Mở khóa những 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 được tiến hành 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 среди các nhà lâm sàng trong việc sử dụng Trí tuệ nhân tạo, và để điều chỉnh hệ thống giáo dục lâm sàng của chúng tôi 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 xảy ra trong việc sử dụng các mô hình học sâu và tầm nhìn 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 những phương pháp này, trong khi dữ liệu nhiều hơn là tốt hơn, có một hiệu ứng cao nguyên trong đó trên một kích thước tập dữ liệu nhất định, không có suy luận tốt hơn có thể được thu được từ dữ liệu.

Trí tuệ nhân tạo mang lại một phương pháp mới để dự đoán. Một cấu trúc gọi là perceptron xử lý dữ liệu được truyền đi hàng một, và được tạo ra 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 lưới – gọi là mạng lưới thần kinh – sửa đổi các phương trình tại mỗi lớp của mạng lưới để đầu ra dự đoán khớp với đầu ra thực tế. Khi dữ liệu trong một tập dữ liệu đào tạo được xử lý, mạng lưới thần kinh học cách dự đoán kết quả.

Một số loại mạng lưới tồn tại. Convolutional neural networks, hoặc CNNs, là một trong những mô hình đầu tiên tìm thấy thành công trong các ứng dụng chăm sóc sức khỏe. CNNs rất tốt trong việc học từ hình ảnh trong một quá trình gọi là tầm nhìn máy tính và đã tìm thấy các ứng dụng nơi dữ liệu hình ảnh nổi bật: X-quang, xét nghiệm võng mạc, và hình ảnh da.

Một loại mạng lưới thần kinh mới gọi là kiến trúc transformer đã trở thành một phương pháp tiếp cận thống trị do sự 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 lưới thần kinh transformer là đặc biệt khi được đưa ra một tập hợp văn bản, để dự đoán văn bản tiếp theo. Một ứng dụng của kiến trúc transformer là Mô hình Ngôn ngữ Lớn hoặc LLM. Một số ví dụ thương mại của LLM bao gồm Chat GPT, Anthropics Claude, và Metas Llama 3.

Điều đã được quan sát với mạng lưới thần kinh, nói chung, là một cao nguyên cho sự cải thiện trong việc học đã khó tìm thấy. Nói cách khác, với nhiều và nhiều dữ liệu, mạng lưới thần kinh 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.

LLMs có thể đại diện cho một sự thay đổi范式 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 đều 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 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 võng mạc, và các dữ liệu hình ảnh khác; giảm thiểu 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 tổng thể. Thông thường, việc sử dụng Trí tuệ nhân tạo thành công đã theo sau các thử nghiệm được đánh giá ngang hàng về hiệu suất đã chứng minh thành công và, trong một số trường hợp, sự chấp thuận của FDA để sử dụng.

Trong số các trường hợp sử dụng sớm nhất mà Trí tuệ nhân tạo hoạt động tốt đã được phát hiện bệnh trong hình ảnh xét nghiệm võng mạc và X-quang. Đối với xét nghiệm võng mạc, tài liệu đã xuất bản về hiệu suất của các mô hình này đã được theo sau bởi việc triển khai tự động của việc chụp ảnh võng mạc để phát hiện bệnh võng mạc trong các môi trường ngoại trú. Các nghiên cứu về phân đoạn hình ảnh, với nhiều thành công đã được xuất bản, đã dẫn đến nhiều giải pháp phần mềm cung cấp hỗ trợ quyết định cho các bác sĩ X-quang, giảm thiểu sai sót và phát hiện các bất thường để làm cho luồng công việc của bác sĩ X-quang hiệu quả hơn.

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

Ngoài ra, 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 loại rủi ro cho bệnh nhân, xác định bệnh nhân có nguy cơ cao hoặc ngày càng tăng và xác định 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 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 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 mà mô phỏng 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 nhanh hơn và hiệu quả hơn các tin nhắn của bệnh nhân dựa trên mức độ nghiêm trọng của tình trạng và tin nhắn của họ.

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 rò rỉ dữ liệu nguồn, điều này gây ra một mối đe dọa lớn đối với 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 đào tạo và phương pháp học thuật để 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.

Việc 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 lợi ích lâm sàng thực sự có thể được tìm thấy trong việc sử dụng Trí tuệ nhân tạo. Để giải quyết những thách thức và 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 quan hệ đối tác giữa các nhà cung cấp dịch vụ chăm sóc sức khỏe, hệ thống và 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 khai thác tiềm năng của Trí tuệ nhân tạo trong khi duy trì an toàn bệnh nhân, quyền riêng tư và công bằng.