Deblocarea posibilităților noi în sănătate cu AI

Sănătatea în Statele Unite se află în primele etape ale unei perturbări semnificative potențiale datorită utilizării învățării automate și a inteligenței artificiale. Această schimbare a fost în desfășurare de peste un deceniu, dar cu progresele recente, pare să fie pregătită pentru schimbări mai rapide. Mai rămân multe lucruri de făcut pentru a înțelege aplicațiile cele mai sigure și mai eficiente ale IA în sănătate, pentru a construi încredere printre clinicieni în utilizarea IA și pentru a ajusta sistemul nostru de educație clinică pentru a impulsiona o utilizare mai bună a sistemelor bazate pe IA.

Aplikații ale IA în sănătate

IA a evoluat de-a lungul deceniilor în sănătate, atât în funcțiile cu care se confruntă pacienții, cât și în cele de birou. Unele dintre cele mai vechi și mai extinse lucrări au avut loc în utilizarea modelelor de învățare profundă și a viziunii computerizate.

Mai întâi, o terminologie. Abordările statistice tradiționale în cercetare – de exemplu, studii observaționale și studii clinice – au utilizat abordări de modelare axate pe populație care se bazează pe modele de regresie, în care variabilele independente sunt utilizate pentru a prezice rezultate. 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 se pot obține inferențe mai bune din date.

Inteligența artificială aduce o abordare mai nouă a prezicerii. O structură numită percepție procesează date care sunt transmise înainte rând cu 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 de la fiecare strat al rețelei, astfel încât ieșirea prezisă să corespundă 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. Rețelele neuronale convoluționale, sau CNN, au fost printre primele modele care au găsit succes în aplicații de sănătate. CNN sunt foarte bune la învățarea din imagini într-un proces numit viziune computerizată și au găsit aplicații în care datele cu imagini sunt proeminente: radiologie, examene retiniene și imagini cu piele.

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

Ce s-a observat cu rețelele neuronale, în general, este că un platou pentru îmbunătățirea învățării a fost greu de găsit. Cu alte cuvinte, dat fiind mai multe și mai multe date, rețelele neuronale continuă să învețe și să se îmbunătățească. Principalele limite ale capacității lor sunt seturi de date mai mari și mai mari și puterea de calcul pentru a antrena modelele. În sănătate, crearea unor seturi de date care protejează confidențialitatea și reprezintă cu fidelitate îngrijirea clinică reală este o prioritate cheie pentru a avansa dezvoltarea modelului.

LLM pot reprezenta o schimbare de paradigmă în aplicarea IA în sănătate. Din cauza facilității lor cu limbajul și textul, ele sunt o potrivire bună pentru înregistrările electronice, în care aproape toate datele sunt text. Ele nu necesită date puternic annotate pentru antrenament, dar pot utiliza seturi de date existente. Cele două defecte principale ale acestor modele sunt că 1) nu au un model de lume sau o înțelegere a datelor care sunt analizate (au fost numite autocomplete sofisticate) și 2) pot halucina sau confabula, inventând text sau imagini care par precise, dar care prezintă informații prezentate ca fapte.

Cazurile de utilizare care sunt explorate pentru IA includ automatizarea și augmentarea pentru citirea imaginilor de radiologie, a imaginilor retiniene și a altor date cu imagini; reducerea efortului și îmbunătățirea acurateței documentației clinice, o sursă majoră de arsură a clinicienilor; o comunicare mai bună și mai empatică cu pacienții; și îmbunătățirea eficienței funcțiilor de birou, cum ar fi ciclul de venituri, operațiunile și facturarea.

Exemple din lumea reală

IA a fost introdusă treptat în îngrijirea clinică în general. De obicei, utilizarea cu succes a IA a urmat după studii peer-review ale performanței care au demonstrat succesul și, în unele cazuri, aprobarea FDA pentru utilizare.

