Sinulle voidaan antaa anteeksi ajatus siitä, että AI korvaa pian ihmislääkärit sellaisten otsikoiden perusteella kuin ”AI-lääkäri näkee sinut nyt”, “Tuleva lääkäri ei voi olla ihminen” ja “Tämä AI vain voittaa ihmislääkärit kliinisellä tutkimuksella . "Mutta asiantuntijoiden mukaan todellisuus on enemmän yhteistyötä kuin syrjäyttämistä: Potilaat voisivat pian löytää elämänsä osittain ihmisklinikien kanssa työskentelevien AI-palveluiden käsissä.
Lääketieteellisessä yhteisössä ei ole puutetta optimismista AI: n kanssa. Mutta monet varoittavat myös siitä, että AI: n ympäröivä hype ei ole vielä toteutunut todellisissa kliinisissä olosuhteissa. Erilaisia visioita on myös siitä, kuinka AI-palvelut voisivat vaikuttaa suurimmin. Ja on edelleen epäselvää, parantaako AI potilaiden elämää vai vain Piilaakson yritysten, terveydenhuollon organisaatioiden ja vakuutuksenantajien tulosta.
"Uskon, että kaikkien potilaidemme pitäisi todella haluta, että AI-tekniikat saadaan hoidettavaksi terveydenhuoltojärjestelmän heikkouksissa, mutta meidän on tehtävä se muulla kuin Piilaakson hype-tavalla", sanoo Isaac Kohane, biolääketieteen tietotekniikan tutkija Harvardin lääketieteellinen koulu.
Jos AI toimii luvatulla tavalla, se voi demokratisoida terveydenhuollon parantamalla vajaakuntoisten yhteisöjen pääsyä ja alentamalla kustannuksia - siunaus Yhdysvalloissa, joka sijoittuu huonosti moniin terveystoimenpiteisiin huolimatta siitä, että keskimääräiset vuosittaiset terveydenhuollon kustannukset ovat 10 739 dollaria henkilöä kohti. AI-järjestelmät voisivat vapauttaa ylityöllistetyt lääkärit ja vähentää lääketieteellisten virheiden riskiä, joka voi tappaa kymmeniä tuhansia, ellei jopa satoja tuhansia, Yhdysvaltain potilaita vuosittain. Ja monissa maissa, joissa on kansallisia lääkäreitä, kuten Kiinassa, jossa ylikuormitettujen kaupunkisairaaloiden avohoitoosastoilla voi olla jopa 10 000 ihmistä päivässä, tällainen tekniikka ei tarvitse täydellistä tarkkuutta hyödyllisenä osoittamiseksi.
Mutta kriitikot huomauttavat, että kaikki tämä lupaus voi kadota, jos kiire toteuttaa AI toteuttaa potilaiden yksityisyyden suojaa, jättää huomioimatta puolueellisuuden ja rajoitukset tai jättää ottamatta palveluja käyttöön tavalla, joka parantaa useimpien ihmisten terveysvaikutuksia.
"Samoin kuin tekniikat voivat sulkea eroavaisuudet, ne voivat pahentaa eroja", sanoo Jayanth Komarneni, Human Diagnosis Project -hankkeen (Human Dx) perustaja ja puheenjohtaja. Se on yleishyödyllinen yhteisö, joka keskittyy joukkojen hankkimiseen lääketieteelliseen asiantuntemukseen. "Ja missään ei ole sellaista kykyä pahentaa eroja, kuten AI"
***
Nykyään suosituimmat AI-tekniikat ovat koneoppiminen ja sen nuorempi serkku, syväoppiminen. Toisin kuin tietokoneohjelmissa, jotka noudattavat tiukasti ihmisten kirjoittamia sääntöjä, sekä koneoppiminen että syvän oppimisen algoritmit voivat tarkastella tietojoukkoa, oppia siitä ja tehdä uusia ennusteita. Varsinkin syvä oppiminen voi tehdä vaikuttavia ennusteita löytämällä tietomallit, joista ihmiset voivat puuttua.
Mutta voidakseen hyödyntää näitä ennusteita terveydenhoidossa, en voi tehdä sitä yksin. Ihmisten on pikemminkin edelleen autettava tekemään päätöksiä, joilla voi olla merkittäviä terveys- ja taloudellisia seurauksia. Koska AI-järjestelmistä puuttuu ihmisten yleinen älykkyys, ne voivat tehdä hämmentäviä ennusteita, jotka voivat osoittautua haitallisiksi, jos lääkärit ja sairaalat seuraavat niitä kiistattomasti.
