Ar prognozavimas yra kitas dirbtinio intelekto siena?
Šiandien dirbtinis intelektas yra naudojamas įvairiose sveikatos priežiūros srityse administracinėms užduotims, tokioms kaip medicininio kodavimo tobulinimas, ir tam tikruose klinikinio naudojimo atvejais, tokiais kaip radiologų diagnostinių vaizdų apžvalgų gerinimas.
Tačiau čia ir ten kai kurios ligoninės ir sveikatos sistemos pradeda dirbti su tuo, ką kai kurie ekspertai mano, kad kitas AI evoliucijos sveikatos priežiūros srityje žingsnis: prognozavimas.
Visų pirma, AI įjungta prognozuojama analizė sulaukia teisingo CIO ir analizės vadovų dėmesio.
Vienas ekspertas, kuris mano, kad prognozė yra kita AI pasienio sveikatos priežiūros srityje, yra dr. Mintu Turakhia, „Veterans Affairs Palo Alto Alto Healthcare System“ kardiologas, vyriausiasis medicinos ir mokslo pareigūnas Vendoriaus „Irhythm“ ir medicinos profesoriaus profesorius Stanfordo universitete.
Turakhia turi daugiau nei 25 metų pacientų priežiūros patirtį, tyrimus ir tyrimus, duomenų mokslą ir dirbtinį intelektą, medicinos prietaisų reguliavimą ir skaitmeninių sveikatos produktų kūrimą ir komercializavimą. Pažymėtina, kad jis buvo orientyro „Apple Heart“ tyrimo bendras tyrėjas.
Sveikatos priežiūros IT naujienos Neseniai kalbėjo su Turakhija, norėdamas pasinerti į AI prognozę, kalbant apie veiksmus, reikalingus AI išauginti dabartinę būseną, kad būtų galima numatyti galimybes, kaip prognozuojama AI gali nustatyti sveikatos būklę ir įgalinti prevencinę priežiūrą, didinti sveikatos priežiūros paslaugas ir sukurti geresnius paciento rezultatus su AI ir Nuspėjamosios AI integravimas į sveikatos priežiūros informacines sistemas.
Q. Jūs sakote, kad AI turi žengti iš dabartinės būklės, kad būtų numatomos galimybės. Kokie žingsniai ten patekti?
A. Svarbiausi ankstyvieji dirbtinio intelekto žingsniai sveikatos priežiūros srityje buvo klasifikuojami arba atpažintos modelio, pradedant nuo medicininio vaizdavimo. Giluminio mokymosi algoritmai yra labai veiksmingi-daugeliu atvejų pralenkdami gydytojus-nustatant rentgeno, ultragarso ar elektrokardiogramų diagnozes. PG taip pat gali būti tobula atliekant matavimus, pavyzdžiui, įvertinti kairiojo skilvelio išstūmimo frakciją iš širdies ultragarso, kuri dažnai gali būti sudėtinga ir linkusi į žmogaus klaidas.
Visai neseniai AI taikoma diagnozėms nustatyti iš elektroninių sveikatos įrašų užrašų ir net per pokalbį su pacientais. Tai taip pat patenka į klasifikaciją.
Tačiau prognozė yra kitokia. Daugiausia dėmesio skiriama būsimų rezultatų prognozėms, o ne identifikuojant dabartines būsenas. Tai yra apie turimų duomenų naudojimą norint įvertinti ligos išsivystymo ar klinikinio įvykio riziką ateityje.
Pvz., Net jei ambulatorinio EKG monitorius šiandien nenustato prieširdžių virpėjimo, duomenys, kuriuos jis užfiksuoja, vis tiek gali atskleisti signalus, kurie numato AF riziką. Panašiai gali būti analizuojami gyvybiniai požymiai, miego įpročiai ir aktyvumo duomenys – dažnai naudojami kūno rengybai ar miego stebėjimui – gali būti analizuojami siekiant numatyti būsimų širdies nepakankamumo hospitalizacijos riziką.
Tai yra gyvybinių ženklų, miego ir veiklos duomenų naudojimas, kad neuždirbtumėte kūno rengybos ar miego „ženkliukų“ savo išmaniajame laikrodyje, bet įvertinti širdies nepakankamumo hospitalizacijos riziką.
