Раскрытие новых возможностей в здравоохранении с помощью ИИ

Здравоохранение в Соединенных Штатах находится на ранних этапах значительного потенциального нарушения из-за использования машинного обучения и искусственного интеллекта. Этот сдвиг происходит более десяти лет, но с недавними достижениями, кажется, готов к более быстрым изменениям. Много работы предстоит сделать, чтобы понять самые безопасные и эффективные применения ИИ в здравоохранении, чтобы построить доверие среди клиницистов в использовании ИИ, и чтобы скорректировать нашу систему клинического образования, чтобы лучше использовать системы на основе ИИ.

Применения ИИ в здравоохранении

ИИ эволюционирует десятилетиями в здравоохранении, как в функциях, ориентированных на пациентов, так и в функциях бэк-офиса. Некоторые из самых ранних и обширных работ произошли в использовании моделей глубокого обучения и компьютерного зрения.

Сначала, некоторые терминологии. Традиционные статистические подходы в исследованиях – например, наблюдательные исследования и клинические испытания – использовали подходы моделирования, ориентированные на население, которые полагаются на модели регрессии, в которых независимые переменные используются для прогнозирования результатов. В этих подходах, хотя больше данных лучше, существует эффект плато, при котором выше определенного размера набора данных не могут быть получены лучшие выводы из данных.

Искусственный интеллект предлагает новый подход к прогнозированию. Структура, называемая перцептроном, обрабатывает данные, которые передаются вперед ряд за рядом, и создается как сеть слоев дифференциальных уравнений для модификации входных данных, чтобы произвести выход. Во время обучения каждая строка данных, когда она проходит через сеть – называемую нейронной сетью – модифицирует уравнения на каждом слое сети так, чтобы прогнозируемый выход соответствовал фактическому выходу. Когда данные в наборе обучения обрабатываются, нейронная сеть учится, как прогнозировать результат.

Существует несколько типов сетей. Свёрточные нейронные сети, или CNN, были среди первых моделей, которые нашли успех в приложениях здравоохранения. CNN очень хорошо учатся на изображениях в процессе, называемом компьютерным зрением, и нашли приложения, где доминируют изображения: радиология, проверки сетчатки и изображения кожи.

Более новый тип нейронной сети, называемый архитектурой трансформера, стал доминирующим подходом благодаря его невероятному успеху для текста и комбинаций текста и изображений (также называемых многомодальными данными). Трансформерные нейронные сети исключительны, когда им дан набор текста, для прогнозирования последующего текста. Одним из приложений архитектуры трансформера является Большая языковая модель или LLM. Множественные коммерческие примеры LLM включают Chat GPT, Anthropics Claude и Metas Llama 3.

Что было наблюдаемо с нейронными сетями в целом, так это то, что плато для улучшения обучения было трудно найти. Другими словами, при наличии все большего и большего количества данных нейронные сети продолжают учиться и улучшаться. Основные ограничения их возможностей – это все более крупные наборы данных и вычислительная мощность для обучения моделей. В здравоохранении создание наборов данных, защищающих конфиденциальность, которые верно представляют истинную клиническую помощь, является ключевым приоритетом для продвижения разработки моделей.

LLM может представлять собой парадигмальный сдвиг в применении ИИ для здравоохранения. Поскольку они хорошо справляются с языком и текстом, они хорошо подходят для электронных записей, в которых почти все данные представлены в виде текста. Они также не требуют высокоаннотированных данных для обучения, но могут использовать существующие наборы данных. Два основных недостатка этих моделей заключаются в том, что 1) у них нет модели мира или понимания данных, которые анализируются (их называли “фантазийным автозаполнением”), и 2) они могут галлюцинировать или фабриковать, выдумывая текст или изображения, которые кажутся точными, но представляют информацию как факт.

Случаи использования, которые исследуются для ИИ, включают автоматизацию и дополнение для чтения радиологических изображений, изображений сетчатки и других изображений; снижение усилий и улучшение точности клинической документации, которая является значительным источником выгорания клиницистов; лучшую, более эмпатичную, коммуникацию с пациентами; и улучшение эффективности функций бэк-офиса, таких как цикл выручки, операции и выставление счетов.

