Sztuczna inteligencja w opiece zdrowotnej - Artificial intelligence in healthcare

RTG dłoni z automatycznym obliczeniem wieku kostnego przez oprogramowanie komputerowe

Sztuczna inteligencja w opiece zdrowotnej to nadrzędny termin używany do opisania użycia algorytmów i oprogramowania uczenia maszynowego lub sztucznej inteligencji (AI) do naśladowania ludzkiego poznania w analizie, prezentacji i zrozumieniu złożonych danych medycznych i opieki zdrowotnej. W szczególności sztuczna inteligencja to zdolność algorytmów komputerowych do przybliżania wniosków opartych wyłącznie na danych wejściowych.

To, co odróżnia technologię AI od tradycyjnych technologii w opiece zdrowotnej, to możliwość gromadzenia danych, ich przetwarzania i dostarczania użytkownikowi końcowemu dobrze zdefiniowanych danych wyjściowych. Sztuczna inteligencja robi to za pomocą algorytmów uczenia maszynowego i głębokiego uczenia . Algorytmy te potrafią rozpoznawać wzorce zachowań i tworzyć własną logikę. Aby uzyskać przydatne informacje i prognozy, modele uczenia maszynowego muszą być trenowane przy użyciu dużej ilości danych wejściowych. Algorytmy AI zachowują się inaczej niż ludzie na dwa sposoby: (1) algorytmy są dosłowne: po ustaleniu celu algorytm uczy się wyłącznie na podstawie danych wejściowych i może tylko zrozumieć, do czego został zaprogramowany, (2) i trochę głębokiego uczenia algorytmy są czarnymi skrzynkami ; algorytmy potrafią przewidywać z niezwykłą precyzją, ale oferują niewiele zrozumiałych wyjaśnień logiki stojącej za ich decyzjami, poza danymi i rodzajem użytego algorytmu.

Podstawowym celem zastosowań sztucznej inteligencji związanej ze zdrowiem jest analiza zależności między technikami profilaktyki lub leczenia a wynikami pacjentów. Programy AI są stosowane w takich praktykach, jak procesy diagnozowania , opracowywanie protokołów leczenia, opracowywanie leków , medycyna spersonalizowana oraz monitorowanie i opieka nad pacjentem. Algorytmy sztucznej inteligencji mogą być również wykorzystywane do analizowania dużych ilości danych za pośrednictwem elektronicznych kart zdrowia w celu zapobiegania chorobom i diagnozowania. Instytucje medyczne, takie jak The Mayo Clinic , Memorial Sloan Kettering Cancer Center i brytyjska Narodowa Służba Zdrowia , opracowały algorytmy sztucznej inteligencji dla swoich oddziałów. Duże firmy technologiczne, takie jak IBM i Google , również opracowały algorytmy AI dla opieki zdrowotnej. Ponadto szpitale poszukują oprogramowania AI do wspierania inicjatyw operacyjnych, które zwiększają oszczędności, poprawiają satysfakcję pacjentów i zaspokajają ich potrzeby kadrowe i pracownicze. Obecnie rząd Stanów Zjednoczonych inwestuje miliardy dolarów w postęp w rozwoju sztucznej inteligencji w opiece zdrowotnej. Firmy opracowują technologie, które pomagają menedżerom opieki zdrowotnej usprawnić operacje biznesowe poprzez zwiększenie wykorzystania, ograniczenie przyjmowania pacjentów na pokład, skrócenie czasu pobytu i optymalizację poziomu personelu.

Ponieważ powszechne stosowanie sztucznej inteligencji w opiece zdrowotnej jest stosunkowo nowe, istnieje kilka bezprecedensowych problemów etycznych związanych z jej praktyką, takich jak prywatność danych, automatyzacja pracy i stronniczość reprezentacji.

Historia

Badania przeprowadzone w latach 60. i 70. XX wieku zaowocowały pierwszym programem rozwiązywania problemów lub systemem eksperckim , znanym jako Dendral . Chociaż został zaprojektowany do zastosowań w chemii organicznej, stał się podstawą dla późniejszego systemu MYCIN , uważanego za jedno z najważniejszych wczesnych zastosowań sztucznej inteligencji w medycynie. MYCIN i inne systemy, takie jak INTERNIST-1 i CASNET, nie zostały jednak rutynowo stosowane przez praktyków.

Lata 80. i 90. przyniosły rozwój mikrokomputerów i nowe poziomy łączności sieciowej. W tym czasie naukowcy i programiści uznali, że systemy sztucznej inteligencji w opiece zdrowotnej muszą być zaprojektowane tak, aby uwzględniały brak doskonałych danych i opierały się na wiedzy lekarzy. Podejścia obejmujące teorię zbiorów rozmytych , sieci bayesowskie i sztuczne sieci neuronowe zastosowano w inteligentnych systemach obliczeniowych w opiece zdrowotnej.