Norint pasiekti prognozuojamąsias galimybes, reikia patikimų, apibendrinamų duomenų rinkinių, susijusių su klinikiniais rezultatais. Istoriškai sveikatos duomenys buvo surinkti – vaizdavimas, EKG, „Smartwatch“ duomenys, medicinos įrašai ir medicininio draudimo hospitalizacijos duomenys visi egzistuoja savarankiškai. Susieję šiuos duomenų šaltinius paciento lygiu, jūs gaunate daugialypius ir išilginius duomenis, kurie gali būti naudojami kuriant AI modelius, kad būtų galima numatyti tų duomenų rezultatus.
Kita AI sveikatos priežiūros banga pereis nuo esamų sąlygų diagnozavimo iki būsimos sveikatos rizikos prognozavimo, sudarydamas kelią aktyviai ir prevencinei priežiūrai.
Q. Jūs manote, kad nuspėjama AI bus naudojama tvirčiau, kad nustatytų sveikatos būklę ir įgalintų prevencinę priežiūrą. Kaip taip?
A. Prognozuojama AI leis mums tiksliai nustatyti būsimą sveikatos būklės ir klinikinių įvykių riziką. Kai galvoju apie AI vystymąsi, man patinka atsižvelgti į 2×2 matricą: tai, kas žmonėms yra lengva ar sunkiai, palyginti su tuo, kas lengva ar sunkiai AI.
Kaip pavyzdį dar kartą imkitės ambulatorinės EKG stebėjimo. Pirmasis žingsnis buvo sukurti tvirtą AI diagnozuojant aritmijas. Mes tai paskelbėme Gamtos medicina 2019 m. (Hannun AW ir kt.), Ir nuo to laiko buvo atlikta šimtai papildomų tyrimų, parodančių šią galimybę.
Kitas žingsnis yra sudėtingesnis: naudojant EKG, kad būtų galima numatyti prieširdžių virpėjimo būsimą riziką. EKG gali aptikti subtilius struktūrinius ir elektrinius širdies pokyčius, kurie padidina AF riziką. Derinant su nuolatiniais EKG duomenimis, tokiais kaip 14 dienų stebėjimo, PG gali nustatyti kritinius modelius, kuriuos žmonės gali praleisti. Šių modelių integravimas į numatomo rizikos modelį yra sudėtinga žmonėms, tačiau įmanoma ir lengvai AI.
Iš ten prognozuojama AI gali eiti toliau – įvertinant būsimų rezultatų, tokių kaip insultas ar širdies nepakankamumas, riziką – dvi sąlygas, kurias sukelia AF. Norint plėtoti šias prognozuojančias galimybes, reikia susieti įvairius duomenų rinkinius ir atlikti reikšmingus plėtros darbus. Tačiau galimo ankstyvos intervencijos ir prevencijos nauda yra nepaprasta.
Q. AI pateiks geresnius paciento rezultatus, jūs siūlote. Kaip tai įvyks?
A. Daugelis žmonių gali nesuvokti, kad nuotolinis pacientų duomenų stebėjimas prasidėjo daugiau nei prieš 30 metų. Dešimtajame dešimtmetyje implantuojamų širdies prietaisų, tokių kaip širdies stimuliatoriai ir defibriliatoriai, gamintojai sukūrė sistemas, skirtas nuotoliniu būdu stebėti prietaiso funkcijas ir aptikti aritmijas.
Šiandien, pažangai atliekant miniatiūrizacijos jutiklių, tai, ko kadaise reikėjo apsilankyti biure, dabar gali būti padaryta namuose – net ir išmaniajame laikrodyje. Pvz., „SmartWatch“ algoritmai gali aptikti nuolatinius netaisyklingus impulsus ir įspėti vartotoją prieširdžių virpėjimo galimybę, įgalindami ankstesnį aptikimą. Tai jau vyksta.
Žvelgiant į ateitį, kelių duomenų srautų integracija – EKG, gyvybiniai požymiai, miego duomenys ir dar daugiau – į išilginius modelius AI leis nustatyti riziką sveikatai prieš įvykstant klinikiniams įvykiams. Pavyzdžiui:
- Numatyti AF, širdies nepakankamumo ar miego apnėjos atsiradimą.
