AI でヘルスケアの新たな可能性を解き放つ

米国の医療は、機械学習と人工知能の活用により、大きな混乱が起こりつつある初期段階にあります。この変化は 10 年以上前から進行していますが、最近の進歩により、より急速な変化が起こりそうです。医療における AI の最も安全で効果的な応用方法を理解し、AI の使用に関して臨床医の信頼を築き、AI ベースのシステムのより効果的な活用を促進するために臨床教育システムを調整するには、まだ多くの作業が必要です。

ヘルスケアにおけるAIの応用

AI は、患者対応とバックオフィス機能の両方において、医療の分野で数十年にわたって進化してきました。最も初期かつ最も広範囲にわたる取り組みのいくつかは、ディープラーニングとコンピューター ビジョン モデルの使用において行われました。

まず、用語について説明します。研究における従来の統計的アプローチ (観察研究や臨床試験など) では、独立変数を使用して結果を予測する回帰モデルに依存する、人口重視のモデリング アプローチが使用されてきました。これらのアプローチでは、データが多いほど良いのですが、一定のデータ セット サイズを超えると、データからより良い推論が得られなくなるプラトー効果があります。

人工知能は予測に新しいアプローチをもたらします。パーセプトロンと呼ばれる構造は、一度に 1 行ずつ渡されるデータを処理し、入力データを変更して出力を生成する微分方程式の層のネットワークとして作成されます。トレーニング中、ニューラル ネットワークと呼ばれるネットワークを通過する各データ行は、ネットワークの各層の方程式を変更して、予測された出力が実際の出力と一致するようにします。トレーニング セットのデータが処理されると、ニューラル ネットワークは結果を予測する方法を学習します。

ネットワークにはいくつかの種類があります。 畳み込みニューラルネットワーク、またはCNNは、最初に成功を収めたモデルの1つでした。 ヘルスケアアプリケーションCNN は、コンピューター ビジョンと呼ばれるプロセスで画像から学習するのに非常に優れており、放射線学、網膜検査、皮膚画像など、画像データが重要な用途で使用されています。

トランスフォーマー アーキテクチャと呼ばれる新しいニューラル ネットワーク タイプは、テキスト、およびテキストと画像の組み合わせ (マルチモーダル データとも呼ばれる) で驚異的な成功を収めたため、主要なアプローチになっています。トランスフォーマー ニューラル ネットワークは、テキスト セットが与えられた場合に、後続のテキストを予測する点で優れています。トランスフォーマー アーキテクチャの 3 つの用途は、大規模言語モデル (LLM) です。LLM の商用例としては、Chat GPT、Anthropics Claude、Metas Llama XNUMX などがあります。

ニューラル ネットワークで一般的に観察されているのは、学習の改善が停滞する時期を見つけるのが難しいということです。言い換えれば、より多くのデータを与えれば与えるほど、ニューラル ネットワークは学習を続け、改善していきます。ニューラル ネットワークの能力の主な制限は、ますます大きくなるデータ セットと、モデルをトレーニングするための計算能力です。医療分野では、真の臨床ケアを忠実に表すプライバシー保護データ セットを作成することが、モデル開発を進める上での重要な優先事項です。

LLMは、応用におけるパラダイムシフトを表すかもしれない。 ヘルスケアのための AI言語とテキストを扱えるため、ほぼすべてのデータがテキストである電子記録に適しています。また、トレーニングに高度な注釈付きデータは必要ありませんが、既存のデータセットを使用できます。これらのモデルの主な 1 つの欠点は、2) 世界モデルや分析対象のデータに対する理解がないこと (ファンシー オートコンプリートと呼ばれています)、XNUMX) 幻覚や作話を起こす可能性があり、正確に見えるテキストや画像を作成しながら、事実として提示される情報を作成することです。