Postępy medyczne i technologiczne, jakie zaszły w tym półwieczu, które umożliwiły rozwój zastosowań sztucznej inteligencji związanych z opieką zdrowotną, obejmują:

Obecne badania

Różne specjalności medycyny wykazały wzrost badań nad sztuczną inteligencją. Ponieważ nowy koronawirus szaleje na całym świecie, szacuje się, że Stany Zjednoczone zainwestują w ciągu najbliższych 5 lat ponad 2 miliardy dolarów w badania nad sztuczną inteligencją, czyli ponad 4 razy więcej niż w 2019 roku (463 miliony dolarów).

Dermatologia

Dermatologia to specjalność, która obfituje w obrazowanie, a rozwój głębokiego uczenia jest silnie powiązany z przetwarzaniem obrazów . W związku z tym istnieje naturalne dopasowanie między dermatologią a uczeniem głębokim. W dermatologii wyróżnia się 3 główne typy obrazowania: obrazy kontekstowe, obrazy makro, obrazy mikro. W przypadku każdej modalności głębokie uczenie się wykazało duże postępy. Han i in. glin. wykazali wykrywanie keratynocytowego raka skóry na podstawie zdjęć twarzy. Esteva i in. wykazali klasyfikację raka skóry na poziomie dermatologa na podstawie obrazów zmian. Noyan i in. glin. wykazali splotową sieć neuronową, która osiągnęła 94% dokładności w identyfikowaniu komórek skóry na podstawie mikroskopowych obrazów rozmazu Tzancka .

Radiologia

Sztuczna inteligencja jest badana w dziedzinie radiologii w celu wykrywania i diagnozowania chorób u pacjentów za pomocą tomografii komputerowej (CT) i obrazowania metodą rezonansu magnetycznego (MR). Według Towarzystwa Radiologicznego Ameryki Północnej, koncentracja na sztucznej inteligencji w radiologii gwałtownie wzrosła w ostatnich latach, gdzie odnotowano wzrost odpowiednio od 0 do 3, 17 i ogólnie 10% wszystkich publikacji w latach 2015-2018. Badanie w Stanford stworzyło algorytm, który może wykrywać zapalenie płuc u pacjentów z lepszą średnią metryką F1 (metryka statystyczna oparta na dokładności i przypominaniu) niż radiolodzy zaangażowani w badanie. Dzięki obrazowaniu w onkologii sztuczna inteligencja była w stanie dobrze służyć do wykrywania nieprawidłowości i monitorowania zmian w czasie; dwa kluczowe czynniki zdrowia onkologicznego. Wiele firm i systemów neutralnych dla dostawców, takich jak icometrix, QUIBIM, Robovision i IMAGRT UMC Utrecht, stało się dostępnych, aby zapewnić możliwą do przeszkolenia platformę uczenia maszynowego do wykrywania szerokiej gamy chorób. Towarzystwa Radiologicznego Ameryki Północnej wdrożył prezentacje na AI w obrazowaniu podczas dorocznej konferencji. Wielu profesjonalistów z optymizmem patrzy na przyszłość przetwarzania AI w radiologii, ponieważ skróci to potrzebny czas interakcji i pozwoli lekarzom na przyjmowanie większej liczby pacjentów. Chociaż nie zawsze tak dobrze, jak wyszkolone oko w rozszyfrowywaniu złośliwych lub łagodnych narośli, historia obrazowania medycznego pokazuje tendencję do szybkiego postępu zarówno w zakresie możliwości, jak i niezawodności nowych systemów. Pojawienie się technologii sztucznej inteligencji w radiologii jest postrzegane przez niektórych specjalistów jako zagrożenie, ponieważ w pojedynczych przypadkach może poprawić się o pewne wskaźniki statystyczne, w których specjaliści nie mogą.

Ekranizacja

Ostatnie postępy sugerują zastosowanie sztucznej inteligencji do opisywania i oceny wyników chirurgii szczękowo-twarzowej lub oceny leczenia rozszczepu podniebienia pod kątem atrakcyjności twarzy lub wyglądu wieku.

W 2018 roku w artykule opublikowanym w czasopiśmie Annals of Oncology wspomniano, że rak skóry może być wykrywany dokładniej przez system sztucznej inteligencji (wykorzystujący splotową sieć neuronową głębokiego uczenia) niż przez dermatologów . Średnio dermatolodzy dokładnie wykryli 86,6% nowotworów skóry na podstawie obrazów, w porównaniu do 95% w przypadku urządzenia CNN.

