Lås upp nya möjligheter inom hälso- och sjukvården med AI

Sjukvården i USA är i ett tidigt skede av en betydande potentiell störning på grund av användningen av maskininlärning och artificiell intelligens. Denna förändring har pågått i över ett decennium, men med de senaste framstegen verkar det vara redo för snabbare förändringar. Mycket arbete återstår att göra för att förstå de säkraste och mest effektiva tillämpningarna av AI inom hälso- och sjukvården, för att bygga upp förtroende bland kliniker i användningen av AI och för att anpassa vårt kliniska utbildningssystem för att driva bättre användning av AI-baserade system.

Tillämpningar av AI i sjukvården

AI har varit under utveckling i decennier inom hälso- och sjukvården, både i patientinriktade och backoffice-funktioner. Något av det tidigaste och mest omfattande arbetet har skett i användningen av djupinlärning och datorseendemodeller.

Först lite terminologi. Traditionella statistiska tillvägagångssätt inom forskning – t.ex. observationsstudier och kliniska prövningar – har använt befolkningsfokuserade modelleringsmetoder som bygger på regressionsmodeller, där oberoende variabler används för att förutsäga utfall. I dessa tillvägagångssätt, medan mer data är bättre, finns det en platåeffekt där över en viss datamängdsstorlek, inga bättre slutsatser kan erhållas från data.

Artificiell intelligens ger ett nyare förhållningssätt till förutsägelse. En struktur som kallas perceptron bearbetar data som skickas framåt en rad i taget och skapas som ett nätverk av lager av differentialekvationer för att modifiera indata, för att producera en utdata. Under träningen modifierar varje rad med data när den passerar genom nätverket – kallat ett neuralt nätverk – ekvationerna vid varje lager i nätverket så att den förutsagda utsignalen matchar den faktiska utmatningen. När data i en träningsuppsättning bearbetas lär sig det neurala nätverket hur man förutsäger resultatet.

Det finns flera typer av nätverk. Konvolutional neurala nätverk, eller CNN, var bland de första modellerna att nå framgång i hälsovårdstillämpningar. CNN:er är mycket bra på att lära sig av bilder i en process som kallas datorseende och har hittat applikationer där bilddata är framträdande: radiologi, näthinneundersökningar och hudbilder.

En nyare typ av neurala nätverk som kallas transformatorarkitekturen har blivit ett dominerande tillvägagångssätt på grund av dess otroliga framgång för text och kombinationer av text och bilder (även kallad multimodal data). Transformatorns neurala nätverk är exceptionella när de ges en uppsättning text, för att förutsäga efterföljande text. En tillämpning av transformatorarkitekturen är Large Language Model eller LLM. Flera kommersiella exempel på LLM inkluderar Chat GPT, Anthropics Claude och Metas Llama 3.

Vad som har observerats med neurala nätverk i allmänhet är att en platå för förbättring av inlärning har varit svår att hitta. Med andra ord, med tanke på mer och mer data, fortsätter neurala nätverk att lära sig och förbättras. De huvudsakliga begränsningarna för deras förmåga är större och större datamängder och datorkraften för att träna modellerna. Inom hälso- och sjukvården är skapandet av integritetsskyddande datamängder som troget representerar verklig klinisk vård en nyckelprioritet för att utveckla modellutvecklingen.

LLMs kan representera ett paradigmskifte i tillämpningen av AI för sjukvård. På grund av deras lätthet med språk och text passar de bra till elektroniska register där nästan all data är text. De kräver inte heller mycket kommenterade data för utbildning utan kan använda befintliga datamängder. De två huvudsakliga bristerna med dessa modeller är att 1) ​​de inte har en världsmodell eller en förståelse för de data som analyseras (de har kallats fancy autocomplete), och 2) de kan hallucinera eller konfabulera, skapa text eller bilder som verkar korrekta men skapar information som presenteras som fakta.

Användningsfall som undersöks för AI inkluderar automatisering och förstärkning för läsning av röntgenbilder, näthinnebilder och annan bilddata; minska ansträngningen och förbättra noggrannheten i klinisk dokumentation, en viktig källa till utbrändhet hos läkare; bättre, mer empatisk, tålmodig kommunikation; och förbättra effektiviteten av backoffice-funktioner som intäktscykel, drift och fakturering.

