Раскрытие новых возможностей в здравоохранении с помощью ИИ

Здравоохранение в США находится на ранней стадии 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 остается сделать, чтобы понять самые безопасные и эффективные применения ИИ в здравоохранении, построить доверие среди клиницистов в использовании ИИ и 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 термины. Традиционные статистические подходы в исследованиях – например, наблюдательные исследования и клинические испытания – использовали подходы к моделированию, 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 персептроном, обрабатывает данные, которые передаются вперед по строке за раз, 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 – изменяет уравнения на каждом слое сети, 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 применения, где данные изображений являются доминирующими: радиология, обследования 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 применений архитектуры трансформера является Большая языковая модель или LLM. Множество коммерческих примеров LLM включает Chat GPT, Anthropics Claude и Metas Llama 3.

Что было наблюдено с нейронными сетями в целом, так это то, что плато для улучшения обучения было трудно найти. Другими словами, данные нейронные сети продолжают учиться и улучшаться. Основные ограничения их возможностей – это все более и более большие наборы данных и вычислительная мощность для обучения моделей. В здравоохранении создание наборов данных, защищающих конфиденциальность, которые верно представляют настоящую 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 являются текстом. Они также не требуют высокоаннотированных данных для обучения, но могут использовать существующие наборы данных. Два основных недостатка этих моделей – 1) они не имеют модели мира или понимания данных, которые анализируются (их называют модными автозаполнениями), и 2) они могут галлюцинировать или фабриковать, выдумывая текст или изображения, которые кажутся точными, но создают представляемую 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 доходов, операции и выставление счетов.

Реальные примеры

ИИ постепенно вводится 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 использования, в которых ИИ работает хорошо, были обнаружение заболеваний в изображениях сетчатки и радиологии. Для обследований сетчатки опубликованная литература о производительности этих моделей была последuida развертыванием автоматизированной фондоскопии для обнаружения заболеваний сетчатки в амбулаторных условиях. Исследования сегментации изображений, с множественными опубликованными успехами, привели к нескольким программным решениям, которые предоставляют поддержку решений для радиологов, снижая ошибки и обнаруживая аномалии, чтобы сделать рабочие процессы радиологов более эффективными.

Новые большие языковые модели исследуются для помощи в клинических рабочих процессах. Амбиентный голос 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 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 похожими 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 более легким 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.

Вызовы и этические соображения

Одним из вызовов реализации 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 нарушения конфиденциальности пациентов. Большие 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 критическим вызовом, который необходимо решить. 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 множество новых проблем и рубежей для инноваций. Необходимо дальнейшее изучение того, где真正ая клиническая польза может быть найдена в использовании ИИ. Чтобы решить эти вызовы и этические проблемы, организации поставщиков медицинской помощи и компании по разработке программного обеспечения должны сосредоточиться на разработке наборов данных, которые точно моделируют данные здравоохранения, обеспечивая анонимность и защиту конфиденциальности. Кроме того, партнерства между поставщиками медицинской помощи, системами и компаниями по разработке программного обеспечения должны быть установлены, чтобы ввести инструменты ИИ в практику в безопасной и вдумчивой манере. Решая эти вызовы, организации здравоохранения могут использовать потенциал ИИ, сохраняя при этом безопасность пациентов, конфиденциальность и справедливость.