W styczniu 2020 r. naukowcy zademonstrowali system sztucznej inteligencji oparty na algorytmie Google DeepMind , który jest w stanie prześcignąć ludzkich ekspertów w wykrywaniu raka piersi .

W lipcu 2020 r. doniesiono, że algorytm AI opracowany przez University of Pittsburgh osiąga najwyższą do tej pory dokładność w identyfikacji raka prostaty , z 98% czułością i 97% swoistością.

Psychiatria

W psychiatrii zastosowania sztucznej inteligencji wciąż znajdują się w fazie weryfikacji koncepcji. Obszary, w których dowody szybko się powiększają, obejmują chatboty, środki konwersacyjne, które imitują ludzkie zachowanie i które zostały zbadane pod kątem lęku i depresji.

Wyzwaniem jest fakt, że wiele aplikacji w tej dziedzinie jest opracowywanych i proponowanych przez prywatne korporacje, jak chociażby wdrożony przez Facebook w 2017 roku screening pod kątem myśli samobójczych. Takie aplikacje poza systemem opieki zdrowotnej rodzą różne pytania zawodowe, etyczne i regulacyjne.

Podstawowa opieka

Podstawowa opieka stała się jednym z kluczowych obszarów rozwoju technologii AI. Sztuczna inteligencja w podstawowej opiece zdrowotnej została wykorzystana do wspomagania podejmowania decyzji, modelowania predykcyjnego i analityki biznesowej. Pomimo szybkich postępów w technologiach sztucznej inteligencji pogląd lekarzy rodzinnych na rolę sztucznej inteligencji w podstawowej opiece zdrowotnej jest bardzo ograniczony – koncentruje się głównie na zadaniach administracyjnych i rutynowych dokumentacjach.

Diagnoza choroby

Artykuł Jianga i in. (2017) wykazali, że istnieje kilka rodzajów technik sztucznej inteligencji, które były wykorzystywane w różnych chorobach, takich jak maszyny wektorów nośnych, sieci neuronowe i drzewa decyzyjne. Każda z tych technik jest opisana jako mająca „cel szkoleniowy”, więc „klasyfikacje zgadzają się z wynikami w jak największym stopniu…”.

Aby zademonstrować pewne specyfiki diagnozowania/klasyfikacji choroby, istnieją dwie różne techniki stosowane w klasyfikacji tych chorób, w tym użycie „sztucznych sieci neuronowych (ANN) i sieci bayesowskich (BN)”. Stwierdzono, że ANN była lepsza i mogła dokładniej klasyfikować cukrzycę i CVD.

Dzięki zastosowaniu Medical Learning Classifiers (MLC) sztuczna inteligencja była w stanie znacząco wspomóc lekarzy w diagnozowaniu pacjentów poprzez manipulację masową elektroniczną dokumentacją medyczną (EHR). Warunki medyczne stały się bardziej złożone, a dzięki długiej historii tworzenia elektronicznej dokumentacji medycznej prawdopodobieństwo powielania przypadków jest wysokie. Chociaż dzisiaj ktoś z rzadką chorobą jest mniej prawdopodobny jako jedyna osoba, która cierpiała na daną chorobę, brak dostępu do przypadków o podobnie objawowym pochodzeniu stanowi główną przeszkodę dla lekarzy. Wdrożenie sztucznej inteligencji nie tylko pomaga w znajdowaniu podobnych przypadków i terapii, ale także uwzględnia główne objawy i pomaga lekarzom zadawać najbardziej odpowiednie pytania, pomaga pacjentowi uzyskać najdokładniejszą diagnozę i leczenie.

Telemedycyna

Starszy mężczyzna używający pulsoksymetru do pomiaru poziomu tlenu we krwi

Wzrost telemedycyny , leczenia pacjentów na odległość, pokazał wzrost możliwych zastosowań sztucznej inteligencji. Sztuczna inteligencja może pomóc w zdalnej opiece nad pacjentami, monitorując ich informacje za pomocą czujników. Urządzenie do noszenia może pozwolić na stałe monitorowanie pacjenta i możliwość zauważenia zmian, które mogą być mniej widoczne dla człowieka. Informacje można porównać z innymi danymi, które zostały już zebrane za pomocą algorytmów sztucznej inteligencji, które ostrzegają lekarzy, jeśli są jakieś problemy, o których należy pamiętać.

Innym zastosowaniem sztucznej inteligencji jest terapia chat-botami. Niektórzy badacze zarzucają jednak, że poleganie na chatbotach w opiece psychiatrycznej nie zapewnia wzajemności i odpowiedzialności za opiekę, jaka powinna istnieć w relacji między konsumentem opieki psychiatrycznej a świadczeniodawcą (czy to chatbotem, czy psychologiem).

