Mở khóa các khả năng mới trong chăm sóc sức khỏe với Trí tuệ nhân tạo

Chăm sóc sức khỏe tại Hoa Kỳ đang ở giai đoạn đầu của một sự gián đoạn tiềm năng lớn do việc sử dụng Học máy và Trí tuệ nhân tạo. Sự thay đổi này đã diễn ra trong hơn một thập kỷ, nhưng với những tiến bộ gần đây, dường như đang sẵn sàng cho những thay đổi nhanh chóng hơn. Việc còn nhiều để được thực hiện để hiểu rõ về các ứng dụng an toàn và hiệu quả nhất của Trí tuệ nhân tạo trong chăm sóc sức khỏe, để xây dựng niềm tin giữa các nhà lâm sàng trong việc sử dụng Trí tuệ nhân tạo, và để điều chỉnh hệ thống giáo dục lâm sàng của chúng ta để thúc đẩy việc sử dụng tốt hơn các hệ thống dựa trên Trí tuệ nhân tạo.

Ứng dụng của Trí tuệ nhân tạo trong chăm sóc sức khỏe

Trí tuệ nhân tạo đã được phát triển trong nhiều thập kỷ trong chăm sóc sức khỏe, cả trong các chức năng đối mặt với bệnh nhân và văn phòng phía sau. Một số công việc sớm nhất và rộng rãi nhất đã diễn ra trong việc sử dụng các mô hình học sâu và thị giác máy tính.

Trước hết, một số thuật ngữ. Các phương pháp thống kê truyền thống trong nghiên cứu – ví dụ như các nghiên cứu quan sát và thử nghiệm lâm sàng – đã sử dụng các phương pháp mô hình hóa tập trung vào dân số, phụ thuộc vào các mô hình hồi quy, trong đó các biến độc lập được sử dụng để dự đoán kết quả. Trong các phương pháp này, mặc dù dữ liệu nhiều hơn là tốt hơn, nhưng có một hiệu ứng giới hạn trong đó trên một kích thước tập dữ liệu nhất định, không có sự suy luận tốt hơn có thể được thu thập từ dữ liệu.

Trí tuệ nhân tạo mang lại một cách tiếp cận mới cho dự đoán. Một cấu trúc gọi là perceptron xử lý dữ liệu được truyền qua hàng một, và được tạo thành như một mạng lưới các lớp của các phương trình vi phân để sửa đổi dữ liệu đầu vào, để tạo ra một đầu ra. Trong quá trình đào tạo, mỗi hàng dữ liệu khi nó đi qua mạng – gọi là mạng nơ-ron – sửa đổi các phương trình tại mỗi lớp của mạng để đầu ra dự đoán khớp với đầu ra thực tế. Khi dữ liệu trong một tập đào tạo được xử lý, mạng nơ-ron học cách dự đoán kết quả.

Có một số loại mạng tồn tại. Mạng nơ-ron tích chập, hoặc CNN, là một trong những mô hình đầu tiên tìm thấy thành công trong các ứng dụng chăm sóc sức khỏe. CNN rất tốt trong việc học từ hình ảnh trong một quá trình gọi là thị giác máy tính và đã tìm thấy các ứng dụng nơi dữ liệu hình ảnh nổi bật: X-quang, kiểm tra đáy mắt và hình ảnh da.

Loại mạng nơ-ron mới gọi là kiến trúc biến đổi đã trở thành một cách tiếp cận thống trị do thành công đáng kinh ngạc của nó đối với văn bản, và sự kết hợp của văn bản và hình ảnh (còn gọi là dữ liệu đa phương tiện). Mạng nơ-ron biến đổi là đặc biệt khi được đưa ra một tập hợp văn bản, dự đoán văn bản tiếp theo. Một ứng dụng của kiến trúc biến đổi là Mô hình Ngôn ngữ Lớn hoặc LLM. Nhiều ví dụ thương mại của LLM bao gồm Chat GPT, Anthropics Claude và Metas Llama 3.

