Teile võidakse andeks anda, kui arvatakse, et AI asendab peagi inimarste selliste pealkirjade alusel nagu „AI arst näeb sind nüüd”, „Teie tulevane arst ei pruugi olla inimene” ja „See AI lihtsalt peksab inimese arste kliinilisel eksamil ". Kuid eksperdid väidavad, et tegelikkus on pigem koostöö kui tõrjutus: patsiendid võivad peagi leida oma elu osaliselt AI-teenistuste käest, kes töötavad koos inimpolikliinikutega.
AI-st ei ole meditsiiniringkondades optimismist puudust. Kuid paljud hoiatavad ka AI ümbritseva hüpe üle tõelises kliinilises keskkonnas. Samuti on erinevaid nägemusi, kuidas AI teenused võiksid kõige suuremat mõju avaldada. Ja on endiselt ebaselge, kas AI parandab patsientide elu või on Silicon Valleys tegutsevate ettevõtete, tervishoiuorganisatsioonide ja kindlustusandjate jaoks lihtsalt alumine rida.
"Ma arvan, et tegelikult peaksid kõik meie patsiendid soovima, et AI-tehnoloogiaid rakendataks tervishoiusüsteemi nõrkade külgede suhtes, kuid me peame seda tegema mitte Silicon Valley hüpe-moodi, " ütleb Isaac Kohane, biomeditsiinilise informaatika teadur Harvardi meditsiinikool.
Kui AI töötab lubatud viisil, võib see tervishoiuteenuseid demokratiseerida, parandades vähekindlustatud kogukondade juurdepääsu ja vähendades kulusid - Ameerika Ühendriikide õnnistuseks, mis on paljude tervishoiumeetmete osas kehvasti, vaatamata sellele, et keskmised tervishoiukulud aastas on 10 739 dollarit inimese kohta. AI-süsteemid võivad vabastada ületöötanud arstid ja vähendada meditsiiniliste vigade riski, mis võib tappa kümneid tuhandeid, kui mitte sadu tuhandeid USA patsiente igal aastal. Ja paljudes riikides, kus puudub riiklik arstide puudus, näiteks Hiinas, kus ülerahvastatud linnahaiglate ambulatoorsed osakonnad võivad päevas näha kuni 10 000 inimest, ei vaja sellised tehnoloogiad kasulikkuse tõestamiseks täielikku täpsust.
Kuid kriitikud märgivad, et kõik see lubadus võib kaduda, kui kiirus AI juurutamisel takistab patsientide privaatsusõigusi, jätab tähelepanuta eelarvamused ja piirangud või ei osutata teenuseid viisil, mis parandaks enamiku inimeste tervisenäitajaid.
"Samamoodi, nagu tehnoloogiad võivad ebavõrdsusi sulgeda, võivad need erinevusi veelgi süvendada, " ütleb Jayanth Komarneni, avaliku hüvitise ettevõtte Human Diagnosis Project (Human Dx) asutaja ja juhataja. "Ja mitte miski ei suuda seda võimendada selliseid erinevusi nagu AI"
***
Tänapäeval on populaarseimad AI tehnikad masinõpe ja noorem nõbu, sügav õpe. Erinevalt arvutiprogrammidest, mis järgivad jäigalt inimeste kirjutatud reegleid, saavad nii masinõppe kui ka süvaõppe algoritmid vaadata andmekogumit, sellest õppida ja teha uusi ennustusi. Eriti sügav õppimine võib teha muljetavaldavaid ennustusi, avastades andmemustrid, millest inimesed võivad puudust tunda.
Kuid selleks, et neid ennustusi tervishoius maksimaalselt ära kasutada, ei saa AI üksi sellega hakkama saada. Pigem peavad inimesed ikkagi aitama otsuste vastuvõtmisel, millel võivad olla suured tervise- ja rahalised tagajärjed. Kuna AI-süsteemidel puudub inimeste üldine intelligentsus, võivad nad teha hämmastavaid ennustusi, mis võivad osutuda kahjulikuks, kui arstid ja haiglad neid tahtmatult järgivad.
