Deblocați noi posibilități în asistența medicală cu AI

Asistența medicală din Statele Unite se află în stadiile incipiente ale unei posibile perturbări semnificative din cauza utilizării învățării automate și a inteligenței artificiale. Această schimbare este în curs de peste un deceniu, dar, odată cu progresele recente, pare pregătită pentru schimbări mai rapide. Rămâne mult de făcut pentru a înțelege cele mai sigure și eficiente aplicații ale AI în asistența medicală, pentru a construi încrederea în rândul medicilor în utilizarea AI și pentru a ajusta sistemul nostru de educație clinică pentru a stimula o mai bună utilizare a sistemelor bazate pe AI.

Aplicații ale inteligenței artificiale în domeniul sănătății

Inteligența artificială a evoluat de zeci de ani în domeniul asistenței medicale, atât în ​​​​funcțiile orientate către pacient, cât și în cele de back-office. Unele dintre cele mai vechi și mai extinse lucrări au avut loc în utilizarea modelelor de învățare profundă și de viziune pe computer.

În primul rând, ceva terminologie. Abordările statistice tradiționale în cercetare – de exemplu studii observaționale și studii clinice – au folosit abordări de modelare axate pe populație care se bazează pe modele de regresie, în care variabile independente sunt utilizate pentru a prezice rezultatele. În aceste abordări, deși mai multe date sunt mai bune, există un efect de platou în care peste o anumită dimensiune a setului de date, nu pot fi obținute inferențe mai bune din date.

Inteligența artificială aduce o abordare mai nouă a predicției. O structură numită perceptron procesează datele care sunt transmise înainte pe rând și este creată ca o rețea de straturi de ecuații diferențiale pentru a modifica datele de intrare, pentru a produce o ieșire. În timpul antrenamentului, fiecare rând de date pe măsură ce trece prin rețea – numită rețea neuronală – modifică ecuațiile la fiecare strat al rețelei, astfel încât rezultatul prezis să se potrivească cu ieșirea reală. Pe măsură ce datele dintr-un set de antrenament sunt procesate, rețeaua neuronală învață cum să prezică rezultatul.

Există mai multe tipuri de rețele. Rețele neuronale convoluționale, sau CNN-urile, au fost printre primele modele care au găsit succes în aplicatii de asistenta medicala. CNN-urile sunt foarte bune pentru a învăța din imagini într-un proces numit viziune computerizată și au găsit aplicații în care datele de imagine sunt proeminente: radiologie, examene retiniene și imagini ale pielii.

Un tip de rețea neuronală mai nou numit arhitectura transformatorului a devenit o abordare dominantă datorită succesului său incredibil pentru text și combinații de text și imagini (numite și date multimodale). Rețelele neuronale transformatoare sunt excepționale atunci când li se oferă un set de text, la prezicerea textului ulterior. O aplicație a arhitecturii transformatorului este Modelul de limbaj mare sau LLM. Mai multe exemple comerciale de LLM includ Chat GPT, Anthropics Claude și Metas Llama 3.

Ceea ce s-a observat cu rețelele neuronale, în general, este că un platou pentru îmbunătățirea învățării a fost greu de găsit. Cu alte cuvinte, având în vedere tot mai multe date, rețelele neuronale continuă să învețe și să se îmbunătățească. Principalele limite ale capacității lor sunt seturi de date din ce în ce mai mari și puterea de calcul pentru antrenarea modelelor. În domeniul sănătății, crearea de seturi de date care protejează confidențialitatea care reprezintă cu fidelitate îngrijirea clinică adevărată este o prioritate cheie pentru dezvoltarea modelului.

LLM-urile pot reprezenta o schimbare de paradigmă în aplicarea AI pentru asistența medicală. Datorită facilității lor cu limba și textul, acestea se potrivesc bine cu înregistrările electronice în care aproape toate datele sunt text. De asemenea, nu necesită date foarte adnotate pentru antrenament, dar pot folosi seturi de date existente. Cele două defecte principale ale acestor modele sunt că 1) nu au un model mondial sau o înțelegere a datelor care sunt analizate (au fost numite autocompletare fantezie) și 2) pot halucina sau confabula, alcătuind text sau imagini care par precise, dar care creează informații prezentate ca fapte.

Cazurile de utilizare explorate pentru AI includ automatizarea și creșterea citirii imaginilor radiologice, imaginilor retiniene și alte date de imagine; reducerea efortului și îmbunătățirea acurateței documentației clinice, o sursă majoră de epuizare a clinicianului; comunicare mai bună, mai empatică, pacient; și îmbunătățirea eficienței funcțiilor de back-office, cum ar fi ciclul de venituri, operațiuni și facturare.