Printre primele cazuri de utilizare în care IA funcționează bine au fost detectarea bolilor de către IA în imagini de examinare retiniană și radiologie. Pentru examenele retiniene, literatura publicată cu privire la performanța acestor modele a fost urmată de implementarea fundoscopiei automate pentru a detecta bolile retiniene în mediul ambulatoriu. Studii despre segmentarea imaginilor, cu multe succese publicate, au dus la multiple soluții software care oferă suport decizional pentru radiologi, reducând erorile și detectarea anomaliilor pentru a face fluxurile de lucru ale radiologilor mai eficiente.

Noile modele de limbaj mare sunt explorate pentru asistență cu fluxurile de lucru clinice. Vocea ambientală este utilizată pentru a îmbunătăți utilizarea înregistrărilor electronice de sănătate (EHR). În prezent, scriitorii IA sunt implementați pentru a ajuta la documentația medicală. Acest lucru permite medicilor să se concentreze asupra pacienților, în timp ce IA se ocupă de procesul de documentare, îmbunătățind eficiența și acuratețea.

În plus, spitalele și sistemele de sănătate pot utiliza capacitățile de modelare predictivă ale IA pentru a stratifica pacienții în funcție de risc, identificând pacienții care sunt la risc ridicat sau în creștere și determinând cel mai bun curs de acțiune. De fapt, capacitățile de detectare a clusterelor IA sunt utilizate din ce în ce mai mult în cercetare și îngrijire clinică pentru a identifica pacienții cu caracteristici similare și a determina cursul obișnuit de acțiune clinică pentru ei. Acest lucru poate permite, de asemenea, încercări clinice virtuale sau simulate pentru a determina cele mai eficiente cursuri de tratament și a măsura eficacitatea lor.

Un caz de utilizare viitor poate fi utilizarea modelelor de limbaj IA în comunicarea medic-pacient. Aceste modele au fost găsite să aibă răspunsuri valabile pentru pacienți care simulează conversații empatică, făcându-le mai ușor să gestioneze interacțiunile dificile. Această aplicație a IA poate îmbunătăți semnificativ îngrijirea pacientului, oferind o triajare mai rapidă și mai eficientă a mesajelor pacienților în funcție de gravitatea afecțiunii și a mesajului.

Provocări și considerații etice

O provocare cu implementarea IA în sănătate este asigurarea conformității regulamentare, a siguranței pacienților și a eficacității clinice atunci când se utilizează instrumente IA. În timp ce studiile clinice sunt standardul pentru noi tratamente, există un dezbatere cu privire la dacă instrumentele IA ar trebui să urmeze aceeași abordare. O altă preocupare este riscul de încălcări ale datelor și compromiterea confidențialității pacienților. Modelele de limbaj mare antrenate pe date protejate pot scurge potențial datele sursă, ceea ce reprezintă o amenințare semnificativă pentru confidențialitatea pacienților. Organizațiile de sănătate trebuie să găsească modalități de a proteja datele pacienților și de a preveni încălcările pentru a menține încrederea și confidențialitatea. Prejudecățile în datele de antrenament sunt, de asemenea, o provocare critică care trebuie abordată. Pentru a evita modelele prejudecate, trebuie introduse metode mai bune pentru a evita prejudecățile în datele de antrenament. Este crucial să se dezvolte abordări de formare și academice care să permită o mai bună formare a modelului și să includă echitatea în toate aspectele sănătății pentru a evita prejudecățile.

Utilizarea IA a deschis o serie de noi preocupări și frontiere pentru inovare. Mai multe studii sunt necesare pentru a determina unde poate fi găsit adevăratul beneficiu clinic în utilizarea IA. Pentru a aborda aceste provocări și preocupări etice, organizațiile de furnizori de sănătate și companiile de software trebuie să se concentreze pe dezvoltarea de seturi de date care să reprezinte cu fidelitate datele de sănătate, asigurând în același timp anonimitatea și protejând confidențialitatea. În plus, trebuie stabilite parteneriate între furnizorii de sănătate, sisteme și companii de tehnologie/software pentru a aduce instrumentele IA în practică într-un mod sigur și gândit. Prin abordarea acestor provocări, organizațiile de sănătate pot valorifica potențialul IA, menținând în același timp siguranța, confidențialitatea și echitatea pacienților.