Ponieważ średni wiek wzrósł z powodu dłuższej średniej długości życia, sztuczna inteligencja może być przydatna w opiece nad starszymi populacjami. Narzędzia, takie jak czujniki środowiskowe i osobiste, mogą identyfikować regularne czynności danej osoby i ostrzegać opiekuna, jeśli zachowanie lub zmierzone wartości życiowe są nieprawidłowe. Chociaż technologia jest przydatna, toczą się również dyskusje na temat ograniczeń monitorowania w celu poszanowania prywatności osoby, ponieważ istnieją technologie zaprojektowane do mapowania układu domu i wykrywania interakcji międzyludzkich.

Elektroniczne karty zdrowia

Elektroniczna dokumentacja zdrowotna (EHR) ma kluczowe znaczenie dla cyfryzacji i rozpowszechniania informacji w branży opieki zdrowotnej. Teraz, gdy około 80% praktyk medycznych korzysta z EHR, następnym krokiem jest wykorzystanie sztucznej inteligencji do interpretacji zapisów i dostarczania lekarzom nowych informacji.

Jedna aplikacja wykorzystuje przetwarzanie języka naturalnego (NLP) do tworzenia bardziej zwięzłych raportów, które ograniczają różnice między terminami medycznymi, dopasowując podobne terminy medyczne. Na przykład termin atak serca i zawał mięśnia sercowego oznacza to samo, ale lekarze mogą używać jednego z nich w oparciu o osobiste preferencje. Algorytmy NLP konsolidują te różnice, dzięki czemu można analizować większe zestawy danych. Innym zastosowaniem NLP identyfikuje zwroty, które są zbędne ze względu na powtórzenie w notatkach lekarskich i zachowuje istotne informacje, aby ułatwić ich czytanie. Inne aplikacje wykorzystują przetwarzanie pojęć do analizy informacji wprowadzonych przez lekarza obecnego pacjenta, aby przedstawić podobne przypadki i pomóc lekarzowi pamiętać o uwzględnieniu wszystkich istotnych szczegółów.


Poza edytowaniem treści w EHR istnieją algorytmy sztucznej inteligencji, które oceniają dane indywidualnego pacjenta i przewidują ryzyko choroby na podstawie jego wcześniejszych informacji i historii rodzinnej. Jednym z ogólnych algorytmów jest system oparty na regułach, który podejmuje decyzje podobnie do tego, jak ludzie używają schematów blokowych. System ten pobiera duże ilości danych i tworzy zbiór reguł, które łączą konkretne obserwacje z zakończonymi diagnozami. W ten sposób algorytm może przyjąć dane nowego pacjenta i spróbować przewidzieć prawdopodobieństwo, że będzie miał określony stan lub chorobę. Ponieważ algorytmy mogą oceniać informacje o pacjencie na podstawie danych zbiorczych, mogą znaleźć wszelkie nierozstrzygnięte problemy, które należy zwrócić uwagę lekarza i zaoszczędzić czas. Jedno z badań przeprowadzonych przez instytut badawczy Centerstone wykazało, że modelowanie predykcyjne danych EHR osiągnęło 70–72% dokładność w przewidywaniu zindywidualizowanej odpowiedzi na leczenie. Metody te są pomocne ze względu na fakt, że liczba internetowych kart zdrowia podwaja się co pięć lat. Lekarze nie mają przepustowości, aby ręcznie przetwarzać wszystkie te dane, a sztuczna inteligencja może wykorzystać te dane, aby pomóc lekarzom w leczeniu pacjentów.

Interakcje leków

Ulepszenia przetwarzania języka naturalnego doprowadziły do ​​opracowania algorytmów do identyfikacji interakcji między lekami w literaturze medycznej. Interakcje między lekami stanowią zagrożenie dla osób przyjmujących wiele leków jednocześnie, a niebezpieczeństwo wzrasta wraz z liczbą przyjmowanych leków. Aby rozwiązać trudności w śledzeniu wszystkich znanych lub podejrzewanych interakcji między lekami, stworzono algorytmy uczenia maszynowego w celu wyodrębnienia informacji o lekach wchodzących w interakcje i ich możliwych skutkach z literatury medycznej. Wysiłki zostały skonsolidowane w 2013 r. w DDIExtraction Challenge, w którym zespół naukowców z Uniwersytetu Carlosa III zebrał zbiór literatury na temat interakcji między lekami, aby stworzyć standaryzowany test dla takich algorytmów. Konkurenci byli testowani pod kątem ich zdolności do dokładnego określenia na podstawie tekstu, które leki wchodzą w interakcje i jakie są ich cechy. Naukowcy nadal wykorzystują ten korpus do standaryzacji pomiaru skuteczności swoich algorytmów.