Klassikaline näide pärineb Microsofti teadusuuringute vanemteadurilt Rich Caruanalt, nagu ta selgitas möödunud aastal ajakirjas Engineering and Technology. 1990ndatel töötas Caruana projekti kallal, mis üritas kasutada masinõppe varasemat vormi, et ennustada, kas kopsupõletikuga patsient on madala riskiga või kõrge riskiga. Kuid probleemid tekkisid siis, kui masinõppe mudel üritas ennustada astma põdejatele, kellel on suur risk, kuna nende olemasolevad hingamisraskused muudavad nad kopsupõletiku haavatavaks. Mudel seostas neid patsiente madala riskiastmega, vajades väiksemat sekkumist, mitte haiglaravi - midagi sellist, mida inimekspert poleks kunagi teinud.
Kui jälgite mudelit pimesi, ütleb Stanfordi biomeditsiinilise informaatika uuringute keskuse teadur Kenneth Jung, „siis olete teie võõrustatud. Kuna modell ütleb: "Oh, see astmahaige tuli sisse ja neil tekkis kopsupõletik, kuid me ei pea nende pärast muretsema ja saadame nad koju koos mõne antibiootikumiga." "
Süvaõppe prognoosid võivad nurjuda ka siis, kui nad puutuvad esmakordselt kokku ebaharilike andmepunktidega, näiteks unikaalsete meditsiiniliste juhtumitega, või kui nad õpivad konkreetsetes andmekogumites omapäraseid mustreid, mis ei ole üldised uute meditsiiniliste juhtumite jaoks.
AI-ennustused toimivad kõige paremini, kui neid rakendatakse massiliste andmekogumite korral, näiteks Hiinas, millel on eelis AI-süsteemide koolitamisel tänu juurdepääsule suurele populatsioonile ja patsiendi andmetele. Veebruaris avaldas ajakiri Nature Medicine Hiinas San Diegos ja Guangzhous asuvate teadlaste uuringu, mis näitas lubadust diagnoosida palju levinumaid lastehaigusi enam kui 567 000 lapse elektrooniliste terviseandmete põhjal.
Kuid isegi suured andmekogumid võivad probleeme tekitada, eriti kui teadlased proovivad rakendada oma algoritmi uuele populatsioonile. Loodusmeditsiini uuringus tulid kõik pool miljonit patsienti ühest Guangzhou meditsiinikeskusest, mis tähendab, et pole mingit garantiid, et selle andmestiku koolitusel õpitud diagnostilised õppetunnid kehtiksid ka mujal lastega seotud juhtudel. Iga meditsiinikeskus võib meelitada oma ainulaadse patsientide komplekti - näiteks südame-veresoonkonna keskuse poolest tuntud haigla võib meelitada kriitilisemaid südamehaigusi. Ja järeldused, mis pärinevad peamiselt Hiina etnilistest patsientidest meelitavas Guangzhou haiglas, ei pruugi tähendada seda, et Shanghais oleks rohkem välismaal sündinud mitte-Hiina patsiente.
Selles 2017. aasta TEDx-vestluses selgitab Johns Hopkinsi haigla Shinjini Kundu, kuidas AI-vahenditel on võimalus meditsiinilistest piltidest rohkem silma paista kui arstid üksi suudavad - sealhulgas haiguste ennustamine enne, kui patsiendid sümptomid ilmnevad.
See ekstrapoleerimine osutub keeruliseks ka teistes olukordades. Näiteks ütleb Toronto ülikooli arvutiteadlane ja biomeditsiiniinsener Marzyeh Ghassemi, et teil on Bethi Iisraeli diakoonia meditsiinikeskuses 40 000 ICU patsienti - see on vaid üks haigla ühes linnas. “Ja nii on mul kõik need paberid, mis on nende andmetega ennustusi teinud. Kas see töötab teise Bostoni haiglaga? Võib olla. Kas see töötab mõne teise osariigi haigla jaoks? Kas see toimiks mõnes teises riigis? Me ei tea. ”
***
Ehkki AI mudelid ei pruugi igal juhul töötada, arvab Ghassemi, et see tehnoloogia on siiski uurimist väärt. "Ma pooldan väga nende mudelite viimist pingilt voodilauale, " ütleb naine, "kuid tõesti väga agressiivsete ettevaatusabinõudega."