Điều đã được quan sát với mạng nơ-ron, nói chung, là một giới hạn cho sự cải thiện trong việc học đã khó tìm thấy. Nói cách khác, cho càng nhiều và nhiều dữ liệu, mạng nơ-ron tiếp tục học và cải thiện. Giới hạn chính về khả năng của chúng là các tập dữ liệu lớn hơn và lớn hơn và sức mạnh tính toán để đào tạo các mô hình. Trong chăm sóc sức khỏe, việc tạo ra các tập dữ liệu bảo vệ quyền riêng tư mà trung thực đại diện cho chăm sóc lâm sàng thực sự là một ưu tiên chính để phát triển mô hình.

LLM có thể đại diện cho một sự thay đổi mô hình trong ứng dụng của Trí tuệ nhân tạo cho chăm sóc sức khỏe. Bởi vì khả năng của chúng với ngôn ngữ và văn bản, chúng là một sự phù hợp tốt với hồ sơ điện tử trong đó gần như tất cả dữ liệu là văn bản. Chúng cũng không yêu cầu dữ liệu được chú thích cao cho đào tạo nhưng có thể sử dụng các tập dữ liệu hiện có. Hai khiếm khuyết chính của các mô hình này là 1) chúng không có một mô hình thế giới hoặc hiểu biết về dữ liệu đang được phân tích (chúng đã được gọi là tự động hoàn thành phức tạp), và 2) chúng có thể ảo giác hoặc tạo ra, tạo ra văn bản hoặc hình ảnh có vẻ chính xác nhưng tạo ra thông tin được trình bày như một sự kiện.

Các trường hợp sử dụng đang được khám phá cho Trí tuệ nhân tạo bao gồm tự động hóa và tăng cường cho việc đọc hình ảnh X-quang, hình ảnh đáy mắt và các dữ liệu hình ảnh khác; giảm nỗ lực và cải thiện độ chính xác của tài liệu lâm sàng, một nguồn chính của kiệt sức lâm sàng; giao tiếp bệnh nhân tốt hơn, đồng cảm hơn; và cải thiện hiệu quả của các chức năng văn phòng phía sau như chu kỳ doanh thu, hoạt động và hóa đơn.

Ví dụ trong thế giới thực

Trí tuệ nhân tạo đã được giới thiệu dần dần vào chăm sóc lâm sàng nói chung. Thông thường, việc sử dụng Trí tuệ nhân tạo thành công đã theo sau các thử nghiệm lâm sàng được đánh giá ngang hàng về hiệu suất đã chứng minh thành công và, trong một số trường hợp, được FDA chấp thuận để sử dụng.

Trong số các trường hợp sử dụng sớm nhất mà Trí tuệ nhân tạo hoạt động tốt đã là Trí tuệ nhân tạo phát hiện bệnh trong hình ảnh kiểm tra đáy mắt và X-quang. Đối với kiểm tra đáy mắt, văn học đã xuất bản về hiệu suất của các mô hình này đã được theo sau bởi việc triển khai tự động kiểm tra đáy mắt để phát hiện bệnh đáy mắt trong các môi trường ngoại trú. Các nghiên cứu về phân đoạn hình ảnh, với nhiều thành công đã xuất bản, đã dẫn đến nhiều giải pháp phần mềm cung cấp hỗ trợ quyết định cho các bác sĩ X-quang, giảm lỗi và phát hiện các bất thường để làm cho quy trình làm việc của bác sĩ X-quang hiệu quả hơn.

Các mô hình ngôn ngữ lớn mới đang được khám phá để hỗ trợ các quy trình làm việc lâm sàng. Giọng nói xung quanh đang được sử dụng để tăng cường việc sử dụng Hồ sơ Y tế Điện tử (EHR). Hiện tại, các biên tập viên Trí tuệ nhân tạo đang được triển khai để hỗ trợ việc ghi chép y tế. Điều này cho phép các bác sĩ tập trung vào bệnh nhân trong khi Trí tuệ nhân tạo xử lý quá trình ghi chép, cải thiện hiệu quả và độ chính xác.