Inne algorytmy identyfikują interakcje między lekami na podstawie wzorców w treściach generowanych przez użytkowników , zwłaszcza w elektronicznej dokumentacji medycznej i/lub zgłoszeniach zdarzeń niepożądanych. Organizacje takie jak system FDA zdarzenie niepożądane Reporting (FAERS) i Światowej Organizacji Zdrowia VigiBase pozwalają lekarzy do składania raportów o możliwych negatywnych reakcji na leki. Opracowano algorytmy głębokiego uczenia się, aby analizować te raporty i wykrywać wzorce, które implikują interakcje między lekami.

Tworzenie nowych leków

DSP-1181, cząsteczka leku do leczenia OCD (zaburzeń obsesyjno-kompulsywnych), została wynaleziona przez sztuczną inteligencję dzięki wspólnym wysiłkom Exscientia (brytyjski start-up) i Sumitomo Dainippon Pharma (japońska firma farmaceutyczna). Rozwój leku trwał jeden rok, podczas gdy firmy farmaceutyczne zwykle poświęcają na podobne projekty około pięciu lat. DSP-1181 został przyjęty do próby na ludziach.

We wrześniu 2019 r. Insilico Medicine donosi o stworzeniu, za pośrednictwem sztucznej inteligencji, sześciu nowych inhibitorów genu DDR1 , celu kinazy związanego z zwłóknieniem i innymi chorobami. System, znany jako generatywne uczenie się wzmacniania tensorów (GENTRL), zaprojektował nowe związki w 21 dni, przy czym główny kandydat został przetestowany i wykazał pozytywne wyniki na myszach.

W tym samym miesiącu kanadyjska firma Deep Genomics ogłasza, że ​​jej platforma do odkrywania leków oparta na sztucznej inteligencji zidentyfikowała cel i kandydata na lek na chorobę Wilsona . Kandydat, DG12P1, ma na celu skorygowanie efektu pomijania eksonu Met645Arg, mutacji genetycznej wpływającej na białko wiążące miedź ATP7B.

Przemysł

Trend łączenia dużych firm zdrowotnych pozwala na większą dostępność danych dotyczących zdrowia. Większe dane dotyczące zdrowia stanowią podstawę do wdrożenia algorytmów sztucznej inteligencji.

Duża część przemysłu skupia się na wdrażaniu sztucznej inteligencji w sektorze opieki zdrowotnej w systemach wspomagania decyzji klinicznych . W miarę gromadzenia większej ilości danych algorytmy uczenia maszynowego dostosowują się i pozwalają na bardziej niezawodne odpowiedzi i rozwiązania. Wiele firm bada możliwości włączenia big data w branży medycznej. Wiele firm bada możliwości rynkowe w dziedzinie „technologii oceny, przechowywania, zarządzania i analizy danych”, które są kluczowymi elementami branży opieki zdrowotnej.

Oto przykłady dużych firm, które wniosły wkład w algorytmy sztucznej inteligencji do zastosowania w opiece zdrowotnej:

  • IBM Watson Oncology jest opracowywany w Memorial Sloan Kettering Cancer Center i Cleveland Clinic . IBM współpracuje również z CVS Health nad zastosowaniami sztucznej inteligencji w leczeniu chorób przewlekłych oraz z Johnson & Johnson nad analizą artykułów naukowych w celu znalezienia nowych powiązań w opracowywaniu leków. W maju 2017 r. IBM i Rensselaer Polytechnic Institute rozpoczęły wspólny projekt zatytułowany Health Empowerment by Analytics, Learning and Semantics (HEALS), aby zbadać wykorzystanie technologii AI do poprawy opieki zdrowotnej.
  • Microsoft „projekt Hanover s, we współpracy z Oregon Health & Science University ” s Rycerza Cancer Institute, analiz badań medycznych do przewidzenia najbardziej skutecznych rak możliwości leczenia lekiem dla pacjentów. Inne projekty obejmują analizę obrazu medycznego progresji guza i rozwój programowalnych komórek.
  • Google „s DeepMind platforma jest używany przez brytyjski National Health Service w celu wykrycia pewnych zagrożeń zdrowia poprzez danych zebranych za pomocą aplikacji mobilnej. Drugi projekt z NHS obejmuje analizę obrazów medycznych zebranych od pacjentów NHS w celu opracowania komputerowych algorytmów widzenia w celu wykrywania tkanek nowotworowych.
  • Tencent pracuje nad kilkoma systemami i usługami medycznymi. Należą do nich AI Medical Innovation System (AIMIS), usługa diagnostycznego obrazowania medycznego oparta na sztucznej inteligencji; Inteligentna opieka zdrowotna WeChat; i Tencent Doctorwork
  • Dział kapitału wysokiego ryzyka Intela, Intel Capital, niedawno zainwestował w start-up Lumiata, który wykorzystuje sztuczną inteligencję do identyfikowania zagrożonych pacjentów i opracowywania opcji opieki.
  • Firma Kheiron Medical opracowała oprogramowanie do głębokiego uczenia się do wykrywania raka piersi na podstawie mammografii .
  • Firma Fractal Analytics wypuściła Qure.ai, która koncentruje się na wykorzystaniu głębokiego uczenia i sztucznej inteligencji w celu poprawy radiologii i przyspieszenia analizy diagnostycznych zdjęć rentgenowskich.
  • Elon Musk przedstawia premierę robota chirurgicznego, który wszczepia chip mózgowy Neuralink
    Neuralink opracował neuroprotezę nowej generacji, która misternie łączy się z tysiącami ścieżek neuronowych w mózgu. Ich proces pozwala na umieszczenie chipa wielkości mniej więcej ćwiartki w miejscu kawałka czaszki przez precyzyjnego robota chirurgicznego, aby uniknąć przypadkowych obrażeń.