I. Glenn Cohen, Harvardi ülikooli õigusteaduskonna professor, täppismeditsiini, tehisintellekti ja seaduse projekti juht, peab neid samme olema olemas ka AI arendamise ja juurutamise ajal. See võib hõlmata AI-ennustuste täpsuse ja läbipaistvuse kontrollimist. Andmete kogumise ajal peavad teadlased kaitsma ka patsiendi privaatsust ja küsima nõusolekut patsiendi andmete kasutamiseks AI koolitamiseks
Nõusoleku küsimus kerkib uuesti esile, kui AI mudel on valmis eksperimentaalseks kliiniliseks testimiseks päris patsientidega. “Kas patsientidele tuleb öelda, et kasutate nende jaoks algoritmi, ja kas pole vahet, kas AI juhib täielikult või osaliselt hooldust?” Küsib Cohen. "Nendele küsimustele mõeldakse tõesti väga vähe."
Ghassemi soovitab ka AI algoritmide sagedast auditeerimist, et tagada õiglus ja täpsus erinevates inimrühmades etnilise kuuluvuse, soo, vanuse ja tervisekindlustuse alusel. See on oluline, arvestades, kuidas muude valdkondade AI-rakendused on juba näidanud, et need suudavad kergesti saavutada eelarvamusi.
Pärast kõiki neid samme peavad AI-teenuseid pakkuvad inimesed ja ettevõtted vältimatute vigade korral seadusest tuleneva vastutuse välja selgitama. Ja erinevalt enamikust meditsiiniseadmetest, mis vajavad tavaliselt vaid ühte regulatiivset kinnitust, võivad AI teenused vajada täiendavat ülevaatamist, kui nad uutest andmetest õpivad.
Mõned reguleerivad ametid mõtlevad uuesti läbi, kuidas hinnata tervishoiuteenuste osutamist AI Aprillis andis USA toidu- ja ravimiamet (FDA) välja aruteludokumendi, et saada avalikku tagasisidet selle kohta, kuidas värskendada vastavat regulatiivset ülevaadet. "See, mida me siin pidevalt proovime teha, on tagasi oma eesmärgi juurde anda inimestele juurdepääs tehnoloogiatele, kuid mõistame ka seda, et meie praegused meetodid ei tööta päris hästi, " ütleb Bakul Patel, kes on digitaalse tervise direktor FDA. "Seetõttu peame vaatama terviklikku lähenemist toote kogu elutsüklile."
Lisaks juurdepääsu, privaatsuse ja eeskirjadega seotud küsimustele pole selge ka see, kes saab AI tervishoiuteenustest kõige rohkem kasu. Tervishoiu valdkonnas on erinevused juba olemas: Maailmapanga ja Maailma Tervishoiuorganisatsiooni andmetel puudub pool maakera elanikkonnast juurdepääsu hädavajalikele tervishoiuteenustele ja tervishoiukulude tõttu on peaaegu 100 miljonit inimest vaesuses. Sõltuvalt sellest, kuidas seda kasutatakse, võiks AI neid ebavõrdsusi kas parandada või halvendada.
"Suur osa AI-teemalistest aruteludest on olnud seotud tervishoiu demokratiseerimisega ja ma tahan seda näha, " ütleb Effy Vayena, Šveitsi föderaalse tehnoloogiainstituudi bioeetik.
"Kui lõpetate lihtsalt fänniteenuse pakkumisega neile, kes niikuinii saavad endale head tervishoiuteenust lubada, " lisab ta, "ma pole kindel, kas see on meie otsitav ümberkujundamine."
