Åpne nye muligheter i helsevesenet med AI

Helsevesenet i USA er i de tidlige stadiene av en betydelig potensiell forstyrrelse på grunn av bruken av maskinlæring og kunstig intelligens. Denne endringen har vært i gang i over et tiår, men med de seneste fremgangene, ser det ut til å være klar for raskere endringer. Mye arbeid gjenstår for å forstå de tryggeste og mest effektive anvendelsene av AI i helsevesenet, å bygge tillit blant klinikkere i bruken av AI, og å tilpasse vårt kliniske utdanningssystem for å drive bedre bruk av AI-baserte systemer.

Anvendelser av 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 funnet sted i bruken av dyptlæring og datavisjonsmodeller.

Først, noen terminologi. Tradisjonelle statistiske tilnærminger i forskning–f.eks. observasjonsstudier og kliniske studier–har brukt populasjonsfokusert modelleringsteknikker som bygger på regresjonsmodeller, hvor uavhengige variabler brukes til å forutsi resultater. I disse tilnærminger, selv om mer data er bedre, finnes det en platåeffekt hvor over en viss datamengde, kan ingen bedre slutninger trekkes fra dataene.

Kunstig intelligens bringer en ny tilnærmingsmåte til prediksjon. En struktur kalt en perseptron prosesserer data som passerer fremover rad for rad, 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 slik at den forutsagte utdataen matcher den faktiske utdataen. Etterhvert som dataene i en treningssett prosesseres, lærer neuralt nettverk hvordan de kan forutsi resultatet.

Flere typer nettverk finnes. Convolutional neural networks, eller CNNs, var blant de første modellene som fant suksess i helsevesenets anvendelser. CNNs er svært gode til å lære fra bilder i en prosess kalt datavisjon og har funnet anvendelser der 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 enorme suksess for tekst, og kombinasjoner av tekst og bilder (også kalt multimodale data). Transformer-neurale nettverk er unikt når de får en sett med tekst, på å forutsi påfølgende tekst. En anvendelse 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, fortsetter neurale nettverk 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 personvernbeskyttende datamengder som trofast representerer sanne kliniske behandlinger en viktig prioritet for å fremme modellutvikling.

LLMs kan representere en paradigmeskifte i anvendelsen av AI for helsevesenet. Fordi de er gode til å håndtere språk og tekst, er de en god match til elektroniske journaler hvor nesten alle data er tekst. De trenger heller ikke høyt annoterte data for trening, men kan bruke eksisterende datamengder. De to største 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 presenterer informasjon som faktisk.

Anvendelsessaker som utforskes for AI inkluderer automatisering og augmentering for lesing av radiologibilder, retinabilder og andre bilde-data; redusere innsatsen og forbedre nøyaktigheten av klinisk dokumentasjon, en stor kilde til klinikerutbrenning; bedre, mer empatisk, pasientkommunikasjon; og forbedre effektiviteten av bakkontorfunksjoner som omsetningscyklus, drift og fakturering.

Reelle eksempler

AI har blitt innført inkrementelt i klinisk behandling generelt. 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 anvendelsessakene hvor AI utfører godt, har vært AI som oppdager sykdom i retinaleksambilder og radiologi. For retinaleksaminer, har publisert litteratur om ytelsen til disse modellene blitt fulgt av utrullingen av automatisert fundoskopi for å oppdage retinsykdom i ambulante innstillinger. Studier av bildesegmentering, med mange publiserte suksesser, har resultert i multiple programvareløsninger som gir beslutningsstøtte for radiologer, reduserer feil og opdager avvikelser for å gjøre radiologiske arbeidsflyter mer effektive.

Nyere store språkmodeller utforskes for å assistere med kliniske arbeidsflyter. Ambient voice brukes til å forbedre bruken av elektroniske helsejournaler (EHRs). For tiden implementeres AI-skrivere for å hjelpe med medisinsk dokumentasjon. Dette tillater leger å fokusere på pasienter mens AI tar seg av dokumentasjonsprosessen, forbedrer effektivitet og nøyaktighet.

I tillegg kan sykehus og helsevesen bruke AI sin prediktive modelleringsevne til å risikostyrke pasienter, identifisere pasienter som er på høy eller økende risiko og bestemme den beste behandlingskursen. I virkeligheten brukes AI sin clusterdetekteringskapasitet i økende grad i forskning og klinisk behandling til å identifisere pasienter med lignende karakteristika og bestemme den typiske behandlingskursen for dem. Dette kan også muliggjøre virtuelle eller simuleringskliniske studier for å bestemme de mest effektive behandlingskursene og måle deres effektivitet.

En fremtidig anvendelsessak kan være bruken av AI-drevne språkmodeller i lege-pasientkommunikasjon. Disse modellene er funnet å ha gyldige svar for pasienter som simulerer empatisk samtale, gjør det lettere å håndtere vanskelige interaksjoner. Denne anvendelsen av AI kan forbedre pasientbehandlingen vesentlig ved å gi raskere og mer effektiv triasje av pasientmeldinger basert på alvoret av deres tilstand og melding.

Utligninger og etiske overveielser

En utfordring med AI-implementering i helsevesenet er å sikre regulativ overholdelse, pasientsikkerhet og klinisk effektivitet når AI-verktøy brukes. Mens kliniske studier 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. Helsevesenets organisasjoner 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 trening 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 grenser 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 helsevesenets organisasjoner og programvare-/teknologiselskaper fokusere på å utvikle datamengder som nøyaktig modellerer helsevesenets data samtidig som de sikrer anonymitet og beskytter personvern. I tillegg må partnerskap mellom helsevesenets organisasjoner, systemer og teknologi-/programvareselskaper etableres for å bringe AI-verktøy inn i praksis på en trygg og gjennomtenkt måte. Ved å håndtere disse utfordringene, kan helsevesenets organisasjoner utnytte AI sin potensiale samtidig som de opprettholder pasientsikkerhet, personvern og rettferdighet.