Åpne nye muligheter i helsevesenet med AI

Helsevesenet i USA er i de tidlige stadiene av en betydelig potensiell forstyrrelse på grunn av bruk av Maskinlæring og Kunstig Intelligens. Denne endringen har vært i gang i over et tiår, men med nylige fremgang, synes det å være klar for raskere endringer. Mye arbeid gjenstår for å forstå de tryggeste og mest effektive bruksområdene for AI i helsevesenet, å bygge tillit blant kliniske ansatte i bruk av AI, og å tilpasse vårt kliniske utdanningssystem for å drive bedre bruk av AI-baserte systemer.

Bruksområder for AI i helsevesenet

AI har vært i utvikling i tiår i helsevesenet, både i pasientrettet og bakkontorfunksjoner. Noen av de tidligste og mest omfattende arbeidene har skjedd i bruk av dypt læring og datamaskinmodeller.

Først, noen terminologi. Tradisjonelle statistiske tilnærminger i forskning – f.eks. observasjonsstudier og kliniske prøver – har brukt populasjonsfokuserte modelleringstilnærminger som avhenger av regresjonsmodeller, hvor uavhengige variabler brukes til å forutsi resultater. I disse tilnærminger, selv om mer data er bedre, er det en platåeffekt hvor over en viss datamengde, ingen bedre inferanser kan bli gjort fra dataene.

Kunstig intelligens bringer en ny tilnærmingsmåte til forutsigelse. En struktur kalt en perseptron prosesserer data som passerer fremover en rad om gangen, og er skapt som et nettverk av lag av differensiallikninger for å modifisere inndata, for å produsere en utdata. Under trening, hver rad med data som passerer gjennom nettverket – kalt et neuralt nettverk – modifiserer likningene på hvert lag av nettverket så at den forutsagte utdataen matcher den faktiske utdataen. Etterhvert som dataene i en treningssett blir prosessert, lærer neuralt nettverk hvordan den kan forutsi resultatet.

Det finnes flere typer nettverk. Convolutional neural networks, eller CNNs, var blant de første modellene som fant suksess i helsevesenapplikasjoner. CNNs er svært gode til å lære fra bilder i en prosess kalt datamaskinvisjon og har funnet applikasjoner hvor bilde-data er fremtredende: radiologi, retinaleksaminer og hudbilder.

En nyere type neuralt nettverk kalt transformer-arkitektur har blitt en dominant tilnærmingsmåte på grunn av dens fantastiske suksess for tekst, og kombinasjoner av tekst og bilder (også kalt multimodal data). Transformer-neurale nettverk er unike når de får en sett med tekst, på å forutsi påfølgende tekst. En applikasjon av transformer-arkitekturen er den store språkmodellen eller LLM. Flere kommersielle eksempler på LLMs inkluderer Chat GPT, Anthropics Claude og Metas Llama 3.

Hva som har blitt observert med neurale nettverk generelt er at en platå for forbedring i læring har vært vanskelig å finne. Med andre ord, gitt mer og mer data, neurale nettverk fortsetter å lære og forbedre. De viktigste begrensningene på deres evne er større og større datamengder og datamaskinkraften til å trene modellene. I helsevesenet er skapningen av personvernbeskyttede datamengder som trofast representerer sanne kliniske behandlinger en nøkkelprioritet for å fremme modellutvikling.

LLMs kan representere en paradigmeskifte i bruken av AI i helsevesenet. Fordi de er gode til å håndtere språk og tekst, er de en god match til elektroniske journaler hvor nesten all data er tekst. De krever heller ikke høyt annoterte data for trening, men kan bruke eksisterende datamengder. De to viktigste feilene med disse modellene er at 1) de ikke har en verdensmodell eller en forståelse av dataene som analyseres (de har blitt kalt fancy autocomplete), og 2) de kan hallucinere eller fabrikkere, lage tekst eller bilder som ser akkurat ut, men skaper informasjon som presenteres som faktum.

Bruksområder som utforskes for AI inkluderer automatisering og forbedring av radiologibilder, retinaleksaminer og andre bilde-data; redusere anstrengelsen og forbedre nøyaktigheten av klinisk dokumentasjon, en stor kilde til klinisk utbrenthet; bedre, mer empatisk, pasientkommunikasjon; og forbedre effektiviteten av bakkontorfunksjoner som omsetningscyklus, operasjoner og fakturering.

