AIを用いたヘルスケアの新たな可能性の解放

アメリカのヘルスケア業界は、機械学習と人工知能の使用により、大きな変化の初期段階にあります。この変化は10年以上前に始まったものですが、最近の進歩により、より速い変化が予想されます。AIをヘルスケアで安全に、効果的に使用するための最も適切な方法を理解するには、まだ多くの作業が必要です。さらに、AIの使用を信頼できる臨床医を育てるために、臨床教育システムを改善する必要があります。

ヘルスケアにおけるAIの応用

AIは、患者向けの機能とバックオフィスの機能の両方で、ヘルスケア業界で10年以上にわたって進化してきました。最も初期の、そして最も広範な研究は、ディープラーニングとコンピュータビジョンモデルを使用したものでした。

まず、用語について説明します。研究における伝統的な統計的手法、たとえば観察研究や臨床試験では、人口を対象としたモデリングアプローチを使用し、独立変数を使用して結果を予測します。これらのアプローチでは、より多くのデータが得られることは良いことですが、ある程度のデータセットサイズ以上では、データから得られる推論は向上しません。

人工知能は、予測に対する新しいアプローチを提供します。パーセプトロンと呼ばれる構造は、行ごとにデータを処理し、入力データを変更するためにネットワークの各層の微分方程式を使用して、出力値を生成します。トレーニング中、ネットワークを通過する各行のデータは、予測される出力値が実際の出力値と一致するように、ネットワークの各層の方程式を変更します。トレーニングセットのデータが処理されるにつれて、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。

いくつかの種類のネットワークがあります。 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でした。 CNNは、コンピュータビジョンと呼ばれるプロセスで画像から学習することができ、画像データが優勢な領域、たとえば放射線科、網膜検査、皮膚画像で応用を見出しています。

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の種類が、テキストやテキストと画像（マルチモーダルデータ）の組み合わせに対する驚異的な成功により、支配的なアプローチになりました。トランスフォーマー・ニューラルネットワークは、テキストのセットが与えられたときに、次のテキストを予測することに優れています。トランスフォーマー・アーキテクチャの1つの応用は、LLM（Large Language Model）です。LLMの商業的な例には、Chat GPT、Anthropics Claude、Metas Llama 3があります。

ニューラルネットワーク全般に言えることですが、改善のための限界が見つかりにくいということです。つまり、より多くのデータが与えられると、ニューラルネットワークは学習を続け、改善され続けます。彼らの能力の主な限界は、より大きなデータセットとモデルをトレーニングするためのコンピューティングパワーです。ヘルスケアでは、真の臨床ケアを忠実に表現し、プライバシーを保護した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重要な優先事項です。

LLMは、ヘルスケアにおけるAIの応用において、パラダイムシフトを表す可能性があります。彼らはテキストや言語に優れており、ほとんどのデータがテキストである電子記録とよく一致します。さらに、彼らはトレーニングに高度に注釈付けされたデータを必要とせず、既存のデータセットを使用できます。ただし、これらのモデルの2つの主な欠点は、1）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」と呼ばれることがあります）、および2）テキストや画像を「でっち上げ」、「作り話」する可能性があることです。これにより、事実として提示されるが、実際には正確ではない情報が生成される可能性があります。

AIの使用例としては、画像データの読み取りの自動化と強化、たとえば放射線画像、網膜画像、臨床文書化の作業量の削減と精度の向上、患者とのコミュニケーションの改善、バックオフィスの機能、たとえば収益サイクル、運用、請求の効率化などが挙げられます。

実際の例

AIは、臨床ケア全体に段階的に導入されてきました。一般的に、AIの成功した使用は、性能のピアレビュー試験に続き、場合によってはFDAの承認を受けています。

AIが優れている初期の使用例の1つは、網膜検査画像や放射線画像での疾患の検出です。網膜検査の場合、公開された文献はこれらのモデルの性能について述べており、その後、網膜疾患を検出する自動検査が外来診療で展開されてきました。画像セグメンテーションの研究では、多くの成功例があり、放射線科医のための決定支援ソフトウェアの解決策が複数提供されており、エラーを減らし、放射線科医のワークフローをより効率的にしています。

新しい大規模言語モデルは、臨床ワークフローの支援に使用されています。Ambient Voiceは、電子ヘルスレコード（EHR）の使用を強化するために使用されています。現在、AIスクリーブは医療文書化を支援するために実装されています。これにより、医師は患者に集中できるようになり、AIが文書化プロセスを担当し、効率と精度が向上します。

さらに、病院やヘルスケアシステムは、AIの予測モデリング機能を使用して、患者をリスクに基づいて分類し、高いリスクまたは増加するリスクのある患者を特定し、最適な行動方針を決定できます。実際、AIのクラスタ検出機能は、研究および臨床ケアで使用され、類似の特性を持つ患者を特定し、彼らのための典型的な臨床的行動方針を決定するために使用されています。これにより、仮想またはシミュレートされた臨床試験を実施して、最も効果的な治療コースを決定し、その有効性を評価することができます。

将来的には、AIを使用した言語モデルが医師と患者とのコミュニケーションに使用される可能性があります。これらのモデルは、患者がシミュレートされた共感的な会話に有効な応答を生成することができます。これにより、患者ケアが向上し、患者からのメッセージの重大性に基づいて迅速かつ効率的にトライアージュが行えるようになります。

課題と倫理的配慮

ヘルスケアにおけるAIの導入の1つの課題は、AIツールを使用する際の規制遵守、患者安全性、臨床的有効性を確保することです。新しい治療法の標準である臨床試験については、AIツールも同様のアプローチに従うべきかどうかについて議論があります。別の懸念事項は、データ漏洩や患者プライバシーの侵害のリスクです。大規模言語モデルは、保護されたデータでトレーニングされた場合、ソースデータを漏洩させる可能性があり、患者プライバシーにとって重大な脅威となります。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における偏りも、重大な課題です。偏りのないモデルを開発するには、トレーニングデータにおける偏りを避けるためのより良い方法が必要です。ヘルスケアのすべての側面で公平性を確保するためのトレーニングと教育アプローチを開発することが重要です。

AIの使用は、新しい懸念とイノベーションの分野を開いています。AIの使用による真の臨床的利益が見つかる可能性のある場所について、さらに研究する必要があります。これらの課題と倫理的懸念に対処するには、ヘルスケアプロバイダー組織とソフトウェア会社が、ヘルスケアデータを正確にモデル化し、匿名性を確保し、プライバシーを保護するデータセットを開発することに重点を置く必要があります。さらに、ヘルスケアプロバイダー、システム、テクノロジー/ソフトウェア会社間のパートナーシップを確立して、AIツールを安全で思慮深い方法で実践に導入する必要があります。こうした課題に対処することで、ヘルスケア組織は、患者安全性、プライバシー、公平性を維持しながら、AIの潜在能力を活用できます。