Bên cạnh đó, các bệnh viện và hệ thống chăm sóc sức khỏe có thể sử dụng khả năng mô hình hóa dự đoán của Trí tuệ nhân tạo để phân tầng rủi ro bệnh nhân, xác định bệnh nhân có nguy cơ cao hoặc ngày càng tăng và xác định kế hoạch hành động tốt nhất. Trên thực tế, khả năng phát hiện cụm của Trí tuệ nhân tạo đang được sử dụng ngày càng nhiều trong nghiên cứu và chăm sóc lâm sàng để xác định bệnh nhân có đặc điểm tương tự và xác định kế hoạch hành động lâm sàng điển hình cho họ. Điều này cũng có thể cho phép thử nghiệm lâm sàng ảo hoặc mô phỏng để xác định các khóa điều trị hiệu quả nhất và đo lường hiệu quả của chúng.

Một trường hợp sử dụng trong tương lai có thể là việc sử dụng các mô hình ngôn ngữ Trí tuệ nhân tạo trong giao tiếp bác sĩ-bệnh nhân. Những mô hình này đã được tìm thấy có phản hồi hợp lệ cho bệnh nhân模仿 các cuộc trò chuyện đồng cảm, làm cho nó dễ dàng hơn để quản lý các tương tác khó khăn. Ứng dụng này của Trí tuệ nhân tạo có thể cải thiện đáng kể chăm sóc bệnh nhân bằng cách cung cấp phân loại và xử lý các tin nhắn bệnh nhân dựa trên mức độ nghiêm trọng của tình trạng và tin nhắn.

Thử thách và xem xét đạo đức

Một thách thức với việc triển khai Trí tuệ nhân tạo trong chăm sóc sức khỏe là đảm bảo tuân thủ quy định, an toàn bệnh nhân và hiệu quả lâm sàng khi sử dụng các công cụ Trí tuệ nhân tạo. Trong khi các thử nghiệm lâm sàng là tiêu chuẩn cho các phương pháp điều trị mới, có một cuộc tranh luận về việc liệu các công cụ Trí tuệ nhân tạo có nên tuân theo cùng một cách tiếp cận. Một mối quan ngại khác là rủi ro về vi phạm dữ liệu và xâm phạm quyền riêng tư của bệnh nhân. Các mô hình ngôn ngữ lớn được đào tạo trên dữ liệu được bảo vệ có thể có khả năng rò rỉ dữ liệu nguồn, điều này gây ra một mối đe dọa đáng kể cho quyền riêng tư của bệnh nhân. Các tổ chức chăm sóc sức khỏe phải tìm cách bảo vệ dữ liệu bệnh nhân và ngăn chặn các vi phạm để duy trì niềm tin và bảo mật. Sự thiên vị trong dữ liệu đào tạo cũng là một thách thức quan trọng cần được giải quyết. Để tránh các mô hình thiên vị, các phương pháp tốt hơn để tránh thiên vị trong dữ liệu đào tạo phải được giới thiệu. Điều quan trọng là phải phát triển các phương pháp đào tạo và học thuật cho phép đào tạo mô hình tốt hơn và tích hợp công bằng trong tất cả các khía cạnh của chăm sóc sức khỏe để tránh thiên vị.

Sự sử dụng Trí tuệ nhân tạo đã mở ra một số mối quan ngại và biên giới mới cho sự đổi mới. Cần thêm nghiên cứu về nơi có thể tìm thấy lợi ích lâm sàng thực sự trong việc sử dụng Trí tuệ nhân tạo. Để giải quyết những thách thức và mối quan ngại đạo đức này, các tổ chức cung cấp dịch vụ chăm sóc sức khỏe và các công ty phần mềm phải tập trung vào việc phát triển các tập dữ liệu mô hình hóa chính xác dữ liệu chăm sóc sức khỏe trong khi đảm bảo tính ẩn danh và bảo vệ quyền riêng tư. Ngoài ra, các đối tác giữa các nhà cung cấp dịch vụ chăm sóc sức khỏe, hệ thống và các công ty công nghệ/phần mềm phải được thiết lập để đưa các công cụ Trí tuệ nhân tạo vào thực tế một cách an toàn và suy nghĩ. Bằng cách giải quyết những thách thức này, các tổ chức chăm sóc sức khỏe có thể tận dụng tiềm năng của Trí tuệ nhân tạo trong khi vẫn duy trì an toàn bệnh nhân, quyền riêng tư và công bằng.