Odblokowanie nowych możliwości w opiece zdrowotnej z wykorzystaniem sztucznej inteligencji

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

Zastosowania sztucznej inteligencji w ochronie zdrowia

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

Po pierwsze, kilka terminologii. Tradycyjne statystyczne podejścia w badaniach – np. obserwacyjne studium przypadków i badania kliniczne – wykorzystywały podejścia modelowania zorientowanego na populację, które opierają się na modelach regresji, w których niezależne zmienne są używane do przewidywania wyników. W tych podejściach, chociaż więcej danych jest lepsze, istnieje efekt plateau, w którym powyżej pewnej wielkości zestawu danych, nie można uzyskać lepszych inferencji z danych.

Sztuczna inteligencja wprowadza nowe podejście do przewidywania. Struktura zwana perceptronem przetwarza dane, które są przekazywane do przodu wiersz po wierszu, i jest tworzona jako sieć warstw równań różniczkowych, które modyfikują dane wejściowe, aby wyprodukować wyjście. Podczas treningu, 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 treningowym są przetwarzane, sieć neuronowa uczy się, jak przewidywać wynik.

Istnieje kilka typów sieci. Sieci neuronowe konwolucyjne, 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 skóry.

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 zwanych danymi multimodalnymi). Sieci neuronowe transformatora są wyjątkowe, gdy otrzymują zestaw tekstu, przewidując następny tekst. Jednym z zastosowań architektury transformatora jest Duży Model Języka lub LLM. Wiele komercyjnych przykładów LLM obejmuje Chat GPT, Anthropics Claude i Metas Llama 3.

Co zostało zaobserwowane w sieciach neuronowych, ogólnie, to to, że plateau dla poprawy w uczeniu się było trudne do znalezienia. Innymi słowy, im więcej danych, sieci neuronowe kontynuują uczenie się i poprawę. Głównymi limitami ich możliwości są coraz większe zestawy danych i moc obliczeniowa do treningu modeli. W ochronie zdrowia, tworzenie zestawów danych, które chronią prywatność i wiernie odzwierciedlają prawdziwą opiekę kliniczną, jest kluczowym priorytetem, aby rozwinąć rozwój modelu.

LLM może reprezentować zmianę paradygmatu w zastosowaniu sztucznej inteligencji w ochronie zdrowia. Ze względu na ich umiejętność języka i tekstu, są one dobrym dopasowaniem do elektronicznych rekordów, w których prawie wszystkie dane są tekstowe. Nie wymagają również wysoko adnotowanych danych do treningu, ale mogą korzystać z istniejących zestawów danych. Dwa główne błędy tych modeli to 1) nie mają modelu świata ani zrozumienia danych, które są analizowane (zostały nazwane fancy autocomplete), i 2) mogą halucynować lub konfabulować, tworząc tekst lub obrazy, które wydają się dokładne, ale tworzą prezentowane informacje 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 biura, takich jak cykl przychodu, operacje i rozliczenia.

Rzeczywiste przykłady

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

Wśród najwcześniejszych przypadków użycia, w których sztuczna inteligencja działa dobrze, jest wykrywanie chorób w badaniach siatkówki i radiologii. Dla badań siatkówki, opublikowana literatura na temat wydajności tych modeli została następnie wdrożona do automatycznego badania siatkówki w celu wykrycia chorób siatkówki w środowisku ambulatoryjnym. Studium segmentacji obrazu, z wieloma opublikowanymi sukcesami, doprowadziło do kilku rozwiązań oprogramowania, które zapewniają wsparcie decyzyjne dla radiologów, redukując błędy i wykrywając anomalie, aby uczynić przepływ pracy radiologów bardziej wydajnym.

Nowe duże modele języka są badane w celu pomocy w przepływach klinicznych. Ambient voice jest używany do ulepszania użycia Elektronicznych Rekordów Zdrowia (EHR). Obecnie sztuczna inteligencja jest wdrażana do pomocy w dokumentacji medycznej. Pozwala to lekarzom skupić się na pacjentach, podczas gdy sztuczna inteligencja zajmuje się procesem dokumentacji, poprawiając wydajność i dokładność.

Ponadto szpitale i systemy opieki zdrowotnej mogą korzystać z możliwości modelowania predykcyjnego sztucznej inteligencji, aby stratyfikować pacjentów pod kątem ryzyka, 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. Może to również umożliwić wirtualne lub symulowane badania kliniczne, aby określić najbardziej skuteczne kursy leczenia i zmierzyć 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 nad pacjentami, 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 ochronie zdrowia jest zapewnienie zgodności regulacyjnej, bezpieczeństwa pacjentów i skuteczności klinicznej przy użyciu narzędzi sztucznej inteligencji. Chociaż badania kliniczne są standardem dla nowych leczeń, istnieje debata na temat tego, czy narzędzia sztucznej inteligencji powinny podążać tym samym podejściem. Innym problemem jest ryzyko naruszeń danych i skompromitowania prywatności pacjentów. Duże modele języka szkolone na chronionych danych mogą potencjalnie ujawnić dane źródłowe, co stanowi znaczące zagrożenie dla prywatności pacjentów. Organizacje opieki zdrowotnej muszą znaleźć sposoby ochrony danych pacjentów i zapobiegania naruszeniom, aby utrzymać zaufanie i poufność. Niesprawiedliwość w danych szkoleniowych jest również kluczowym wyzwaniem, które musi być rozwiązane. Aby uniknąć tendencyjnych modeli, należy wprowadzić lepsze metody uniknięcia tendencyjności w danych szkoleniowych. Jest to niezbędne do rozwoju szkoleń i podejść akademickich, które umożliwiają lepsze szkolenie modeli i włączają równość we wszystkich aspektach opieki zdrowotnej, aby uniknąć tendencyjności.

Użycie sztucznej inteligencji otworzyło wiele nowych problemów i granic innowacji. Dalsze badanie, gdzie prawdziwa korzyść kliniczna może być znaleziona w użyciu sztucznej inteligencji, jest potrzebne. Aby rozwiązać te wyzwania i problemy 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 / oprogramowania muszą być ustanowione, aby wprowadzić narzędzia sztucznej inteligencji do praktyki w bezpieczny i przemyślany sposób. Rozwiązując te wyzwania, organizacje opieki zdrowotnej mogą wykorzystać potencjał sztucznej inteligencji, jednocześnie utrzymując bezpieczeństwo pacjentów, prywatność i sprawiedliwość. ally, partnerstwa między dostawcami opieki zdrowotnej, systemami i firmami technologicznymi / oprogramowania muszą być ustanowione, aby wprowadzić narzędzia sztucznej inteligencji do praktyki w bezpieczny i przemyślany sposób. Przez rozwiązanie tych wyzwań, organizacje opieki zdrowotnej mogą wykorzystać potencjał sztucznej inteligencji, jednocześnie utrzymując bezpieczeństwo pacjentów, prywatność i sprawiedliwość.