaksana. Dengan mengatasi tantangan ini, organisasi perawatan kesehatan dapat memanfaatkan potensi AI sambil mempertahankan keselamatan pasien, privasi, dan keadilan.