Reelle eksempler

AI har blitt innført i klinisk behandling ellers. Vanligvis har suksessfull bruk av AI fulgt peer-gjennomgåtte prøver av ytelse som har demonstrert suksess og, i noen tilfeller, FDA-godkjenning for bruk.

Blant de tidligste bruksområdene hvor AI fungerer bra har vært AI som oppdager sykdom i retinaleksaminer og radiologi. For retinaleksaminer, har publikasjon av litteraturen om ytelsen til disse modellene blitt fulgt av innføringen av automatisert fundoskopi for å oppdage retinalsykdom i ambulante innstillinger. Studier av bilde-segmentering, med mange publikasjonssuksesser, har resultert i flere programvareløsninger som gir beslutningsstøtte for radiologer, reduserer feil og oppdager avvikelser for å gjøre radiologiske arbeidsflyter mer effektive.

Nyere store språkmodeller blir utforsket for å hjelpe med kliniske arbeidsflyter. Ambient-lyd blir brukt til å forbedre bruken av elektroniske helsejournaler (EHRs). For tiden blir AI-skrivere implementert for å hjelpe med medisinsk dokumentasjon. Dette tillater leger å fokusere på pasienter mens AI tar seg av dokumenteringsprosessen, forbedrer effektivitet og nøyaktighet.

I tillegg kan sykehus og helsevesen bruke AI sin predikative modelleringsevne til å risikostyrke pasienter, identifisere pasienter som er på høy eller økende risiko og bestemme den beste kursen for handling. Faktisk, AI sin klusterdetekteringskapasitet blir stadig mer brukt i forskning og klinisk behandling for å identifisere pasienter med lignende karakteristika og bestemme den typiske kursen for klinisk handling for dem. Dette kan også muliggjøre virtuelle eller simuleringskliniske prøver for å bestemme de mest effektive behandlingskursene og måle deres effektivitet.

En fremtidig bruksområde kan være bruken av AI-drevne språkmodeller i lege-pasientkommunikasjon. Disse modellene har blitt funnet å ha gyldige svar for pasienter som simulerer empatisk samtale, gjør det lettere å håndtere vanskelige interaksjoner. Denne bruken av AI kan forbedre pasientbehandling ved å gi raskere og mer effektive triasjer av pasientmeldinger basert på alvorlighetsgraden av deres tilstand og melding.

Utfordringer og etiske overveielser

En utfordring med AI-innføring i helsevesenet er å sikre regulatorisk overholdelse, pasientsikkerhet og klinisk effektivitet når AI-verktøy brukes. Mens kliniske prøver er standarden for nye behandlinger, er det en debatt om hvorvidt AI-verktøy bør følge samme tilnærmingsmåte. En annen bekymring er risikoen for datalekkasjer og kompromittert pasientpersonvern. Store språkmodeller trent på beskyttet data kan potensielt lekke kilde-data, hvilket utgjør en betydelig trussel mot pasientpersonvern. Helsevesenorganisasjoner må finne måter å beskytte pasientdata og forhindre lekkasjer for å opprettholde tillit og konfidensialitet. Forvrengning i treningsdata er også en kritisk utfordring som må håndteres. For å unngå forvredde modeller, må bedre metoder for å unngå forvrengning i treningsdata innføres. Det er avgjørende å utvikle trenings- og akademiske tilnærminger som muliggjør bedre modelltrening og inkorporerer likestilling i alle aspekter av helsevesenet for å unngå forvrengning.

Bruken av AI har åpnet en rekke nye bekymringer og frontiere for innovasjon. Videre studier av hvor sanne kliniske fordeler kan finnes i AI-bruken, er nødvendig. For å håndtere disse utfordringene og etiske bekymringene, må helsevesen-organisasjoner og programvare-selskaper fokusere på å utvikle datamengder som nøyaktig modellerer helsevesen-data samtidig som de sikrer anonymitet og beskytter personvern. I tillegg må samarbeid mellom helsevesen-tilbydere, systemer og teknologi-/programvare-selskaper etableres for å bringe AI-verktøy inn i praksis på en trygg og gjennomtenkt måte. Ved å håndtere disse utfordringene, kan helsevesen-organisasjoner utnytte potensialet i AI samtidig som de opprettholder pasientsikkerhet, personvern og rettferdighet.