Deblocarea de noi posibilități în sănătate cu ajutorul inteligenței artificiale

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 multă muncă rămâne de făcut pentru a înțelege cele mai sigure și mai eficiente aplicații ale inteligenței artificiale în sănătate, pentru a construi încredere printre clinicieni în utilizarea inteligenței artificiale și pentru a ajusta sistemul nostru de educație clinică pentru a promova o utilizare mai bună a sistemelor bazate pe inteligență artificială.

Aplicații ale inteligenței artificiale în sănătate

Inteligența artificială a evoluat de-a lungul deceniilor în sănătate, atât în funcțiile care implică pacienții, 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 a viziunii computaționale.

Mai întâi, câteva noțiuni de bază. 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 nouă pentru prezicere. O structură numită perceptron 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 convolutive, sau CNN-urile, au fost printre primele modele care au avut succes în aplicații de sănătate. CNN-urile sunt foarte bune la învățarea din imagini într-un proces numit viziune computațională și au găsit aplicații în care datele cu imagini sunt proeminente: radiologie, examene retiniene și imagini cu piele.

Un tip 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 și date multimodale). Rețelele neuronale transformer sunt excepționale atunci când li se dă un set de text, la prezicerea textului ulterioară. O aplicație a arhitecturii transformer este Modelul de limbaj mare sau LLM. Mai multe exemple comerciale de LLM-uri 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 seturile de date mai mari și mai mari și puterea de calcul pentru a antrena modelele. În sănătate, crearea de seturi de date care protejează confidențialitatea și reprezintă cu fidelitate îngrijirea clinică reală este o prioritate cheie pentru a avansa dezvoltarea modelului.

LLM-urile pot reprezenta o schimbare de paradigmă în aplicarea inteligenței artificiale în sănătate. Deoarece au facilități 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 creează informații prezentate ca fapte.

Cazurile de utilizare care sunt explorate pentru inteligența artificială includ automatizarea și îmbunătățirea citirii 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 a pacienților; și îmbunătățirea eficienței funcțiilor de back-office, cum ar fi ciclul de venituri, operațiunile și facturarea.

Exemple din lumea reală

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

Printre primele cazuri de utilizare în care inteligența artificială funcționează bine au fost detectarea bolilor 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 medii ambulatorii. Studii despre segmentarea imaginilor, cu multe succese publicate, au dus la multiple soluții software care oferă suport decizional pentru radiologi, reducând erorile și detectând anomaliile 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, asistenții inteligenți sunt implementați pentru a ajuta la documentarea medicală. Acest lucru permite medicilor să se concentreze asupra pacienților, în timp ce inteligența artificială se ocupă de procesul de documentare, îmbunătățind eficiența și acuratețea.

În plus, spitalele și sistemele de sănătate pot utiliza capacitățile de modelare predictivă ale inteligenței artificiale pentru a stratifica pacienții pe baza riscului, 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 ale inteligenței artificiale 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 aceștia. Acest lucru poate permite, de asemenea, încercări clinice virtuale sau simulate pentru a determina cele mai eficiente cursuri de tratament și a măsura eficacitatea acestora.

Un caz de utilizare viitor poate fi utilizarea modelelor de limbaj bazate pe inteligență artificială în comunicarea medic-pacient. Aceste modele au fost găsite să aibă răspunsuri valabile pentru pacienți care simulează conversații empatică, făcându-le mai ușor de gestionat interacțiunile dificile. Această aplicație a inteligenței artificiale poate îmbunătăți semnificativ îngrijirea pacienților, 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 inteligenței artificiale în sănătate este asigurarea conformității cu reglementările, siguranței pacienților și eficacității clinice atunci când se utilizează instrumente de inteligență artificială. În timp ce încercările clinice sunt standardul pentru tratamentele noi, există o dezbatere cu privire la faptul dacă instrumentele de inteligență artificială 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 potențial scurge 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 încălcări pentru a menține încrederea și confidențialitatea. Prejudecățile în datele de antrenament sunt, de asemenea, o provocare critică care trebuie abordată. Pentru a evita modelele cu prejudecăți, trebuie introduse metode mai bune pentru a evita prejudecățile în datele de antrenament. Este esențial să se dezvolte abordări de antrenament și academice care să permită o mai bună formare a modelelor și să incorporeze echitatea în toate aspectele sănătății pentru a evita prejudecățile.

Utilizarea inteligenței artificiale a deschis o serie de noi preocupări și frontiere pentru inovare. Mai multe studii sunt necesare pentru a găsi beneficiile clinice reale în utilizarea inteligenței artificiale. 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, parteneriatele între furnizorii de sănătate, sisteme și companii de tehnologie/software trebuie să fie stabilite pentru a aduce instrumentele de inteligență artificială în practică într-un mod sigur și gândit. Prin abordarea acestor provocări, organizațiile de sănătate pot valorifica potențialul inteligenței artificiale, menținând în același timp siguranța, confidențialitatea și echitatea pacienților.