Розблокування нових можливостей у сфері охорони здоров’я за допомогою штучного інтелекту

Охорона здоров’я в Сполучених Штатах знаходиться на ранній стадії значної потенційної перебудови через використання машинного навчання та штучного інтелекту. Ця зміна триває вже понад десятиліття, але завдяки недавнім досягненням, здається, готується до більш швидких змін. Багато роботи залишається для розуміння найбезпечніших та найбільш ефективних застосувань штучного інтелекту в охороні здоров’я, для створення довіри серед клініцистів у використанні штучного інтелекту та для коригування нашої клінічної освіти для кращого використання систем на основі штучного інтелекту.

Застосування штучного інтелекту в охороні здоров’я

Штучний інтелект розвивається вже десятиліттями в охороні здоров’я, як у пацієнтоорієнтованих, так і в бек-офісних функціях. Однією з перших та найбільш обширних робіт став використання моделей глибокого навчання та комп’ютерного зору.

По-перше, деяка термінологія. Традиційні статистичні підходи в дослідженнях – наприклад, спостережувальні дослідження та клінічні дослідження – використовували підходи моделювання, орієнтовані на населення, які залежать від моделей регресії, у яких незалежні змінні використовуються для прогнозування результатів. У цих підходах, хоча більше даних краще, існує плато-ефект, при якому вище певного розміру набору даних не можна отримати кращі висновки з даних.

Штучний інтелект пропонує новий підхід до прогнозування. Структура, звана перцептроном, обробляє дані, які передаються вперед ряд за рядом, і створюється як мережа шарів диференціальних рівнянь для модифікації вхідних даних з метою отримання виходу. Під час навчання кожен ряд даних, коли він проходить через мережу – так звану нейронну мережу – модифікує рівняння на кожному шарі мережі так, щоб передбачений вихід відповідав фактичному виходу. Коли дані тренувального набору обробляються, нейронна мережа вчиться, як передбачати результат.

Існує кілька типів мереж. Конволюційні нейронні мережі, або КНМ, були серед перших моделей, які знайшли успіх у застосуваннях охорони здоров’я. КНМ дуже добре вчаться зображеннями у процесі, званому комп’ютерним зором, і знайшли застосування там, де переважає зображальна інформація: радіологія, огляди сітківки та зображення шкіри.

Новий тип нейронної мережі, званий архітектурою трансформера, став домінуючим підходом завдяки його неймовірному успіху для тексту та комбінацій тексту та зображень (також званих мультимодальними даними). Нейронні мережі-трансформери виняткові, коли їм дають набір тексту, для передбачення наступного тексту. Одним з застосувань архітектури трансформера є Велика мова модель або ЛММ. Багатьма комерційними прикладами ЛММ є Chat GPT, Anthropics Claude та Metas Llama 3.

Що було спостережено для нейронних мереж загалом, так це те, що плато для покращення навчання було важко знайти. Інакше кажучи, при збільшенні кількості даних нейронні мережі продовжують вчитися та покращуватися. Основні обмеження їхньої здатності – це все більші та більші набори даних та обчислювальна потужність для навчання моделей. У сфері охорони здоров’я створення наборів даних, що захищають приватність та вірно відображають справжню клінічну допомогу, є ключовим пріоритетом для розвитку моделей.

ЛММ можуть представляти собою зміну парадигми у застосуванні штучного інтелекту в охороні здоров’я. Через свою здатність працювати з мовою та текстом вони добре підходять для електронних записів, у яких майже всі дані являються текстовими. Вони також не потребують високої анотації даних для навчання, а можуть використовувати існуючі набори даних. Два основні недоліки цих моделей полягають у тому, що 1) у них немає світової моделі або розуміння даних, які аналізуються (їх називають “фанковим автозаповненням”), і 2) вони можуть галюцинувати або конфабулювати, вигадуючи текст чи зображення, які виглядають точними, але створюють інформацію, подану як факт.

Варіанти використання штучного інтелекту включають автоматизацію та доповнення для читання радіологічних зображень, зображень сітківки та інших зображень; зменшення зусиль та покращення точності клінічної документації, яка є значним джерелом вичерпання клініцистів; краще, більш емпатичне спілкування з пацієнтами; та покращення ефективності бек-офісних функцій, таких як цикл доходів, операції та облік.