Klassinen esimerkki tulee Rich Research -yritykseltä, joka on Microsoftin tutkimuksen vanhempi tutkija, kuten hän selitti viime vuonna Engineering and Technology -lehdessä. 1990-luvulla Caruana työskenteli projektissa, jossa yritettiin käyttää aikaisempaa koneoppimismenetelmää ennustaakseen, onko keuhkokuumepotilaalla pieni riski vai korkea riski. Mutta ongelmia syntyi, kun koneoppimismalli yritti ennustaa tapauksen astmaatikoille, joilla on suuri riski, koska heidän olemassa olevat hengitysvaikeudet tekevät heistä alttiita keuhkokuumeelle. Malli kiinnitti nämä potilaat vähäriskisiksi ja vaatii vähäistä interventiota eikä sairaalahoitoa - jota ihmisen asiantuntija ei olisi koskaan tehnyt.
Jos seuraat mallia sokeasti, sanoo Stanfordin biolääketieteen tietotekniikan tutkimuskeskuksen tutkija Kenneth Jung, ”niin sinut hoidetaan. Koska malli sanoo: "Voi, tämä astmaa sairas lapsi tuli ja he saivat keuhkokuumeen, mutta meidän ei tarvitse huolehtia niistä ja lähetämme heidät kotiin joidenkin antibioottien kanssa." "
Syväoppimisennusteet voivat myös epäonnistua, jos he kohtaavat ensimmäistä kertaa epätavallisia tietopisteitä, kuten ainutlaatuisia lääketieteellisiä tapauksia, tai kun he oppivat erityismalleja erityisissä tietoaineistoissa, jotka eivät yleisty hyvin uusiin lääketieteellisiin tapauksiin.
AI-ennusteet toimivat parhaiten, kun niitä käytetään massiivisissa tietojoukkoissa, kuten Kiinassa, jolla on etuna AI-järjestelmien kouluttaminen ansiosta pääsy suuriin väestöryhmiin ja potilastietoihin. Nature Medicine -lehti julkaisi helmikuussa San Diegossa ja Kiinassa Guangzhoussa toimivien tutkijoiden tutkimuksen, joka osoitti lupaavan diagnosoida monia yleisiä lastentauteja yli 567 000 lapsen sähköisten terveyskertomusten perusteella.
Mutta jopa suuret tietojoukot voivat aiheuttaa ongelmia, etenkin kun tutkijat yrittävät soveltaa algoritmiaan uuteen populaatioon. Luontolääketutkimuksessa kaikki puolet miljoonaa potilasta tuli yhdestä Guangzhoun lääkärikeskuksesta, mikä tarkoittaa, ettei ole mitään takeita siitä, että kyseisen tietojoukon koulutuksesta opitut diagnostiset kokemukset koskevat lasten tapauksia muualla. Jokainen lääketieteellinen keskus voi houkutella omaa ainutlaatuista potilasjoukkoaan - esimerkiksi sydän- ja verisuonikeskuksestaan tunnettu sairaala voi houkutella kriittisempiä sydäntiloja. Ja tulokset Guangzhoun sairaalasta, joka houkuttelee enimmäkseen etnisiä kiinalaisia potilaita, ei välttämättä ole tulkinnassa Shanghain sellaiseen, jossa on enemmän ulkomaalaisia syntyneitä, ei-kiinalaisia potilaita.
Tässä 2017 TEDx -puhelussa Shinjini Kundu Johns Hopkinsin sairaalasta selittää, kuinka älykkäät välineet voivat potkaista enemmän lääketieteellisistä kuvista kuin pelkästään lääkärit voivat - mukaan lukien ennustaa sairauksia ennen kuin potilailla ilmenee oireita.
Tämä ekstrapolointi osoittautuu vaikeaksi myös muissa tilanteissa. Esimerkiksi Toronton yliopiston tietotekniikan ja biolääketieteen insinööri Marzyeh Ghassemi sanoo, että sinulla on 40 000 ICU-potilasta Beth Israelin diakonessien lääketieteellisessä keskuksessa - se on vain yksi sairaala yhdessä kaupungissa. Ja niin minulla on kaikki nämä paperit, jotka ovat tehneet ennusteita näiden tietojen kanssa. Toimiiko tämä toisen Bostonin sairaalan kanssa? Ehkä. Toimiiko se toisen valtion sairaalassa? Toimiiko se toisessa maassa? Emme tiedä. ”
***
Vaikka AI-mallit eivät välttämättä toimi kaikissa tapauksissa, Ghassemin mielestä tekniikka on edelleen tutkimuksen arvoinen. "Kannatan suuresti näiden mallien ottamista penkiltä sängylle", hän sanoo, "mutta todella aggressiivisilla varotoimenpiteillä."