Kuidas see kõik välja mängib, sõltub erinevatest visioonidest AI rakendamiseks. Varajane arendustegevus on keskendunud väga kitsastele diagnostilistele rakendustele, näiteks piltide kontrollimisele nahavähi või küünte seenhaiguste osas või rindkere röntgenikiirte lugemisele. Kuid hilisemad jõupingutused on püüdnud diagnoosida mitut tervislikku seisundit korraga.
2018. aasta augustis Suurbritannias Moorfieldsi silmahaiglas ja DeepMindis. Londonis asuv AI labor, mis kuulub Google'i emaettevõttele Alphabet, näitas, et nad olid edukalt koolitanud AI süsteemi, et tuvastada skannimisel enam kui 50 silmahaigust, mis vastas juhtivate ekspertide tulemustele. Sarnaselt ulatuslikud ambitsioonid ajendasid San Diegot ja Guangzhou uuringut, kus koolitati AI diagnoosima laste seas levinumaid vaevusi. Viimane polnud lastehaiguste diagnoosimisel vanemate arstidega võrreldes nii hea, kuid see oli siiski parem kui mõne nooremarsti juures.
Sellised AI-süsteemid ei pea tervishoiu demokratiseerimisel aitama parimatest inimekspertidest edestada, vaid peavad lihtsalt laiendama juurdepääsu praegustele meditsiinistandarditele. Siiani on paljud pakutud AI-rakendused keskendunud praeguse tervishoiustandardi parandamisele, mitte taskukohase tervishoiu levitamisele, ütles Cohen: „Demokraatlikustades seda, mis meil juba on, oleks teie pank palju suurem kui selle parandamine, mis meil on paljudes valdkondades. ”
Nõustamisettevõte Accenture ennustab, et populaarseimad AI-rakendused võivad 2026. aastaks USA majandusele kokku hoida 150 miljardit dollarit aastas. Kuid pole selge, kas sellest saavad kasu maksumaksjate dollaritega täiendatud patsiendid ja tervishoiusüsteemid või kui rohkem raha voolab lihtsalt tehnoloogiaettevõtetele, tervishoiuteenuste osutajad ja kindlustusandjad.
"Küsimus, kes seda juhtima hakkab ja kes selle eest maksma läheb, on oluline küsimus, " ütleb Kohane. "Kõigi nende äriplaanide pisut hallutsinatiivne on see, et nad arvavad, et teavad, kuidas see välja tuleb."
Kohane hoiatab isegi siis, kui AI-teenused pakuvad kokkuhoiualaseid soovitusi, võivad inimarstid ja tervishoiuorganisatsioonid AI-nõuandeid kasutada, kui nad teenivad selle tulemusel vähem raha. See puudutab USA tervishoiuteenuse pakkujate suuremat süsteemset probleemi, kasutades tasulist mudelit, mis sageli tasub arste ja haiglaid testide ja meditsiiniliste protseduuride lisamise eest ka siis, kui neid pole vaja.
***
On veel üks AI võimalus, mis parandaks hoolduse kvaliteeti, jättes enamiku meditsiinilisi diagnoose siiski arstide hooleks. Oma 2019. aasta raamatus Deep Medicine räägib Scrippsi teadusuuringute instituudi direktor ja asutaja Eric Topol sisuliselt ülelaaditava meditsiinilise Siri loomisest - AI assistent, kes teeb märkmeid arstide ja nende patsientide vahelise suhtluse kohta, sisestab need märkmed elektroonilisse tervisesse andmeid ja tuletage arstidele meelde, et nad küsiksid patsiendi anamneesi asjakohaste osade kohta.
"Minu eesmärk on, et me lahkaksime arstide töö ja vabaneksime nende andmetöötaja rollist, aitame patsientidel võtta rohkem vastutust ja sisestame andmed kokku, nii et asjade ülevaatamine ei võta nii kaua aega, " räägib Topol.