- Nustatymas, kai blogėja tokia būklė kaip širdies nepakankamumas, padidėja hospitalizacijos rizika.
Šiais scenarijais gydytojai, pacientai ir sveikatos sistemos gali imtis iniciatyvių žingsnių, pavyzdžiui, patvirtinti diagnozes, pradinį terapiją ar koreguoti vaistus, kad sumažintų hospitalizacijos riziką.
Dabar, kad tai veiktų, AI turi būti tvirta. Tai reiškia, kad jos tikslumo ir prognozės priemonės, tokios kaip teigiamos ir neigiamos prognozuojamos vertės, turi būti aukštos. Pvz., Jei tik 5% visų teigiamų AI rezultatų yra teisingi, tada 95% yra klaidingi teigiami dalykai, o tai nėra labai naudinga ir netgi gali būti kenksminga.
Štai kodėl AI geriausiai veiks gana įprastomis sąlygomis, nes aukštai tiksliai nustatyti retas ligas ar įvykius išlieka gana sudėtinga.
Q. Jūs prognozuojate, kad ligoninės ir sveikatos sistemos nuspėjamos AI integruos į informacines sistemas. Kaip jie tai padarys, ir kuo baigiasi?
A. Ligoninėse ir sveikatos sistemose yra du pagrindiniai prognozuojamos AI pritaikymai.
Pirma, paciento lygiu. Šis naudojimo atvejis jau vyksta. Empertarinėje priežiūroje gydytojai dažnai remiasi pagrindiniais rizikos balais, kuriuose atsižvelgiama į nedidelį klinikinių kintamųjų skaičių. Šie balai turi ribotą prognozinį tikslumą.
PG sustiprina šias priemones integruodama dešimtis ar net šimtus duomenų taškų, kad būtų galima sukurti tikslesnius rizikos vertinimus. Net tada, kai AI nėra visiškai nuspėjama, ji gali būti sprendimų palaikymas, sumažindamas netinkamus priežiūros variantus. Pvz., PG gali užtikrinti, kad pacientai, sergantys prieširdžių virpėjimu, gautų antikoaguliacijos terapiją, kaip rekomenduojama klinikinėse gairėse.
Kalbant apie stacionarinę pusę, kelios įmonės sukūrė ankstyvojo perspėjimo sistemas sepsiui, tai gyvybei pavojinga didžiulės infekcijos komplikacija. Kai įvyks septinis šokas, dažnai būna per vėlu, o mirtingumas siekia 30–40%. Tyrimai parodė, kad „Sepsis Alert“ sistemos ne tik lemia geresnius paciento rezultatus, bet ir pagerina gydymo protokolų gydytojų laikymąsi.
Dėl to priežiūros kokybė taip pat gali pagerėti.
Antra, gyventojų lygiu. Integruotų ir vertybėms pagrįstų sveikatos sistemų prognozuojama PG gali nustatyti pacientus, kuriems didžiausia sveikatos priežiūros naudojimo rizika, paprastai apsilankymai skubios pagalbos skyriuose ir hospitalizacijos. Tai leidžia intervencijoms prieš srovę, kad būtų sumažintos brangūs įvykiai.
Įdomu tai, kad veiksmingiausi sprendimai gali būti gana žemos technologijos-tokios kaip apsilankymai namuose, reguliarūs registracijos telefonu, užtikrinant vaistų laikymąsi ar palaikant šeimos įsitraukimą.
Kai kurios sveikatos sistemos netgi tiria generatyvius AI „agentus“ ar virtualias slaugytojus, kad galėtų atlikti nuotolinius tolesnius veiksmus ir pacientų stebėjimą. Prognozuojamos AI integracija į šias priemones suteikia galimybę sustiprinti priežiūrą, sumažinti išlaidas ir pagerinti rezultatus.
Stebėkite Billo hitą „LinkedIn“: Bill Siwicki
Siųskite jam el. Laišką: bsiwicki@himss.org
„Healthcare It News“ yra HIMSS žiniasklaidos leidinys