Реальные примеры

ИИ был постепенно введен в клиническую помощь в целом. Обычно успешное использование ИИ следовало за рецензированными испытаниями производительности, которые продемонстрировали успех, и в некоторых случаях получили одобрение FDA для использования.

Среди самых ранних случаев, в которых ИИ работает хорошо, были обнаружение заболеваний ИИ в изображениях проверки сетчатки и радиологии. Для проверок сетчатки опубликованная литература о производительности этих моделей была последuida за развертыванием автоматизированной фундоскопии для обнаружения заболеваний сетчатки в амбулаторных условиях. Исследования сегментации изображений, с множественными опубликованными успехами, привели к множественным программным решениям, которые предоставляют поддержку решений для радиологов, снижая ошибки и обнаруживая аномалии, чтобы сделать рабочие процессы радиологов более эффективными.

Новые крупные языковые модели исследуются для помощи в клинических рабочих процессах. Голосовая среда используется для улучшения использования Электронных записей здоровья (ЭЗ). В настоящее время ИИ-писари реализуются для помощи в медицинской документации. Это позволяет врачам сосредоточиться на пациентах, а ИИ занимается процессом документации, улучшая эффективность и точность.

Кроме того, больницы и системы здравоохранения могут использовать возможности ИИ по прогнозированию модели для стратификации риска пациентов, выявления пациентов, которые находятся в группе высокого или увеличивающегося риска, и определения лучшего курса действий. Фактически, возможности ИИ по обнаружению кластеров все чаще используются в исследованиях и клинической помощи для выявления пациентов с подобными характеристиками и определения типичного курса клинических действий для них. Это также может позволить виртуальным или симулированным клиническим испытаниям для определения наиболее эффективных курсов лечения и измерения их эффективности.

Будущий случай использования может быть использование ИИ-языковых моделей в коммуникации врача и пациента. Эти модели были найдены с действительными ответами для пациентов, которые имитируют эмпатичные разговоры, что делает проще управление трудными взаимодействиями. Это применение ИИ может значительно улучшить уход за пациентами, предоставляя более быструю и эффективную триаж пациентских сообщений на основе тяжести их состояния и сообщения.

Проблемы и этические соображения

Одной из проблем при внедрении ИИ в здравоохранении является обеспечение соблюдения нормативных требований, безопасности пациентов и клинической эффективности при использовании инструментов ИИ. Хотя клинические испытания являются стандартом для новых методов лечения, существует дискуссия о том, должны ли инструменты ИИ следовать одному и тому же подходу. Другой проблемой является риск утечки данных и компрометации конфиденциальности пациентов. Крупные языковые модели, обученные на защищенных данных, потенциально могут утечь исходные данные, что представляет значительную угрозу конфиденциальности пациентов. Организации здравоохранения должны найти способы защиты данных пациентов и предотвращения утечек, чтобы сохранить доверие и конфиденциальность. Предвзятость в обучающих данных также является критической проблемой, которая должна быть решена. Чтобы избежать предвзятых моделей, необходимо ввести лучшие методы для предотвращения предвзятости в обучающих данных. Необходимо разработать обучение и академические подходы, которые позволяют лучше обучать модели и включать справедливость во все аспекты здравоохранения, чтобы избежать предвзятости.

Использование ИИ открыло много новых проблем и рубежей для инноваций. Необходимо дальнейшее изучение того, где может быть найдена真正ая клиническая польза от использования ИИ. Чтобы решить эти проблемы и этические соображения, организации поставщиков медицинских услуг и компании по разработке программного обеспечения должны сосредоточиться на разработке наборов данных, которые точно моделируют данные здравоохранения, обеспечивая анонимность и защиту конфиденциальности. Кроме того, необходимо установить партнерства между поставщиками медицинских услуг, системами и компаниями по разработке программного обеспечения, чтобы внедрить инструменты ИИ в практику безопасным и вдумчивым образом. Решая эти проблемы, организации здравоохранения могут использовать потенциал ИИ, сохраняя при этом безопасность, конфиденциальность и справедливость пациентов.