Exemple din lumea reală

AI a fost introdusă treptat în îngrijirea clinică în general. În mod obișnuit, utilizarea cu succes a AI a urmat teste de performanță evaluate de colegi care au demonstrat succes și, în unele cazuri, aprobarea FDA pentru utilizare.

Printre cele mai timpurii cazuri de utilizare în care AI funcționează bine s-au numărat AI detectarea bolii în imaginile examenului retinian și radiologie. Pentru examenele retiniene, literatura publicată privind performanța acestor modele a fost urmată de desfășurarea fundoscopiei automate pentru a detecta boala retinei în ambulatori. Studiile de segmentare a imaginilor, cu multe succese publicate, au condus la multiple soluții software care oferă suport decizional radiologilor, reducând erorile și detectarea anomaliilor pentru a face fluxurile de lucru ale radiologilor mai eficiente.

Modele de limbă mari mai noi sunt explorate pentru asistență în fluxurile de lucru clinice. Vocea ambientală este folosită pentru a îmbunătăți utilizarea înregistrărilor electronice de sănătate (EHR). În prezent, scribii AI sunt implementați pentru a ajuta la documentația medicală. Acest lucru le permite medicilor să se concentreze asupra pacienților, în timp ce AI se ocupă de procesul de documentare, îmbunătățind eficiența și acuratețea.

În plus, spitalele și sistemele de sănătate pot folosi capacitățile de modelare predictivă ale inteligenței artificiale pentru a stratifica riscul pacienților, identificând pacienții care prezintă un risc ridicat sau în creștere și determinând cel mai bun curs de acțiune. De fapt, capacitățile de detectare a clusterelor AI sunt din ce în ce mai utilizate în cercetare și îngrijire clinică pentru a identifica pacienții cu caracteristici similare și pentru a determina cursul tipic de acțiune clinică pentru aceștia. Acest lucru poate activa, de asemenea studii clinice virtuale sau simulate pentru a determina cele mai eficiente cursuri de tratament și pentru a măsura eficacitatea acestora.

Un viitor caz de utilizare poate fi utilizarea modelelor de limbaj bazate pe inteligență artificială în comunicarea medic-pacient. S-a constatat că aceste modele au răspunsuri valide pentru pacienți care simulează conversații empatice, facilitând gestionarea interacțiunilor dificile. Această aplicație de inteligență artificială poate îmbunătăți considerabil îngrijirea pacientului, oferind un triaj mai rapid și mai eficient al mesajelor pacientului, pe baza severității stării și mesajului acestora.

Provocări și considerații etice

O provocare cu implementarea AI în asistența medicală este asigurarea conformității cu reglementările, siguranța pacienților și eficacitatea clinică atunci când se utilizează instrumente AI. În timp ce studiile clinice sunt standardul pentru noile tratamente, există o dezbatere cu privire la dacă instrumentele AI ar trebui să urmeze aceeași abordare. O altă îngrijorare este riscul încălcării datelor și a confidențialității pacientului. Modelele lingvistice mari instruite pe date protejate pot eventual scurge date sursă, ceea ce reprezintă o amenințare semnificativă pentru confidențialitatea pacientului. Organizațiile din domeniul sănătății trebuie să găsească modalități de a proteja datele pacienților și de a preveni încălcările pentru a menține încrederea și confidențialitatea. Prejudecățile în datele de formare este, de asemenea, o provocare critică care trebuie abordată. Pentru a evita modelele părtinitoare, trebuie introduse metode mai bune pentru a evita părtinirea datelor de antrenament. Este esențial să se dezvolte abordări de formare și academice care să permită o formare mai bună model și să includă echitatea în toate aspectele asistenței medicale pentru a evita părtinirea.

Utilizarea inteligenței artificiale a deschis o serie de preocupări și frontiere noi pentru inovare. Este necesar un studiu suplimentar pentru a afla unde poate fi găsit un beneficiu clinic real în utilizarea IA. Pentru a aborda aceste provocări și preocupări etice, organizațiile furnizorilor de servicii medicale și companiile de software trebuie să se concentreze pe dezvoltarea de seturi de date care modelează cu acuratețe datele din domeniul sănătății, asigurând în același timp anonimatul și protejând confidențialitatea. În plus, trebuie stabilite parteneriate între furnizorii de servicii medicale, sisteme și companii de tehnologie/software pentru a pune în practică instrumentele AI într-un mod sigur și atent. Abordând aceste provocări, organizațiile din domeniul sănătății pot valorifica potențialul AI, menținând în același timp siguranța, confidențialitatea și corectitudinea pacienților.