Искусственный интеллект и здравоохранение: главные перспективы

Искусственный интеллект и здравоохранение: главные перспективы

Лидеры здравоохранения принимают ИИ. Но проведя обширный обзор тематических исследований и научной литературы, было обнаружено, что инициативы по применению искусственного интеллекта в основном направлены на разработку алгоритмов, которые могут предсказать проблему, такую ​​как рак, чтобы сделать диагностику лучше, быстрее и дешевле. Очень редко научные организации выделяют ресурсы на усилия ИИ, направленные на понимание причин возникновения болезней. Для максимально эффективного вмешательства оба вида алгоритмов имеют решающее значение.

Искусственный интеллект в медицине – будущее новых технологий

Чтобы было ясно, мы не преуменьшаем важность прогностической аналитики для диагностики пациентов. Это спасает жизни. Медицинский центр Beth Israel Deaconess использовал модели, чтобы предсказать, ИИ и здравоохранениекакие пациенты, скорее всего, не явятся или прекратят лечение, чтобы он мог вмешаться раньше времени, например, отправив им текстовое сообщение. Совместно с Департаментом по делам ветеранов США в Google Mind была разработана технология, позволяющая прогнозировать острое повреждение почек – состояние, от которого страдает каждый пятый госпитализированный пациент, на 48 часов раньше, чем диагностируется в настоящее время. Предполагается, что применение ИИ будет в ближайшее время включено общую стоимость лечения во многих израильских и американских клиниках. Если вы хотите узнать цены на лечение в израильских клиниках, эту информацию можно получить на официальных сайтах медучреждений Израиля.

Но прогностические модели, такие как глубокое обучение, в основном предсказывают результаты, обнаруживая сложные закономерности в данных. Например, учитывая несколько изображений поражений кожи, они могут предсказать, следует ли маркировать новое изображение поражения как злокачественное или доброкачественное. Они берут то, что мы уже делаем, и улучшаем его, перенося задачу с человека — в данном случае радиолога — на алгоритм. Как подчеркивается в недавней научной статье ИИ в настоящее время создает наибольшую ценность, помогая передовым клиницистам быть более продуктивными и делая внутренние процессы более эффективными – но пока не в принятии клинических решений или улучшении клинических результатов. Клинические применения для выявления причин заболевания все еще редки.

В отличие от этого, с помощью причинно-следственных алгоритмов мы могли бы также определить основные факторы, вызывающие рак, и использовать эти знания для разработки новых лекарств и понять, кто должен получать эти лекарства.

В сфере здравоохранения подход к пониманию причинности по умолчанию заключается в проведении рандомизированного контролируемого исследования. Но такие испытания являются дорогостоящими, отнимающими много времени, не полностью репрезентативными для разных типов пациентов и часто просто неосуществимыми. Причинно-следственные алгоритмы могут вывести причинно-следственные связи из данных наблюдений, сообщая нам, как различные факторы взаимодействуют друг с другом и какой из них является причиной чего. Мы также можем провести моделирование «что если?». Например, как увеличение лечения в 10 раз повлияет на исход заболевания?

Подходы к применению ИИ в современной медицине

Новые подходы для причинного ИИ разрабатываются и проверяются. Они включают такие методы, как байесовские сети, модели структурных уравнений и структуры потенциальных результатов. Рассмотрим некоторые области медицины, в которых ценность ИИ особо важна.

Открытие механизмов болезни. GNS Healthcare в партнерстве с Альянсом по клиническим исследованиям в онкологии хотели повысить уровень выживаемости при колоректальном раке, лучше понимая основной механизм заболевания. Они построили причинно-следственные модели с данными клинического испытания с более чем 2000 пациентов, которых лечили двумя различными препаратами. Они смогли идентифицировать как молекулярные, так и клинические причинные факторы, которые могут служить в качестве биомаркеров для выживания, чтобы врачи могли лучше выбрать правильное лечение для нужного пациента.

Оптимизация лечения. Возможно, одно из самых нелогичных, но и захватывающих приложений причинного ИИ – это поддержка принятия решений поставщиками медицинских услуг. Прогностические модели для оценки риска пациента и выбора оптимального лечения иногда могут привести к ненадежным рекомендациям. Например, была модель, которая неверно предсказывала, что астматики с пневмонией реже умирают только потому, что в больнице проводилась политика прямого приема этих пациентов в ОИТ, которую модель не учитывала. Политика, разработанная для этого результата, опасно рекомендовала бы предоставлять меньше помощи пациентам с астмой. Причинно-следственные модели ИИ могут преодолеть такие риски.

Социальные детерминанты здоровья. Специалисты здравоохранения в Соединенных Штатах и ​​во всем мире пытаются понять, как социальные факторы, окружающие пациента, могут влиять на здоровье. В нашей собственной работе в Индии Фонд Сурго хотел понять, почему 20% женщин в штате Уттар-Прадеш, Индия, решили родить своих детей дома, несмотря на известные риски для здоровья. Используя причинно-следственные методы машинного обучения, мы узнали, например, что расстояние до больницы фактически не имеет значения, несмотря на то, что большинство инвестиций было направлено на строительство большего количества больниц поблизости.

Как же сделать причинный ИИ более важным в здравоохранении?

С одной стороны, важно понимать широту того, что может предложить ИИ. Лидеры здравоохранения должны уделить время для выявления проблем в своей работе, которые больше всего выиграют от причинного ИИ, установить партнерские отношения с компаниями и учеными, имеющими опыт в этой области, а затем протестировать этот подход на нескольких тематических исследованиях.

Во-вторых, данные являются ключевыми. Хотя нам удалось получить данные, необходимые для получения значимых результатов в рамках инициативы по доставке на дом, получение адекватных данных может быть проблемой. Способность причинного ИИ давать достоверные выводы должна опираться на наличие точных и репрезентативных данных.

 

Автор

Запись опубликована 18 Апрель 2015 в разделе Новости