Näiden vaiheiden on oltava olemassa koko AI: n kehittämisen ja käyttöönoton ajan, kertoo Harvardin yliopiston lakiprofessori, tarkkuuslääketieteen, tekoälyn ja lain johtaja I. Glenn Cohen. Tämä voi edellyttää AI-ennusteiden tarkkuuden ja avoimuuden tarkistamista. Ja tiedonkeruun aikana tutkijoiden on myös suojeltava potilaan yksityisyyttä ja pyydettävä suostumusta potilastietojen käyttämiseen AI: n kouluttamiseen
Hyväksyntäkysymys tulee jälleen esiin, kun AI-malli on valmis kokeellisiin kliinisiin kokeisiin todellisten potilaiden kanssa. "Pitäisikö potilaille kertoa, että käytät heidän algoritmiaan, ja onko sillä merkitystä, ohjaako AI täysin hoitoa vai osittain hoitoa?" Cohen kysyy. "Näihin kysymyksiin on todella vähän ajattelua."
Ghassemi kannattaa myös AI-algoritmien säännöllistä tarkastamista oikeudenmukaisuuden ja tarkkuuden varmistamiseksi eri ihmisryhmissä etnisyyden, sukupuolen, iän ja sairausvakuutuksen perusteella. Se on tärkeää ottaen huomioon, kuinka muiden alojen AI-sovellukset ovat jo osoittaneet kykenevänsä helposti poikittaisiin.
Kaikkien näiden vaiheiden jälkeen AI-palveluja tarjoavien ihmisten ja yritysten on selvitettävä oikeudellinen vastuu väistämättömien virheiden varalta. Ja toisin kuin useimmat lääkinnälliset laitteet, jotka yleensä tarvitsevat vain yhden lakisääteisen hyväksynnän, AI-palvelut saattavat edellyttää lisäarviointia aina, kun he oppivat uusista tiedoista.
Jotkut sääntelyvirastot miettivät, miten arvioida terveydenhuollon AI: tä Huhtikuussa Yhdysvaltain elintarvike- ja lääkevirasto (FDA) julkaisi keskusteluasiakirjan saadakseen yleisölle palautetta siitä, kuinka päivittää asiaa koskevaa sääntelykatsausta. "Se, mitä yritämme jatkuvasti tehdä täällä, on palata tavoitteeseemme tarjota ihmisille pääsy tekniikoille, mutta ymmärrämme myös, että nykyiset menetelmämme eivät aivan toimi hyvin", sanoo Bakul Patel, johtaja digitaalisen terveydenhuollon johtaja. FDA. "Siksi meidän on tarkasteltava kokonaisvaltaista lähestymistapaa koko tuotteen elinkaareen."
Pääsyä, yksityisyyttä ja säädöksiä koskevien asioiden lisäksi ei ole myöskään selvää, kuka hyötyy eniten AI-terveydenhuoltopalveluista. Terveydenhuollossa on jo eroja: Maailmanpankin ja Maailman terveysjärjestön mukaan puolelta maapallon väestöstä ei ole pääsyä välttämättömiin terveydenhoitopalveluihin ja lähes 100 miljoonaa ihmistä joutuu äärimmäiseen köyhyyteen terveydenhuoltokulujen kautta. AI voi joko parantaa näitä eriarvoisuuksia tai pahentaa niitä sen mukaan, kuinka sitä käytetään.
"Suuri osa AI-keskusteluista on keskustellut siitä, miten terveydenhuolto demokratisoidaan, ja haluan nähdä sen tapahtuvan", sanoo Effy Vayena, bioeetikko Sveitsin liittovaltion teknillisessä instituutissa.
"Jos päätätte vain houkuttelevamman palvelun tarjoamisen niille, joilla on silti varaa hyvään terveydenhuoltoon", hän lisää, "en ole varma, onko kyseessä muutos, jota etsimme."