Cyfrowe aplikacje konsultacyjne, takie jak GP at Hand firmy Babylon Health , Ada Health , AliHealth Doctor You , KareXpert i Your.MD wykorzystują sztuczną inteligencję do udzielania konsultacji medycznych w oparciu o osobistą historię medyczną i powszechną wiedzę medyczną. Użytkownicy zgłaszają swoje objawy do aplikacji, która wykorzystuje rozpoznawanie mowy do porównania z bazą danych chorób. Babylon proponuje następnie zalecane działanie, biorąc pod uwagę historię medyczną użytkownika. Przedsiębiorcy w opiece zdrowotnej zostały skutecznie przy użyciu siedmiu modeli biznesowych archetypy wziąć rozwiązanie AI [ buzzword ] na rynku. Te archetypy zależą od wartości generowanej dla użytkownika docelowego (np. koncentracja na pacjencie a koncentracja na świadczeniodawcach i płatnikach) oraz mechanizmach przechwytywania wartości (np. dostarczanie informacji lub łączenie interesariuszy).

IFlytek uruchomił robota usługowego „Xiao Man”, który zintegrował technologię sztucznej inteligencji w celu identyfikacji zarejestrowanego klienta i dostarczania spersonalizowanych rekomendacji w obszarach medycznych. Działa również w zakresie obrazowania medycznego. Podobne roboty produkują też takie firmy jak UBTECH („Cruzr”) czy Softbank Robotics („Pepper”).

Indyjski startup Haptik opracował niedawno chatbota WhatsApp, który odpowiada na pytania związane ze śmiertelnym koronawirusem w Indiach .

Ponieważ rynek sztucznej inteligencji stale się rozwija, duże firmy technologiczne, takie jak Apple, Google, Amazon i Baidu, mają własne działy badań nad sztuczną inteligencją, a także miliony dolarów przeznaczone na przejęcie mniejszych firm opartych na sztucznej inteligencji. Wielu producentów samochodów zaczyna również korzystać z opieki zdrowotnej opartej na uczeniu maszynowym w swoich samochodach. Firmy takie jak BMW , GE , Tesla , Toyota i Volvo prowadzą nowe kampanie badawcze, aby znaleźć sposoby na poznanie podstawowych statystyk kierowcy, aby upewnić się, że nie śpi, zwraca uwagę na drogę i nie jest pod wpływem substancji lub stresu emocjonalnego .

Implikacje

Przewiduje się, że zastosowanie sztucznej inteligencji zmniejszy koszty leczenia, ponieważ zapewni większą dokładność diagnozy i lepsze prognozy w planie leczenia, a także skuteczniejsze zapobieganie chorobom.

Inne przyszłe zastosowania sztucznej inteligencji obejmują interfejsy mózg-komputer (BCI), które mają pomóc osobom mającym problemy z poruszaniem się, mówieniem lub urazami rdzenia kręgowego. BCI będą wykorzystywać sztuczną inteligencję, aby pomóc tym pacjentom poruszać się i komunikować poprzez dekodowanie aktywacji neuronowych.

Sztuczna inteligencja doprowadziła do znacznych ulepszeń w obszarach opieki zdrowotnej, takich jak obrazowanie medyczne, zautomatyzowane podejmowanie decyzji klinicznych, diagnostyka, prognozy i inne. Chociaż sztuczna inteligencja może zrewolucjonizować kilka dziedzin medycyny, nadal ma ograniczenia i nie może zastąpić lekarza przy łóżku.

