Låsa upp nya möjligheter inom hälsovård med AI

Hälsovården i USA befinner sig i början av en betydande potentiell omstörning på grund av användningen av maskinlärning och artificiell intelligens. Denna förändring har pågått i över ett decennium, men med de senaste framstegen verkar den vara redo för snabbare förändringar. Mycket arbete återstår för att förstå de säkraste och mest effektiva tillämpningarna av AI inom hälsovård, för att bygga förtroende bland kliniker i användningen av AI och för att anpassa vårt kliniska utbildningssystem för att driva en bättre användning av AI-baserade system.

Tillämpningar av AI inom hälsovård

AI har utvecklats under flera decennier inom hälsovård, både i patientrelaterade och administrativa funktioner. Några av de tidigaste och mest omfattande arbetena har skett inom användningen av djupinlärning och datorseende-modeller.

Först, några termer. Traditionella statistiska tillvägagångssätt i forskning – t.ex. observationsstudier och kliniska prövningar – har använt populationsinriktade modelleringsmetoder som bygger på regressionsmodeller, där oberoende variabler används för att förutsäga resultat. I dessa tillvägagångssätt är mer data alltid bättre, men det finns en platåeffekt där ovanför en viss datamängd kan inga bättre slutsatser dras från data.

Artificiell intelligens bringar en ny approach till förutsägelse. En struktur som kallas perceptron bearbetar data som skickas framåt rad för rad och skapas som ett nätverk av lager av differentialekvationer för att modifiera indata, för att producera en utdata. Under utbildning modifierar varje rad med data som passerar genom nätverket – kallat ett neuronnätverk – ekvationerna i varje lager i nätverket så att den förutsagda utdatan matchar den faktiska utdatan. När datan i en utbildningssats bearbetas lär sig neuronnätverket hur man förutsäger resultatet.

Flera typer av nätverk existerar. Konvolutionsneuronnätverk, eller CNN, var bland de första modellerna som fick framgång i hälsovårdstillämpningar. CNN är mycket bra på att lära sig från bilder i en process som kallas datorseende och har funnit tillämpningar där bilddata är framträdande: radiologi, retinaundersökningar och hudbilder.

En nyare typ av neuronnätverksarkitektur som kallas transformerarkitektur har blivit en dominerande approach på grund av dess otroliga framgång för text och kombinationer av text och bilder (även kallad multimodal data). Transformerneuronnätverk är exceptionella när de får en uppsättning text, för att förutsäga efterföljande text. En tillämpning av transformerarkitekturen är den stora språkmodellen eller LLM. Flera kommersiella exempel på LLM inkluderar Chat GPT, Anthropics Claude och Metas Llama 3.

Vad som har observerats med neuronnätverk i allmänhet är att en platå för förbättring av inlärning har varit svår att hitta. Med andra ord, givet mer och mer data, fortsätter neuronnätverk att lära sig och förbättras. De huvudsakliga begränsningarna för deras förmåga är större och större datamängder och beräkningskraften för att utbilda modellerna. Inom hälsovård är skapandet av datamängder som skyddar integriteten och som troget representerar verklig klinisk vård en viktig prioritet för att främja modellutveckling.

LLM kan representera en paradigmförändring i tillämpningen av AI för hälsovård. På grund av deras förmåga med språk och text är de en bra match för elektroniska journaler där nästan all data är text. De kräver inte heller högt annoterad data för utbildning utan kan använda befintliga datamängder. De två huvudsakliga bristerna med dessa modeller är att 1) de inte har en världmodell 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 faktum.

Användningsfall som undersöks för AI inkluderar automatisering och förstärkning för läsning av radiologibilder, retinaundersökningar och annan bilddata; minska ansträngningen och förbättra noggrannheten i klinisk dokumentation, en stor källa till klinikerbrist; bättre, mer empatisk, patientkommunikation; och förbättra effektiviteten i administrativa funktioner som fakturering, drift och fakturering.

Verkliga exempel

AI har införts gradvis i klinisk vård överlag. Vanligtvis har en framgångsrik användning av AI följt peer-granskade prövningar 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 retinaundersökningar och radiologi. För retinaundersökningar har publicerad litteratur om prestandan hos dessa modeller följts av distributionen av automatiserad fundoskopi för att upptäcka retina-sjukdomar i ambulatoriska miljöer. Studier av bildsegmentering, med många publicerade framgångar, har resulterat i flera programvarulösningar som tillhandahåller beslutsstöd för radiologer, minskar fel och upptäcker avvikelser för att göra radiologernas arbetsflöden mer effektiva.

Nya stora språkmodeller undersöks för att assistera med kliniska arbetsflöden. Ambient röst används för att förbättra användningen av elektroniska hälsoregister (EHR). För närvarande införs AI-skrivare för att hjälpa till med medicinsk dokumentation. Detta tillåter läkare att fokusera på patienter medan AI tar hand om dokumentationsprocessen, förbättrar effektivitet och noggrannhet.

Dessutom kan sjukhus och hälsovårdssystem använda AI:s prediktiva modellering för att riskstratifiera patienter, identifiera patienter som är i hög eller ökande risk och bestämma den bästa behandlingsplanen. Faktum är att AI:s klusterdetekteringsförmåga används allt mer i forskning och klinisk vård för att identifiera patienter med liknande egenskaper och bestämma den typiska behandlingsplanen för dem. Detta kan också möjliggöra virtuella eller simulerade kliniska prövningar för att fastställa de mest effektiva behandlingsplanerna 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 förbättra patientvården avsevärt genom att tillhandahålla snabbare och mer effektiv triage av patientmeddelanden baserat på allvarlighetsgraden av deras tillstånd och meddelande.

Utmaningar och etiska överväganden

En utmaning med AI-implementering inom hälsovård är att säkerställa regelefterlevnad, patientsäkerhet och klinisk effektivitet när AI-verktyg används. Medan kliniska prövningar är standarden för nya behandlingar, pågår en debatt om huruvida AI-verktyg ska följa samma tillvägagångssätt. En annan oro är risken för dataintrång och komprometterad patientintegritet. Stora språkmodeller som tränats på skyddad data kan potentiellt läcka källdata, vilket utgör en betydande hot mot patientintegriteten. Hälsovårdssystem måste hitta sätt att skydda patientdata och förhindra intrång för att upprätthålla förtroende och konfidentialitet. Partiskhet i träningsdata 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 utbildnings- och akademiska tillvägagångssätt som möjliggör bättre modellträning och inkorporerar jämställdhet i alla aspekter av hälsovård för att undvika partiskhet.

Användningen av AI har öppnat en mängd nya bekymmer och gränser för innovation. Ytterligare studier av var sann klinisk nytta kan finnas i AI-användning behövs. För att hantera dessa utmaningar och etiska bekymmer måste hälsovårdssystem och programvaruföretag fokusera på att utveckla datamängder som korrekt modellerar hälsovårdsdata samtidigt som de säkerställer anonymitet och skyddar integritet. Dessutom måste samarbeten mellan hälsovårdssystem, system och teknik/programvaruföretag etableras för att införa AI-verktyg i praktiken på ett säkert och genomtänkt sätt. Genom att hantera dessa utmaningar kan hälsovårdssystem utnyttja AI:s potential samtidigt som de upprätthåller patientsäkerhet, integritet och rättvisa.