Kuinka tämä kaikki pelataan, riippuu erilaisista visioista AI: n toteuttamiseksi Varhaisessa kehitystyössä on keskitytty erittäin kapeisiin diagnoosisovelluksiin, kuten ihon syöpään tai kynsien sieniin liittyvien kuvien tarkistamiseen tai rintakehän röntgenkuvien lukemiseen. Mutta uudemmissa pyrkimyksissä on yritetty diagnosoida useita terveystiloja kerralla.
Elokuussa 2018 Moorfields Eye Hospital Iso-Britanniassa ja DeepMind. Lontoossa sijaitseva AI-laboratorio, jonka omistaa Googlen emoyhtiö Alphabet, osoitti, että he olivat onnistuneesti kouluttaneet AI-järjestelmän tunnistamaan yli 50 silmäsairautta skannauksissa, mikä vastasi johtavien asiantuntijoiden suorituskykyä. Samoin laajat tavoitteet ajoivat San Diegon ja Kantonin tutkimuksen, joka koulutti AI: n diagnosoimaan yleisiä sairauksia lasten keskuudessa. Jälkimmäinen ei ollut yhtä hyvä lasten sairauksien diagnosoinnissa kuin vanhemmat lääkärit, mutta se suoriutui paremmin kuin jotkut nuoremmat lääkärit.
Tällaisten AI-järjestelmien ei ehkä tarvitse ylittää parhaita ihmisten asiantuntijoita terveydenhuollon demokratisoimiseksi, vaan yksinkertaisesti laajentaa nykyisten lääketieteellisten normien saatavuutta. Toistaiseksi monet ehdotetut AI-sovellukset ovat keskittyneet parantamaan nykyistä hoitotasoa sen sijaan, että levitä kohtuuhintaista terveydenhuoltoa ympäriinsä, Cohen sanoo: ”Demokratisoimalla se, mikä meillä jo on, olisi huomattavasti suurempi bang for your buck kuin parantaa sen mitä meillä on monilla alueilla. ”
Konsultointiyritys Accenture ennustaa, että suosituimmat AI-sovellukset voisivat säästää Yhdysvaltain taloudessa 150 miljardia dollaria vuodessa vuoteen 2026 mennessä. Mutta on epäselvää, hyötyisivätkö potilaat ja veronmaksajien dollareilla täydennetyt terveydenhuoltojärjestelmät vai johtaisiko enemmän rahaa yksinkertaisesti teknologiayrityksiin, terveydenhuollon tarjoajat ja vakuuttajat.
"Kysymys siitä, kuka ajaa tämän ja kuka maksaa siitä, on tärkeä kysymys", Kohane sanoo. "Jotkut hiukan hallusinatiiviset kaikissa näissä liiketoimintasuunnitelmissa ovat sitä, että he luulevat tietävänsä, miten se toimii."
Vaikka AI-palvelut antavat kustannussäästösuosituksia, ihmislääkärit ja terveydenhuollon organisaatiot voivat epäröidä ottaa AI-neuvoja, jos he ansaitsevat vähemmän rahaa seurauksena, Kohane varoittaa. Tämä puhuu Yhdysvaltojen sairausvakuutusyhtiöiden laajemmasta systeemisestä ongelmasta, joka käyttää palvelumaksumallia, joka palkitsee lääkärit ja sairaalat usein testien ja lääketieteellisten toimenpiteiden lisäämisestä, jopa silloin, kun niitä ei tarvita.
***
On olemassa toinen AI-mahdollisuus, joka voisi parantaa hoidon laatua jättäen silti suurimman osan lääketieteellisistä diagnooseista lääkäreiden käsiin. Syvälääketieteellisessä tutkimuksessaan Eric Topol, Scripps Research Translational Institute -instituutin johtaja ja perustaja, puhuu vuonna 2019 kirjoittamassaan pääosin ladatun lääkärin Sirin luomisesta. kirjaa ja muistuttaa lääkäreitä kysymään potilaan historian asiaankuuluvista osista.
"Pyrin siihen, että purkamme lääkäreiden työn ja päästämme eroon heidän tietovastaajaroolistaan, autamme potilaita ottamaan enemmän vastuuta ja keräämään tietoja, jotta asioiden tarkistaminen ei vie niin kauan", Topol sanoo.