AI の活用が検討されているユースケースには、放射線画像、網膜画像、その他の画像データの読み取りの自動化と拡張、臨床医の燃え尽き症候群の主な原因である臨床文書の労力削減と精度向上、患者とのよりよい、より共感的なコミュニケーション、収益サイクル、運用、請求などのバックオフィス機能の効率向上などがあります。

実際の例

AI は、臨床ケア全体に徐々に導入されてきました。通常、AI の成功は、ピアレビューによるパフォーマンス試験で成功が実証され、場合によっては FDA の使用承認を得た後に実現されます。

AIが優れたパフォーマンスを発揮した最も初期のユースケースは、網膜検査画像と放射線学におけるAIによる疾患検出である。網膜検査では、これらのモデルの性能に関する文献が公開され、外来診療で網膜疾患を検出するための自動眼底検査が導入された。画像セグメンテーションの研究は、多くの成功例を発表しており、放射線科医の意思決定をサポートし、エラーやリスクを軽減する複数のソフトウェアソリューションを生み出している。 異常を検出して放射線科医のワークフローを効率化.

臨床ワークフローを支援するために、新しい大規模言語モデルが検討されています。アンビエント音声は、電子健康記録 (EHR) の使用を強化するために使用されています。現在、医療文書作成を支援するために AI スクライブが実装されています。これにより、医師は患者に集中でき、AI が文書作成プロセスを担当するため、効率と精度が向上します。

さらに、病院や医療システムは、AIの予測モデリング機能を使用して患者のリスクを分類し、リスクが高い患者やリスクが高まっている患者を特定して最善の処置を決定することができます。実際、AIのクラスター検出機能は、同様の特徴を持つ患者を特定し、その患者に対する典型的な臨床処置を決定するために、研究や臨床ケアでますます使用されています。これにより、 最も効果的な治療コースを決定し、その有効性を測定するための仮想または模擬臨床試験.

将来のユースケースとしては、医師と患者のコミュニケーションに AI を活用した言語モデルを使用するというものがあります。これらのモデルは、患者に対して共感的な会話をシミュレートする有効な応答を行えることが分かっており、難しいやり取りの管理が容易になります。この AI の応用により、患者の症状やメッセージの重症度に基づいて患者のメッセージをより迅速かつ効率的にトリアージできるため、患者ケアを大幅に改善できます。

課題と倫理的考慮事項

ヘルスケアにおける AI 実装の課題の 1 つは、AI ツールを使用する際に規制遵守、患者の安全、臨床効果を確保することです。臨床試験は新しい治療法の標準ですが、AI ツールも同じアプローチに従うべきかどうかについては議論があります。もう 1 つの懸念は、データ漏洩や患者のプライバシー侵害のリスクです。保護されたデータでトレーニングされた大規模な言語モデルは、ソース データを漏洩する可能性があり、患者のプライバシーに重大な脅威をもたらします。ヘルスケア組織は、信頼と機密性を維持するために、患者データを保護し、漏洩を防ぐ方法を見つける必要があります。トレーニング データの偏りも、対処する必要がある重要な課題です。偏りのあるモデルを回避するには、トレーニング データの偏りを回避するより優れた方法を導入する必要があります。偏りを回避するには、より優れたモデル トレーニングを可能にし、ヘルスケアのあらゆる側面に公平性を組み込むトレーニングおよび学術的アプローチを開発することが重要です。

AI の使用により、イノベーションの新たな懸念とフロンティアが数多く生まれました。AI の使用で真の臨床的メリットが見出せる場所について、さらなる研究が必要です。これらの課題と倫理的懸念に対処するために、医療提供組織とソフトウェア企業は、匿名性を確保しプライバシーを保護しながら、医療データを正確にモデル化するデータセットの開発に注力する必要があります。さらに、AI ツールを安全かつ慎重に実践するために、医療提供者、システム、テクノロジー/ソフトウェア企業間のパートナーシップを確立する必要があります。これらの課題に対処することで、医療組織は患者の安全、プライバシー、公平性を維持しながら、AI の可能性を活用できます。