AI er for å supplere, ikke erstatte leger – ledende tenkere

Av: Doug Teany, innovasjonsrådgiver og tidligere COO i Corindus

AI og dens anvendelser i helsevesenet har moden betydelig over de siste årene. AI-teknologier er mer tilgjengelige for helsepersonell enn noen gang tidligere, og de tilbyr enorme muligheter over hele helsevesenet, særlig i svært komplekse robotassistede prosedyrer som krever en usedvanlig mengde innsikt og forutseenhet fra leger. Dessverre finnes det fortsatt en tro på at AI, som et resultat av sin modning, uunngåelig vil erstatte legens rolle, selv om dette ikke kunne være lengre fra sannheten.

I virkeligheten gir AI leger nye kunnskaper og evner som forbedrer kliniske beslutninger og hjelper til å oppnå mer positive pasientresultater. Den overfører deres oppmerksomhet fra å tenke teknisk om å manøvrere en ledning gjennom hjertet til å tenke mer helhetlig om sakstrategi og hvordan man kan oppnå det beste mulige resultatet. Når den deployeres i robotassistede prosedyrer, kan AI hjelpe til å bygge en encyklopedi over historisk klinisk og prosedyrekunnskap som enhver lege kan få tilgang til for å løse enhver sak. Inkorporering av evner som datavisjon vil revolusjonere den nåværende standarden for omsorg, og utstyre leger med et kraftig verktøy som kan respondere på og forebygge komplikasjoner før de oppstår. Alt dette gjøres uten å erstatte den viktigste drivkraften i prosessen – legen.

Leggende grunnlaget med data-drevet innsikt og maskinlæring

I dag avhenger leger hovedsakelig av personlig erfaring og individuelle beslutningsevner som kan variere basert på deres trening, antall prosedyrer de har fullført, og andre faktorer. I sin kjernelæring introduserer AI leger for nye data og informasjon som tidligere ikke var tilgjengelige for dem, noe som kan være særlig nyttig i komplekse prosedyrer som anvender robotikk. I disse tilfellene hvor robotenheter er koblet til historiske data-lagre, tilbyr AI en usedvanlig verdi ved å fylle kunnskapsgap med innsikt fra tusenvis av lignende saker. Ved å gi en lege tilgang til historisk sak-data utenfor deres egen erfaring, kan de mildne noen av risikoen forbundet med disse kompliserte prosedyrene.

Maskinlæring gjør det mulig for det robotiske systemet å lære av erfaring og tilpasse seg nye inndata. I gjengjeld kan roboten automatisere sine bevegelser for å speile de samme teknikker som de beste legene i verden, noe som øker sjansen for å løse utfordringer som oppstår under en sak. Dette gjør det mulig for leger å fokusere sin oppmerksomhet på sakstrategi og respondere på komplikasjoner mer effektivt. Denne type data-drevet innsikt ligner hvordan data drastisk endret landskapet for profesjonell baseball tidlig på 2000-tallet, høydepunktet av utgivelsen av boken Pengeball. Boken fulgte Oakland Athletics og manager Billy Beane, som tok en data-drevet, evidens-basert tilnærming til å bygge et lag, i stedet for å stole på foreldede metoder som manglet data. I gjengjeld var denne modellen en stor suksess og utløste en ny æra av spillet drevet av data.

I helsevesenet skaper en database over prosedyrekunnskap drevet av maskinlæring lignende innsikt for leger, og utstyrer dem med verdifull informasjon som tidligere ikke var tilgjengelig. Evnen til å se en pasient mot bakgrunnen av tusenvis av lignende saker, gjør det mulig for leger å ta bedre, mer informerte beslutninger om hvordan de skal angripe en sak.

Neste skritt: Datavisjon og høy automatisering

Det fulle potensialet for AI i robotassistede prosedyrer realiseres fullt ut når data-drevet innsikt og maskinlæring kombineres med datavisjon, som gjør det mulig for det robotiske systemet å intelligently identifisere og respondere på situasjoner basert på rik bilde-data. I kardiovaskulære inngrep er en betydelig prosentdel av prosedyretiden dedikert til ledningsmanipulering, mye av dette er en “prøve og feil”-metode for å navigere gjennom kar. Denne metoden kan potensielt føre til feilplasserte medisinske enheter, som stenter, eller resultere i lengre prosedyretid som øker stråleeksponering for leger og pasienter.

Men, ettersom automatiserte systemer fortsetter å lære effektive bevegelser og skape kunnskaps-baserte regler, kan vi tillate datavisjon å automatisere større deler av prosedyren. Datavisjon gjør det også mulig for systemet å detektere komplikasjoner før de oppstår, som når en guidewire prolaps, og kan automatisk utføre korrektive handlinger for å levere enheten og forebygge skade på pasienten.

Viktigst, uavhengig av bransjen, er automatisering på et spekter, og bilindustrien tilbyr et solid eksempel på dette. Mange av dagens biler har en viss grad av lav-nivå automatisering, som brems-assist, adaptiv cruise-kontroll og lane-sentring. På den andre enden av spekteret automatiserer produsenter som Tesla (TSLA ) alle sikkerhetskritiske funksjoner, og krever mindre handling fra sjåføren, selv om sjåføren fortsatt er nødvendig. Det samme gjelder for automatisering i helsevesenet. Til slutt holder AI-drevet automatisering leger i førersetet mens det automatiserer bestemte oppgaver som tar legerens oppmerksomhet vekk fra kritiske elementer, som sakstrategi og respons på komplikasjoner.

 AI setter leger i sentrum

 Bekymringer om AI og automatisering som erstatter leger har ingen gyldighet og er ikke basert på en fullstendig forståelse av hvordan helsevesenet deployer AI og maskinlæring. Like som selvkjørende biler trenger en sjåfør, vil de automatiserte inngrepene vi jobber mot å oppnå, trenge veiledningen til en lege, men med den tilføyede ekspertisen til en digital encyklopedi bygget på erfaringen til andre høyt kvalifiserte leger fra hele verden. Automatisering vil standardisere måten prosedyrer utføres på et svært høyt kvalitetsnivå, noe som når det overordnede målet for robot-automatisering – å gjøre saker tryggere, raskere og mer effektive, samtidig som det reduserer traume på pasienten.