Odblokowanie nowych możliwości w opiece zdrowotnej za pomocą sztucznej inteligencji

Ochrona zdrowia w Stanach Zjednoczonych jest na wczesnym etapie znaczącego potencjalnego zakłócenia ze względu na użycie uczenia maszynowego i sztucznej inteligencji. Ten przesunięcie ma miejsce od ponad dekady, ale dzięki ostatnim postępom, wydaje się, że jest gotowe do szybszych zmian. Wiele pracy pozostaje do wykonania, aby zrozumieć najbezpieczniejsze i najskuteczniejsze zastosowania sztucznej inteligencji w opiece zdrowotnej, aby wybudować zaufanie wśród klinicystów w użyciu sztucznej inteligencji i aby dostosować nasz system edukacji klinicznej do lepszego wykorzystania systemów opartych na sztucznej inteligencji.

Zastosowania sztucznej inteligencji w opiece zdrowotnej

Sztuczna inteligencja ewoluowała przez dziesięciolecia w opiece zdrowotnej, zarówno w funkcjach zorientowanych na pacjenta, jak i w biurze. Niektóre z najwcześniejszych i najbardziej obszernych prac miały miejsce w użyciu głębokiego uczenia i modeli widzenia komputerowego.

Po pierwsze, niektóre terminologie. Tradycyjne statystyczne podejścia w badaniach – np. obserwacyjne studium i badania kliniczne – używały podejść modelowania ukierunkowanego na populację, które opierają się na modelach regresji, w których niezależne zmienne są używane do przewidywania wyników. W tych podejściach, im więcej danych, tym lepiej, ale jest efekt plateau, w którym powyżej pewnego rozmiaru zestawu danych, nie można uzyskać lepszych inferencji z danych.

Sztuczna inteligencja wprowadza nowe podejście do przewidywania. Struktura zwana perceptronem przetwarza dane, które są przekazywane wiersz po wierszu, i jest tworzona jako sieć warstw równań różniczkowych, aby modyfikować dane wejściowe, w celu wytworzenia wyjścia. Podczas szkolenia, każdy wiersz danych, gdy przechodzi przez sieć – zwany siecią neuronową – modyfikuje równania na każdej warstwie sieci, tak aby przewidywane wyjście odpowiadało rzeczywistemu wyjściu. Gdy dane w zestawie szkoleniowym są przetwarzane, sieć neuronowa uczy się, jak przewidywać wynik.

Istnieje kilka typów sieci. Sieci neuronowe typu convolutional, lub CNN, były wśród pierwszych modeli, które odniosły sukces w zastosowaniach opieki zdrowotnej. CNN są bardzo dobre w uczeniu się z obrazów w procesie zwanym widzeniem komputerowym i znalazły zastosowania, gdzie dane obrazowe są wyraźne: radiologia, badania siatkówki i obrazy skórne.

Nowy typ sieci neuronowej zwany architekturą transformatora stał się dominującym podejściem ze względu na jego niesamowity sukces w przypadku tekstu i kombinacji tekstu i obrazów (również nazywanych danymi wielomodalnymi). Sieci neuronowe transformatora są wyjątkowe, gdy są podane zestawem tekstu, w przewidywaniu następnego tekstu. Jednym z zastosowań architektury transformatora jest Duży Model Języka lub LLM. Wielokrotnymi komercyjnymi przykładami LLM są Chat GPT, Anthropics Claude i Metas Llama 3.

To, co zaobserwowano w sieciach neuronowych, ogólnie, to trudność w znalezieniu plateau dla poprawy w nauce. Innymi słowy, im więcej danych, tym więcej sieci neuronowe uczą się i poprawiają. Głównymi ograniczeniami ich możliwości są większe i większe zestawy danych oraz moc obliczeniowa do szkolenia modeli. W opiece zdrowotnej, tworzenie zestawów danych chroniących prywatność, które wiernie reprezentują prawdziwą opiekę kliniczną, jest kluczowym priorytetem, aby rozwinąć rozwój modelu.

LLM mogą reprezentować zmianę paradygmatu w zastosowaniu sztucznej inteligencji w opiece zdrowotnej. Ze względu na ich umiejętność językową i tekstową, są one dobrym dopasowaniem do elektronicznych rekordów, w których prawie wszystkie dane są tekstowe. Nie wymagają one również wysoko adnotowanych danych do szkolenia, ale mogą używać istniejących zestawów danych. Dwa główne błędy tych modeli to 1) nie mają modelu świata ani zrozumienia danych, które są analizowane (nazywane są fancy autocomplete), i 2) mogą halucynować lub konfabulować, tworząc tekst lub obrazy, które wydają się dokładne, ale tworzą informacje przedstawiane jako fakt.

Przypadki użycia, które są badane dla sztucznej inteligencji, obejmują automatyzację i uzupełnienie odczytu obrazów radiologicznych, obrazów siatkówki i innych danych obrazowych; redukcję wysiłku i poprawę dokładności dokumentacji klinicznej, głównego źródła wypalenia klinicystów; lepszą, bardziej empatyczną komunikację z pacjentami; oraz poprawę wydajności funkcji biurowych, takich jak cykl revenue, operacje i rozliczenia.