Реальні приклади

Штучний інтелект поступово вводиться в клінічну допомогу. Зазвичай успішне використання штучного інтелекту слідувало за рецензованими дослідженнями продуктивності, які продемонстрували успіх, а в деяких випадках – схвалення FDA для використання.

Одними з перших випадків використання штучного інтелекту, які показали себе добре, стали виявлення захворювання на зображеннях оглядів сітківки та радіології. Для оглядів сітківки опублікована література щодо продуктивності цих моделей була супроводжена розгортанням автоматизованої фоноскопії для виявлення захворювання сітківки в амбулаторних умовах. Дослідження сегментації зображень, з багатьма опублікованими успіхами, призвели до створення кількох програмних рішень, які забезпечують підтримку прийняття рішень для радіологів, зменшуючи помилки та виявляючи аномалії для підвищення ефективності робочого процесу радіологів.

Нові великі мови моделі досліджуються для допомоги у клінічних робочих процесах. Ambient голос використовується для покращення використання Електронних медичних записів (ЕМЗ). Наразі штучні інтелектуальні писарі реалізуються для допомоги у медичній документації. Це дозволяє лікарям зосередитися на пацієнтах, тоді як штучний інтелект займається процесом документації, підвищуючи ефективність та точність.

Крім того, госпіталі та системи охорони здоров’я можуть використовувати передбачувальні моделі штучного інтелекту для стратифікації ризику пацієнтів, визначаючи пацієнтів, які знаходяться під високим або зростаючим ризиком, та визначаючи найкращий курс дії. Насправді, можливості штучного інтелекту з виявлення кластерів все частіше використовуються в дослідженнях та клінічній допомозі для ідентифікації пацієнтів з подібними характеристиками та визначення типового курсу клінічних дій для них. Це також може дозволити віртуальні або симульовані клінічні дослідження для визначення найбільш ефективних курсів лікування та вимірювання їхньої ефективності.

Можливий майбутній випадок використання штучного інтелекту – це використання моделей мови, підкріплених штучним інтелектом, у спілкуванні лікаря та пацієнта. Ці моделі були визнані такими, що мають валідні відповіді для пацієнтів, які імітують емпатичні розмови, роблячи спілкування з пацієнтами легшим та більш ефективним. Це застосування штучного інтелекту може суттєво покращити допомогу пацієнтам, забезпечуючи швидшу та більш ефективну тріаж пацієнтів на основі тяжкості їхнього стану та повідомлення.

Виклики та етичні розгляди

Одним з викликів реалізації штучного інтелекту в охороні здоров’я є забезпечення нормативної відповідності, безпеки пацієнтів та клінічної ефективності при використанні інструментів штучного інтелекту. Хоча клінічні дослідження є стандартом для нових методів лікування, існує дискусія щодо того, чи повинні інструменти штучного інтелекту слідувати тому ж підходу. Іншою проблемою є ризик порушення даних та порушення приватності пацієнтів. Великі мови моделі, навчені на захищених даних, потенційно можуть витікати джерельні дані, що становить значну загрозу для приватності пацієнтів. Організації охорони здоров’я повинні знайти способи захисту даних пацієнтів та запобігання порушенням, щоб підтримувати довіру та конфіденційність. Упередженість у навчальних даних також є критичним викликом, який потрібно вирішити. Для уникнення упереджених моделей потрібно розробити кращі методи уникнення упередженості у навчальних даних. Це важливо розробити навчальні та академічні підходи, які забезпечують краще навчання моделей та включають рівність у всіх аспектах охорони здоров’я, щоб уникнути упередженості.

Використання штучного інтелекту відкрило ряд нових проблем та напрямків інновацій. Необхідно подальше дослідження для визначення справжньої клінічної користі, яку можна отримати від використання штучного інтелекту. Для вирішення цих викликів та етичних проблем організації охорони здоров’я та компанії з програмного забезпечення повинні зосередитися на розробці наборів даних, які точно моделюють дані охорони здоров’я, забезпечуючи анонімність та захист приватності. Крім того, партнерства між організаціями охорони здоров’я, системами та компаніями з програмного забезпечення повинні бути встановлені для введення інструментів штучного інтелекту у практику безпечним та ретельним чином. Вирішуючи ці виклики, організації охорони здоров’я можуть використовувати потенціал штучного інтелекту, зберігаючи при цьому безпеку пацієнтів, приватність та справедливість.