See "kunagi unustamatu meditsiiniassistent või kirjatundja", ütles Kohane, eeldaks AI-d, mis suudaks arstide ja patsientide vahel automaatselt mitu häält jälgida ja transkribeerida. Ta toetab Topoli ideed, kuid lisab, et enamik arenduses olevaid AI rakendusi ei näi olevat keskendunud sellistele abilistele. Siiski on mõned ettevõtted, näiteks Saykara ja DeepScribe, arendanud sarnaseid teenuseid ning isegi Google tegi Stanfordi ülikooliga koostööd, et testida sarnast “digitaalse kirjatöötaja” tehnoloogiat.
AI assistent võib tunduda vähem põnev kui AI arst, kuid see võib vabastada arste oma patsientidega rohkem aega veetma ja parandama hoolduse üldist kvaliteeti. Eriti perearstid veedavad sageli enam kui poole oma tööpäevadest andmete sisestamisel elektroonilistesse tervisekaartidesse - see on peamine tegur füüsilise ja emotsionaalse läbipõlemise taga, millel on rängad tagajärjed, sealhulgas patsientide surm.
Irooniline on see, et elektroonilised tervisekaardid pidid parandama arstiabi ja vähendama kulusid, muutes patsientide teabe kättesaadavamaks. Nüüd osutasid Topol ja paljud teised eksperdid elektroonilistele terviseandmetele ettevaatusabinõuna AI-d ümbritseva praeguse hüpe kohta meditsiinis ja tervishoius.
Elektrooniliste tervisekontrolli kaartide juurutamine on juba loonud sadade eramüüjate seas levinud patch-süsteemi, mis peamiselt õnnestub patsientide andmed isoleerida ja muudab need nii arstidele kui ka patsientidele kättesaamatuks. Kui ajalugu on mis tahes juhend, tunnevad paljud tehnoloogiaettevõtted ja tervishoiuorganisatsioonid tõmmet sarnaseid teid mööda käia, hoides meditsiinilisi andmeid enda AI-süsteemide jaoks.
Üks võimalus selle saavutamiseks võib olla kollektiivse luure süsteemi kasutamine, mis koondab ja järjestab meditsiinilisi ekspertiise erinevatest allikatest, ütles Komarneni, kes proovib seda lähenemisviisi Human Dx-iga. Selliste suurte meditsiiniliste organisatsioonide nagu Ameerika Meditsiiniühingu toel on Human Dx ehitanud veebipõhise platvormi tuhandete arstide nõuandeteenuste kogumiseks konkreetsete meditsiiniliste juhtumite kohta. Komarneni loodab, et selline platvorm võiks teoreetiliselt kunagi sisaldada ka paljude erinevate AI-teenuste diagnostilisi nõuandeid.
"Nii nagu tulevikus võiksid mitmed inimprofessionaalid teie juhtumit uurida, pole ka põhjust, miks mitu AI-d seda teha ei saaks, " ütleb Komarneni.
Kuna arstid ootavad oma AI abilisi, võivad rahvahulga hankimise projektid, näiteks Human Dx, kindlasti kaasa tuua parema diagnostika või isegi täiustatud teraapiasoovitused, "ütleb Topol, kes oli 2018. aasta uuringu kaasautor sarnasel platvormil nimega Medscape Consult. Dokumendis jõuti järeldusele, et inimeste kollektiivne intelligentsus võib olla AI meditsiinilises valdkonnas „konkureeriv või täiendav strateegia“.
Kuid kui AI teenused läbivad kõik testid ja reaalse kontrolli, võivad nad muutuda inimestele oluliseks partneriks tänapäevase tervishoiu ümberkujundamisel.
"On asju, mida masinad ei tee kunagi hästi, ja siis teisi, kus nad ületavad seda, mida iga inimene saab teha, " ütleb Topol. "Nii et kui need kaks kokku panna, on see väga võimas pakett."
***
Jeremy Hsu on New Yorgis tegutsev vabakutseline ajakirjanik. Ta kirjutab teiste väljaannete hulgas sageli teadust ja tehnoloogiat Backchannel, IEEE Spectrum, Popular Science ja Scientific American.
See artikkel avaldati algselt saidil Undark. Lugege algset artiklit.