Przykłady z życia wzięte

Sztuczna inteligencja została stopniowo wprowadzona do opieki klinicznej. Zazwyczaj udane użycie sztucznej inteligencji następuje po przeglądzie rówieśniczym badań wydajności, które wykazały sukces i, w niektórych przypadkach, zatwierdzenie FDA do użycia.

Wśród najwcześniejszych przypadków użycia, w których sztuczna inteligencja działa dobrze, są wykrywanie chorób w obrazach badań siatkówki i radiologii. Dla badań siatkówki, opublikowana literatura na temat wydajności tych modeli została następnie wdrożona w celu automatycznego wykrywania chorób siatkówki w ambulatoryjnych środowiskach. Studia segmentacji obrazu, z wieloma opublikowanymi sukcesami, doprowadziły do wielu rozwiązań oprogramowania, które zapewniają wsparcie decyzyjne dla radiologów, redukując błędy i wykrywając nieprawidłowości, aby uczynić przepływ pracy radiologów bardziej wydajnym.

Nowe duże modele języka są badane w celu pomocy w przepływach klinicznych. Głos ambient jest używany do zwiększenia wykorzystania Elektronicznych Rekordów Zdrowia (EHR). Obecnie, sztuczne scribes są wdrażane w celu pomocy w dokumentacji medycznej. To pozwala lekarzom skupić się na pacjentach, podczas gdy sztuczna inteligencja zajmuje się procesem dokumentacji, poprawiając wydajność i dokładność.

Ponadto, szpitale i systemy opieki zdrowotnej mogą używać możliwości modelowania predykcyjnego sztucznej inteligencji do stratyfikacji ryzyka pacjentów, identyfikując pacjentów, którzy są w wysokim lub rosnącym ryzyku i określając najlepszy przebieg działania. W rzeczywistości, możliwości wykrywania klastrów sztucznej inteligencji są coraz częściej używane w badaniach i opiece klinicznej, aby identyfikować pacjentów o podobnych cechach i określać typowy przebieg działania klinicznego dla nich. To może również umożliwić wirtualne lub symulowane badania kliniczne, aby określić najbardziej skuteczne kursy leczenia i mierzyć ich skuteczność.

Przyszły przypadek użycia może być użycie modeli języka sztucznej inteligencji w komunikacji lekarz-pacjent. Te modele zostały znalezione, aby mieć ważne odpowiedzi dla pacjentów, które symulują empatyczne rozmowy, ułatwiając zarządzanie trudnymi interakcjami. To zastosowanie sztucznej inteligencji może znacznie poprawić opiekę pacjenta, zapewniając szybsze i bardziej wydajne triage wiadomości pacjentów na podstawie ciężkości ich stanu i wiadomości.

Wyzwania i rozważania etyczne

Jednym z wyzwań wdrożenia sztucznej inteligencji w opiece zdrowotnej jest zapewnienie zgodności regulacyjnej, bezpieczeństwa pacjentów i skuteczności klinicznej przy użyciu narzędzi sztucznej inteligencji. Podczas gdy badania kliniczne są standardem dla nowych leczeń, istnieje debata, czy narzędzia sztucznej inteligencji powinny podążać tym samym podejściem. Innym powodem do obaw jest ryzyko naruszeń danych i skompromitowania prywatności pacjentów. Duże modele języka szkolone na chronionych danych mogą potencjalnie przeciekać dane źródłowe, co stanowi znaczące zagrożenie dla prywatności pacjentów. Organizacje opieki zdrowotnej muszą znaleźć sposoby, aby chronić dane pacjentów i zapobiec naruszeniom, aby utrzymać zaufanie i poufność. Bias w danych szkoleniowych jest również kluczowym wyzwaniem, które musi być rozwiązane. Aby uniknąć tendencyjnych modeli, lepsze metody muszą zostać wprowadzone, aby uniknąć tendencyjności w danych szkoleniowych. Jest to kluczowe, aby rozwijać szkolenia i podejścia akademickie, które umożliwiają lepsze szkolenie modeli i włączają równość we wszystkich aspektach opieki zdrowotnej, aby uniknąć tendencyjności.

Użycie sztucznej inteligencji otworzyło wiele nowych obaw i granic innowacji. Dalsze badania są potrzebne, aby znaleźć, gdzie prawdziwa korzyść kliniczna może być znaleziona w użyciu sztucznej inteligencji. Aby rozwiązać te wyzwania i obawy etyczne, organizacje dostawców opieki zdrowotnej i firmy oprogramowania muszą skupić się na tworzeniu zestawów danych, które dokładnie modelują dane opieki zdrowotnej, zapewniając anonimowość i chroniąc prywatność. Ponadto, partnerstwa między dostawcami opieki zdrowotnej, systemami i firmami technologicznymi muszą zostać ustanowione, aby wprowadzić narzędzia sztucznej inteligencji do praktyki w bezpieczny i przemyślany sposób. Rozwiązując te wyzwania, organizacje opieki zdrowotnej mogą wykorzystać potencjał sztucznej inteligencji, utrzymując przy tym bezpieczeństwo pacjentów, prywatność i sprawiedliwość.