Opieka zdrowotna to skomplikowana nauka, która jest ograniczona prawnymi, etycznymi, regulacyjnymi, ekonomicznymi i społecznymi ograniczeniami. Aby w pełni wdrożyć sztuczną inteligencję w opiece zdrowotnej, muszą nastąpić „równoległe zmiany w globalnym środowisku, z licznymi interesariuszami, w tym obywatelami i społeczeństwem”.

Rozszerzenie opieki na kraje rozwijające się

Sztuczna inteligencja wciąż rozwija swoje możliwości dokładnego diagnozowania większej liczby osób w krajach, w których mniej lekarzy jest dostępnych dla społeczeństwa. Wiele nowych firm technologicznych, takich jak SpaceX i Raspberry Pi Foundation , umożliwiło większej liczbie krajów rozwijających się dostęp do komputerów i Internetu niż kiedykolwiek wcześniej. Wraz z rosnącymi możliwościami sztucznej inteligencji w Internecie, zaawansowane algorytmy uczenia maszynowego mogą pozwolić pacjentom na dokładną diagnozę, gdy wcześniej nie mieli możliwości dowiedzenia się, czy mieli chorobę zagrażającą życiu, czy nie.

Korzystanie ze sztucznej inteligencji w krajach rozwijających się, które nie mają zasobów, zmniejszy potrzebę outsourcingu i może poprawić opiekę nad pacjentem. Sztuczna inteligencja może pozwolić nie tylko na diagnozowanie pacjenta w obszarach, w których opieka zdrowotna jest ograniczona, ale także zapewnić dobre wrażenia pacjenta poprzez pozyskiwanie plików w celu znalezienia najlepszego leczenia dla pacjenta. Zdolność AI do dostosowywania kursu w miarę upływu czasu pozwala również pacjentowi na modyfikację leczenia w oparciu o to, co dla niego działa; poziom zindywidualizowanej opieki, który prawie nie istnieje w krajach rozwijających się.

Rozporządzenie

Chociaż badania nad wykorzystaniem sztucznej inteligencji w opiece zdrowotnej mają na celu potwierdzenie jej skuteczności w poprawie wyników leczenia pacjentów przed jej szerszym przyjęciem, jej zastosowanie może jednak wprowadzić kilka nowych rodzajów ryzyka dla pacjentów i świadczeniodawców, takich jak błąd algorytmiczny , Nie reanimuj implikacji oraz inne kwestie dotyczące moralności maszyn . Te wyzwania związane z klinicznym wykorzystaniem sztucznej inteligencji doprowadziły do ​​potencjalnej potrzeby wprowadzenia regulacji.

Mężczyzna przemawiający na warsztatach dotyczących zgodności z RODO na Szczycie Przedsiębiorczości 2019.

Obecnie istnieją regulacje dotyczące gromadzenia danych pacjentów. Obejmuje to zasady, takie jak ustawa o przenośności i odpowiedzialności w ubezpieczeniach zdrowotnych ( HIPAA ) oraz europejskie ogólne rozporządzenie o ochronie danych ( RODO ). RODO dotyczy pacjentów na terenie UE i precyzuje wymogi uzyskania zgody na wykorzystanie danych pacjentów w przypadku gromadzenia przez podmioty danych dotyczących opieki zdrowotnej. Podobnie HIPAA chroni dane dotyczące opieki zdrowotnej z dokumentacji pacjentów w Stanach Zjednoczonych. W maju 2016 r. Biały Dom ogłosił plan zorganizowania serii warsztatów i utworzenia Podkomitetu Narodowej Rady Nauki i Technologii (NSTC) ds. uczenia maszynowego i sztucznej inteligencji. W październiku 2016 r. grupa opublikowała Narodowy plan strategiczny badań i rozwoju sztucznej inteligencji, określający proponowane priorytety w zakresie badań i rozwoju w zakresie sztucznej inteligencji finansowanych przez władze federalne (w ramach rządu i środowiska akademickiego). Raport zauważa, że ​​strategiczny plan badawczo-rozwojowy w poddziedzinie informatyki medycznej jest w fazie rozwoju.

Jedyną agencją, która wyraziła zaniepokojenie, jest FDA. Bakul Patel, Associate Center Director for Digital Health FDA, cytowany w maju 2017 r.:

„Staramy się pozyskać ludzi, którzy mają praktyczne doświadczenie w opracowywaniu, w pełnym cyklu życia produktu. Mamy już kilku naukowców, którzy znają sztuczną inteligencję i uczenie maszynowe, ale potrzebujemy uzupełniających się ludzi, którzy będą mogli patrzeć w przyszłość i zobaczyć, jak ta technologia będzie ewoluować”.

