AI är till för att komplettera, inte ersätta läkare – tankeledare

Av: Doug Teany, innovationsrådgivare och före detta COO för Corindus

AI och dess tillämpningar inom hälso- och sjukvården har mognat avsevärt under de senaste åren. AI-teknologier är mer tillgängliga för hälso- och sjukvårdspersonal än någonsin tidigare och de erbjuder enorma möjligheter inom hälso- och sjukvården, särskilt inom komplicerade robotassisterade ingrepp som kräver en exceptionell mängd insikt och förutseende från läkare. Tyvärr finns det fortfarande en uppfattning att AI, som ett resultat av sin mognad, oundvikligen kommer att ersätta läkarens roll, även om detta inte kan vara mer felaktigt.

I själva verket ger AI läkare nya kunskaper och förmågor som förbättrar kliniska beslut och hjälper till att uppnå mer positiva patientresultat. Det flyttar deras uppmärksamhet från att tänka tekniskt om att manövrera en tråd genom hjärtat till att tänka mer holistiskt om fallstrategi och hur man uppnår det bästa möjliga resultatet. När AI används i robotassisterade procedurmiljöer kan det hjälpa till att bygga en encyklopedi över historisk klinisk och procedurmässig kunskap som varje läkare kan komma åt för att lösa varje fall. Genom att införa funktioner som datorseende kan AI revolutionera den nuvarande standarden för vård, utrusta läkare med ett kraftfullt verktyg som kan svara på och förhindra komplikationer innan de uppstår. Allt detta görs utan att ersätta den viktigaste aktören i processen – läkaren.

Att lägga grunden med data-driven insikt och maskinlärning

I dag förlitar sig läkare främst på personlig erfarenhet och individuella beslutsförmågor som kan variera beroende på deras utbildning, antalet procedurer de har genomfört och andra faktorer. I sin kärna introducerar AI läkare för nya data och informationsinsikter som tidigare inte var tillgängliga för dem, vilket kan vara särskilt användbart i komplicerade procedurmiljöer med robotik. I dessa fall där robotenheter är anslutna till historiska dataarkiv erbjuder AI ett oöverträffat värde genom att fylla kunskapsluckor med insikt från tusentals liknande fall. Genom att ge läkare tillgång till historisk falldata utöver deras egen erfarenhet kan de mildra en del av risken som är förknippad med dessa komplicerade procedurer.

Maskinlärning möjliggör för det robotiska systemet att lära sig från erfarenhet och anpassa sig till nya indata. I gengäld kan roboten automatisera sina rörelser för att spegla samma tekniker som används av de bästa läkarna i världen, vilket ökar chanserna att lösa utmaningar som uppstår under ett fall. Detta tillåter läkare att fokusera sin uppmärksamhet på fallstrategi och svara på komplikationer mer effektivt. Denna typ av data-driven insikt liknar hur data drastiskt förändrade landskapet för professionell baseboll i början av 2000-talet, som framhölls av utgivningen av boken Moneyball. Boken följde Oakland Athletics och chefen Billy Beane, som använde en data-driven, evidensbaserad metod för att bygga ett lag, snarare än att förlita sig på föråldrade metoder som saknade data. I sin tur var denna modell en stor framgång och utlöste en ny era av spelet driven av data.

I hälso- och sjukvården skapar en databas med procedurmässig kunskap som drivs av maskinlärning liknande insikter för läkare, utrustar dem med värdefull information som tidigare inte var tillgänglig. Förmågan att se en patient mot bakgrund av tusentals liknande fall möjliggör för läkare att fatta bättre, mer informerade beslut om hur de ska tackla ett fall.

Nästa steg: Datorseende och hög automation

AI:s fulla potential i robotassisterade procedurmiljöer förverkligas när data-driven insikt och maskinlärning kombineras med datorseende, vilket möjliggör för det robotiska systemet att intelligently identifiera och svara på situationer baserat på rik bilddata. Inom kardiovaskulära ingrepp ägnas en betydande andel av procedurens tid åt ledning av trådar, mycket av vilket är en “pröva och se”-metod för att navigera genom kärlen. Denna metod kan potentiellt leda till felplacerade medicinska enheter, såsom stentar, eller resultera i längre proceduretider som ökar strålningsexponeringen för läkare och patienter.

Men när automatiserade system fortsätter att lära sig effektiva rörelser och skapa kunskapsbaserade regler kan vi tillåta datorseende att automatisera större delar av proceduren. Datorseende möjliggör också för systemet att upptäcka komplikationer innan de inträffar, såsom när en guidtråd prolapsar, och kan automatiskt utföra korrektiva åtgärder för att leverera enheten och förhindra skada på patienten.

Viktigt är att automation, oavsett bransch, är på en skala, och bilindustrin erbjuder ett solitt exempel på detta. Många av dagens bilar har en viss grad av lågnivåautomation, såsom bromshjälp, adaptiv farthållare och körfältscentering. På den andra änden av skalan automatiserar tillverkare som Tesla (TSLA ) alla säkerhetskritiska funktioner, vilket kräver mindre handling från förare, även om förare fortfarande är nödvändiga. Samma sak gäller för automation inom hälso- och sjukvården. Till slut håller AI-driven automation läkare i förarsätet medan vissa uppgifter automatiseras, vilket tar läkarnas uppmärksamhet bort från kritiska element, såsom fallstrategi och svar på komplikationer.

AI sätter läkare i centrum

Bekymmer om AI och automation som ersätter läkare saknar helt grund och är inte baserade på en fullständig förståelse av hur hälso- och sjukvården använder AI och maskinlärning. Liksom autonoma bilar behöver en förare kommer de automatiserade ingreppen vi arbetar mot att behöva läkarens vägledning, men med den tillagda expertisen från en digital encyklopedi byggd på erfarenheterna från andra högt kvalificerade läkare från hela världen. Automation kommer att standardisera sättet procedurer utförs på en mycket hög kvalitetsnivå, vilket når det övergripande målet för robotautomation – att göra fallen säkrare, snabbare och mer effektiva samtidigt som patientens trauma minskas.