Tuo "koskaan unohtava lääketieteellinen avustaja tai kirjoittaja", Kohane sanoo, vaatii sellaisen potilasintegroinnin, joka pystyy automaattisesti jäljittämään ja transkriboimaan useita ääniä lääkäreiden ja potilaiden välillä. Hän tukee Topolin ajatusta, mutta lisää, että suurin osa kehitteillä olevista AI-sovelluksista ei näytä keskittyvän tällaisiin avustajiin. Jotkut yritykset, kuten Saykara ja DeepScribe, ovat silti kehittäneet palveluita näiden linjojen mukaisesti, ja jopa Google ryhtyi Stanfordin yliopiston kanssa testaamaan samanlaista “digitaalisen kirjanpitäjän” tekniikkaa.
AI-avustaja voi kuulostaa vähemmän mielenkiintoiselta kuin AI-lääkäri, mutta se voisi vapauttaa lääkärit viettämään enemmän aikaa potilaidensa kanssa ja parantamaan hoidon yleistä laatua. Erityisesti perhelääkärit viettävät usein yli puolet työpäivästään syöttämällä tietoja sähköisiin terveyskertomuksiin - tärkein tekijä fyysisen ja emotionaalisen uupumisen takana, jolla on vakavia seurauksia, mukaan lukien potilaiden kuolemat.
Ironista kyllä, sähköisten terveyskertomusten piti parantaa lääketieteellistä hoitoa ja vähentää kustannuksia tekemällä potilastietoja helpommin saataville. Nyt Topol ja monet muut asiantuntijat viittasivat sähköisiin sairauskertomuksiin varovaisena tarinaa nykyiselle AI: n ympäröivälle hypelle lääketieteessä ja terveydenhoidossa.
Sähköisten sairauskertomusten käyttöönotto on jo luonut satojen yksityisten myyjien keskuudessa levinneen tilkkutäkejärjestelmän, joka onnistuu pääasiassa potilastietojen eristämisessä ja tekee siitä lääkäreiden ja potilaiden poissa käytöstä. Jos historia on opas, monet teknologiayritykset ja terveydenhuollon organisaatiot tuntevat vetoa seurata samanlaisia polkuja keräämällä lääketieteellisiä tietoja omiin AI-järjestelmiinsä.
Yksi tapa kiertää tämä voi olla kollektiivisen älykkyysjärjestelmän käyttö, joka yhdistää ja luokittelee lääketieteellistä asiantuntemusta eri lähteistä, sanoo Komarneni, joka kokeilee tätä lähestymistapaa Human Dx: n kanssa. Suurten lääketieteellisten järjestöjen, kuten American Medical Association, tukemana, Human Dx on rakentanut online-alustan tuhansien lääkäreiden joukkotilausohjeisiin tietyissä lääketieteellisissä tapauksissa. Komarneni toivoo, että tällainen alusta voisi teoriassa sisältää joskus myös diagnosointiohjeita monilta erilaisilta AI-palveluilta.
"Samoin kuin useat ihmisen ammattilaiset saattavat tarkastella tapaustasi tulevaisuudessa, ei ole mitään syytä, miksi useat AI: t eivät voisi tehdä sitä", Komarneni sanoo.
Kun lääkärit odottavat AI-avustajiaan, joukkotuhohankkeet, kuten Human Dx, voisivat ehdottomasti johtaa parantuneeseen diagnostiikkaan tai jopa parempiin hoitosuosituksiin, sanoo Topol, joka oli vuoden 2018 tutkimuksen avustajana samanlaisella Medscape Consult -alustalla. Tutkimuksessa todettiin, että ihmisen kollektiivinen älykkyys voisi olla ”kilpailukykyinen tai täydentävä strategia” AI: lle lääketieteessä.
Mutta jos AI-palvelut läpäisevät kaikki testit ja reaalimaailman tarkastukset, niistä voi tulla merkittäviä kumppaneita ihmisille nykyaikaisen terveydenhoidon uudistamisessa.
"On asioita, joita koneet eivät koskaan tee hyvin, ja sitten toiset, joissa ne ylittävät sen, mitä kuka tahansa ihminen voi tehdä", Topol sanoo. "Joten kun laitat nämä kaksi yhteen, se on erittäin tehokas paketti."
***
Jeremy Hsu on New Yorkissa toimiva freelance-toimittaja. Hän kirjoittaa usein tieteestä ja tekniikasta mm. Julkaisuille Backchannel, IEEE Spectrum, Popular Science ja Scientific American.
Tämä artikkeli on alun perin julkaistu Undark-sivustossa. Lue alkuperäinen artikkeli.