Wspólna grupa fokusowa ITU-WHO ds. sztucznej inteligencji dla zdrowia (FG-AI4H) zbudowała platformę do testowania i analizy porównawczej aplikacji AI w dziedzinie zdrowia. Od listopada 2018 r. porównuje się osiem przypadków użycia, w tym ocenę ryzyka raka piersi na podstawie obrazów histopatologicznych, prowadzenie selekcji antyjadów z obrazów węży i ​​diagnozowanie zmian skórnych.

Obawy etyczne

Zbieranie danych

Aby skutecznie szkolić uczenie maszynowe i wykorzystywać sztuczną inteligencję w opiece zdrowotnej, należy zgromadzić ogromne ilości danych. Jednak pozyskiwanie tych danych w większości przypadków odbywa się kosztem prywatności pacjentów i nie jest dobrze odbierane publicznie. Na przykład badanie przeprowadzone w Wielkiej Brytanii oszacowało, że 63% populacji czuje się niekomfortowo z udostępnianiem swoich danych osobowych w celu ulepszenia technologii sztucznej inteligencji. Niedostatek prawdziwych, dostępnych danych pacjentów jest przeszkodą, która hamuje postęp w opracowywaniu i wdrażaniu większej ilości sztucznej inteligencji w opiece zdrowotnej.

Automatyzacja

Według ostatnich badań sztuczna inteligencja może zastąpić do 35% miejsc pracy w Wielkiej Brytanii w ciągu najbliższych 10 do 20 lat. Jednak z tych miejsc pracy stwierdzono, że sztuczna inteligencja nie wyeliminowała dotychczas żadnych miejsc pracy w opiece zdrowotnej. Chociaż gdyby sztuczna inteligencja miała zautomatyzować zadania związane z opieką zdrowotną, najbardziej podatnymi na automatyzację byłyby zadania związane z informacją cyfrową, radiologią i patologią, w przeciwieństwie do tych, które zajmują się interakcją lekarza z pacjentem.

Automatyzacja może przynieść korzyści również lekarzom. Oczekuje się, że lekarze wykorzystujący sztuczną inteligencję w opiece zdrowotnej zapewnią lepszą opiekę zdrowotną niż lekarze i placówki medyczne, które tego nie robią. Sztuczna inteligencja prawdopodobnie nie zastąpi całkowicie pracowników służby zdrowia, ale raczej da im więcej czasu na opiekę nad pacjentami. Sztuczna inteligencja może zapobiec wypaleniu i przeciążeniu poznawczemu pracowników służby zdrowia

Sztuczna inteligencja ostatecznie przyczyni się do realizacji celów społecznych, które obejmują lepszą komunikację, lepszą jakość opieki zdrowotnej i autonomię.

Stronniczość

Ponieważ sztuczna inteligencja podejmuje decyzje wyłącznie na podstawie danych, które otrzymuje jako dane wejściowe, ważne jest, aby te dane odzwierciedlały dokładne dane demograficzne pacjentów. W warunkach szpitalnych pacjenci nie mają pełnej wiedzy na temat tworzenia lub kalibracji algorytmów predykcyjnych. Dlatego te placówki medyczne mogą nieuczciwie kodować swoje algorytmy, aby dyskryminować mniejszości i priorytetowo traktować zyski, zamiast zapewniać optymalną opiekę.

W tych algorytmach mogą również występować niezamierzone uprzedzenia, które mogą zaostrzać nierówności społeczne i zdrowotne. Ponieważ decyzje AI są bezpośrednim odzwierciedleniem jej danych wejściowych, dane, które otrzymuje, muszą dokładnie odzwierciedlać dane demograficzne pacjentów. Biali mężczyźni są nadmiernie reprezentowani w zestawach danych medycznych. W związku z tym posiadanie minimalnych danych pacjentów dotyczących mniejszości może prowadzić do tego, że sztuczna inteligencja będzie dokonywać dokładniejszych prognoz dla populacji większościowych, co prowadzi do niezamierzonych gorszych wyników medycznych w populacjach mniejszościowych. Gromadzenie danych od społeczności mniejszościowych może również prowadzić do dyskryminacji medycznej. Na przykład HIV jest wirusem powszechnym wśród społeczności mniejszościowych, a status HIV może być wykorzystywany do dyskryminacji pacjentów. Jednak te uprzedzenia można wyeliminować poprzez staranne wdrożenie i metodyczne zbieranie reprezentatywnych danych.

Zobacz też

Bibliografia

Dalsza lektura