Verkliga exempel

AI har införts stegvis i den kliniska vården överlag. Vanligtvis har framgångsrik användning av AI följt peer-reviewed tester av prestanda som har visat framgång och, i vissa fall, FDA-godkännande för användning.

Bland de tidigaste användningsfallen där AI fungerar bra har varit AI som upptäcker sjukdomar i näthinneundersökningsbilder och radiologi. För näthinneundersökningar har publicerad litteratur om dessa modellers prestanda följts av införandet av automatiserad fundoskopi för att upptäcka näthinnesjukdom i ambulatoriska miljöer. Studier av bildsegmentering, med många publicerade framgångar, har resulterat i flera mjukvarulösningar som ger beslutsstöd för radiologer, vilket minskar fel och upptäcka avvikelser för att göra radiologarbetsflöden mer effektiva.

Nyare stora språkmodeller undersöks för hjälp med kliniska arbetsflöden. Ambient voice används för att förbättra användningen av elektroniska hälsojournaler (EHR). För närvarande implementeras AI-skrivare för att hjälpa till med medicinsk dokumentation. Detta gör att läkare kan fokusera på patienter medan AI tar hand om dokumentationsprocessen, vilket förbättrar effektiviteten och noggrannheten.

Dessutom kan sjukhus och sjukvårdssystem använda AI:s prediktiva modelleringsmöjligheter för att riskstratifiera patienter, identifiera patienter som löper hög eller ökande risk och bestämma det bästa tillvägagångssättet. Faktum är att AI:s klusterdetekteringsmöjligheter används i allt större utsträckning inom forskning och klinisk vård för att identifiera patienter med liknande egenskaper och bestämma den typiska kliniska åtgärden för dem. Detta kan också aktivera virtuella eller simulerade kliniska prövningar för att fastställa de mest effektiva behandlingskurserna och mäta deras effektivitet.

Ett framtida användningsfall kan vara användningen av AI-drivna språkmodeller i läkare-patientkommunikation. Dessa modeller har visat sig ha giltiga svar för patienter som simulerar empatiska samtal, vilket gör det lättare att hantera svåra interaktioner. Denna tillämpning av AI kan avsevärt förbättra patientvården genom att tillhandahålla snabbare och mer effektiv triage av patientmeddelanden baserat på svårighetsgraden av deras tillstånd och meddelande.

Utmaningar och etiska överväganden

En utmaning med AI-implementering i vården är att säkerställa regelefterlevnad, patientsäkerhet och klinisk effekt vid användning av AI-verktyg. Medan kliniska prövningar är standarden för nya behandlingar, finns det en debatt om huruvida AI-verktyg ska följa samma tillvägagångssätt. En annan oro är risken för dataintrång och äventyrad patientintegritet. Stora språkmodeller som tränas på skyddad data kan potentiellt läcka källdata, vilket utgör ett betydande hot mot patienternas integritet. Sjukvårdsorganisationer måste hitta sätt att skydda patientdata och förhindra intrång för att upprätthålla förtroende och konfidentialitet. Bias i utbildningsdata är också en kritisk utmaning som måste åtgärdas. För att undvika partiska modeller måste bättre metoder för att undvika partiskhet i träningsdata införas. Det är avgörande att utveckla utbildning och akademiska tillvägagångssätt som möjliggör bättre modellutbildning och införlivar rättvisa i alla aspekter av hälso- och sjukvården för att undvika partiskhet.

Användningen av AI har öppnat ett antal nya problem och gränser för innovation. Ytterligare studier av var verklig klinisk nytta kan hittas i AI-användning behövs. För att ta itu med dessa utmaningar och etiska problem måste vårdleverantörer och programvaruföretag fokusera på att utveckla datamängder som korrekt modellerar vårddata samtidigt som anonymitet och integritet skyddas. Dessutom måste partnerskap mellan vårdgivare, system och teknik-/mjukvaruföretag etableras för att omsätta AI-verktyg i praktiken på ett säkert och genomtänkt sätt. Genom att ta itu med dessa utmaningar kan hälso- och sjukvårdsorganisationer utnyttja potentialen hos AI samtidigt som de upprätthåller patientsäkerhet, integritet och rättvisa.