AIを用いたヘルスケアにおける新たな可能性の解放

アメリカにおけるヘルスケアは、Machine LearningとArtificial Intelligence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、より急速な変化が起こりそうです。AIをヘルスケアで安全に、効果的に使用する方法を理解するために、多くの作業が残っています。また、臨床医にAIの使用を信頼させるために、臨床教育システムを改善して、AIベースのシステムをより良く使用する必要があります。

ヘルスケアにおけるAIの応用

AIは、10年以上前にヘルスケアで進化し始めました。患者向けの機能とバックオフィスの機能の両方で、AIは使用されてきました。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。従来の統計的手法、たとえば観察研究や臨床試験では、回帰モデルを使用して、独立変数から結果を予測します。このアプローチでは、より多くのデータが得られれば、より良い推論が可能になりますが、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。

Artificial Intelligenceは、予測に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が、行ごとにデータを処理し、入力データを変更して出力を生成するために、層のネットワークとして作成されます。トレーニング中に、各行のデータがネットワークを通過するにつれて、ネットワークの各層の方程式が変更され、予測出力が実際の出力に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。 コンボリューショナルニューラルネットワーク、またはCNNは、ヘルスケアアプリケーションで最初の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のが得意で、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タイプのニューラルネットワークが、テキスト、テキストと画像の組み合わせ（マルチモーダルデータと呼ばれる）に対する驚くべき成功により、支配的なアプローチになりました。 トランスフォーマーモデルは、テキストのセットが与えられたときに、続くテキストを予測するのが優れています。 トランスフォーマーアーキテクチャの1つの応用は、Large Language ModelまたはLLM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関して言えることは、改善のためのプラトーが見つかりにくいことです。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し、改善し続けます。彼らの能力の主な制限は、より大きなデータセットと、それらの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、真の臨床ケアを正確に表現する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重要な優先事項です。

LLMは、ヘルスケアにおけるAIの応用で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、ほぼすべてのデータがテキストである電子レコードとよくマッチしています。また、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しません。彼らは既存のデータセットを使用できます。彼らの主な欠点は、1）彼らは世界モデルや分析対象のデータの理解を持っていない（彼らは「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）こと、2）彼らはテキストや画像を「でっち上げ」または「作り話」を作ることができ、正確に見えますが、事実として提示された情報を作成することができることです。

AIの使用例としては、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強化、臨床文書化の作業と精度の向上、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、請求の効率化が含まれます。

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。通常、AIの成功した使用は、成功を実証したピアレビュー試験に続き、場合によってはFDAの承認が必要です。

AIが優れて機能する最も初期の使用例の1つは、網膜検査画像や放射線画像で疾患を検出することです。網膜検査の場合、モデルパフォーマンスに関する出版済み文献に続いて、外来診療で網膜疾患を検出する自動 fundoscopy が展開されてきました。画像セグメンテーションの研究、多くの出版済みの成功により、放射線科医のエラーを減らし、異常を検出して放射線科医のワークフローをより効率的に する多くのソフトウェアソリューションが提供されてきました。

新しい大規模言語モデルは、臨床ワークフローを支援するために検討されています。アンビエントボイスは、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ライター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することで、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、高いリスクまたはリスクの増加している患者を特定し、最も適切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、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、ますます使用されています。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 することも可能になります。

将来の使用例の1つは、医師と患者とのコミュニケーションにAIを使用することです。これらのモデルは、共感的な会話をシミュレートする有効な応答を患者に提供することができます。これにより、患者ケアが大幅に改善され、患者からのメッセージの重大性とメッセージに基づいて迅速かつ効率的なトライアージが可能になります。

課題と倫理的配慮

ヘルスケアにおけるAIの実装の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。臨床試験は新しい治療の標準ですが、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、患者プライバシーの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のバイアスも重要な課題です。バイアスされたモデルを避けるために、トレーニングデータのバイアスを避けるためのより良い方法を導入する必要があります。ヘルスケアのすべての側面で公平性を確保するトレーニングと学術的なアプローチを開発することが重要です。

AIの使用は、新しい懸念と革新のフロンティアを開いています。AIの使用で真の臨床的利益が見つかる可能性のある場所を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、ヘルスケア提供者組織とソフトウェア会社が、機密性とプライバシーを保護しながらヘルスケアデータを正確にモデル化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、ヘルスケア提供者、システム、テクノロジー/ソフトウェア会社の間で、AIツールを安全で考慮された方法で実践に導入するためのパートナーシップが確立される必要があります。これらの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の潜在能力を利用できます。