5 способов использования генеративного искусственного интеллекта в здравоохранении

Опубликовано: 2023-09-26

PwC прогнозирует, что расходы на здравоохранение вырастут на 7% в 2024 году. Этот рост в первую очередь связан с выгоранием медицинских работников, последующей нехваткой рабочей силы, спорами между плательщиками и поставщиками услуг, а также инфляцией. Чтобы обеспечить эффективный уход за пациентами без чрезмерных эксплуатационных расходов, отрасль изучает инновационные технологии, такие как генеративный искусственный интеллект в здравоохранении.

Accenture сообщает, что 40% рабочего времени поставщиков медицинских услуг можно улучшить с помощью ИИ, а в недавней статье Forbes говорится, что эта технология может сэкономить медицинскому сектору США как минимум 200 миллиардов долларов ежегодных расходов.

Генеративный ИИ в здравоохранении использует алгоритмы машинного обучения для анализа неструктурированных данных, таких как медицинские записи пациентов, медицинские изображения, аудиозаписи консультаций и т. д., и создания нового контента, аналогичного тому, на котором он обучался.

В этой статье наша компания по разработке генеративного искусственного интеллекта объяснит, как эта технология может помочь организациям здравоохранения.

Примеры использования генеративного ИИ в здравоохранении

  1. Содействие медицинскому обучению и симуляции
  2. Помощь в клинической диагностике
  3. Вклад в разработку лекарств
  4. Автоматизация административных задач
  5. Генерация синтетических медицинских данных

Содействие медицинскому обучению и симуляциям

Генеративный искусственный интеллект в здравоохранении может создавать реалистичные симуляции, воспроизводящие самые разнообразные состояния здоровья, позволяя студентам-медикам и специалистам практиковаться в безопасной, контролируемой среде. ИИ может создавать модели пациентов с различными заболеваниями или помогать моделировать операцию или другую медицинскую процедуру.

Традиционное обучение предполагает заранее запрограммированные сценарии, которые носят ограничительный характер. ИИ, с другой стороны, может быстро генерировать случаи пациентов и адаптироваться в режиме реального времени, реагируя на решения, принимаемые стажерами. Это создает более сложный и аутентичный опыт обучения.

Реальный пример

Мичиганский университет создал генеративную модель искусственного интеллекта в здравоохранении, которая может создавать различные сценарии моделирования лечения сепсиса.

Пенсильванский университет применил генеративную модель искусственного интеллекта для моделирования распространения COVID-19 и тестирования различных мер вмешательства. Это помогло исследователям оценить потенциальное влияние социального дистанцирования и вакцинации на вирус.

Помощь в клинической диагностике

Вот как генеративный ИИ для здравоохранения может способствовать диагностике:

  • Создание высококачественных медицинских изображений . Больницы могут использовать генеративные инструменты искусственного интеллекта для расширения диагностических способностей традиционного искусственного интеллекта. Эта технология может преобразовывать сканы низкого качества в медицинские изображения высокого разрешения с высокой детализацией, применять алгоритмы искусственного интеллекта для обнаружения аномалий и представлять результаты рентгенологам.
  • Диагностика заболеваний . Исследователи могут обучать генеративные модели искусственного интеллекта на медицинских изображениях, лабораторных тестах и ​​других данных пациентов, чтобы обнаруживать и диагностировать ранние проявления различных состояний здоровья. Эти алгоритмы могут обнаружить рак кожи, рак легких, скрытые переломы, ранние признаки болезни Альцгеймера, диабетическую ретинопатию и многое другое. Кроме того, модели искусственного интеллекта могут выявить биомаркеры, которые могут вызывать определенные расстройства и предсказывать прогрессирование заболевания.
  • Отвечаем на медицинские вопросы . Диагностики могут обратиться к генеративному искусственному интеллекту в здравоохранении, если у них есть вопросы, а не искать ответы в медицинских книгах. Алгоритмы искусственного интеллекта могут обрабатывать большие объемы данных и быстро генерировать ответы, экономя драгоценное время врачей.

Примеры из реальной жизни

Команда исследователей экспериментировала с моделями генеративно-состязательной сети (GAN), чтобы извлечь и улучшить характеристики медицинских сканирований низкого качества, преобразовав их в изображения с высоким разрешением. Этот подход был протестирован на МРТ головного мозга, дерматоскопии, исследованиях глазного дна и ультразвуковых изображениях сердца, продемонстрировав превосходную точность обнаружения аномалий после улучшения изображения.

В другом примере Google Med-Palm 2 на базе искусственного интеллекта был обучен на наборе данных MedQA и достиг точности 85 % при ответе на соответствующие медицинские вопросы. Google признает, что алгоритм все еще нуждается в улучшении, но это хороший старт для генеративного ИИ в качестве помощника по диагностике.

Вклад в разработку лекарств

По данным Бюджетного управления Конгресса, процесс разработки новых лекарств обходится в среднем от 1 до 2 миллиардов долларов, включая неудавшиеся лекарства. К счастью, есть свидетельства того, что ИИ потенциально может сократить время, необходимое для разработки и проверки новых лекарств, почти вдвое, сэкономив при этом фармацевтической промышленности около 26 миллиардов долларов ежегодных расходов. Кроме того, эта технология может сократить расходы, связанные с клиническими испытаниями, на 28 миллиардов долларов в год.

Фармацевтические компании могут использовать генеративный искусственный интеллект в здравоохранении, чтобы ускорить разработку лекарств за счет:

  • Проектирование и создание новых молекул с желаемыми свойствами, которые исследователи смогут позже оценить в лабораторных условиях.
  • Прогнозирование свойств новых кандидатов в лекарства и белков
  • Создание виртуальных соединений с высокой аффинностью связывания с целью, которые можно протестировать с помощью компьютерного моделирования для снижения затрат.
  • Прогнозирование побочных эффектов новых лекарств путем анализа их молекулярной структуры

Более подробную информацию о роли искусственного интеллекта в открытии лекарств и о том, как он облегчает клинические испытания, можно найти в нашем блоге.

Примеры из реальной жизни

Рост стратегического партнерства между биотехнологическими компаниями и стартапами в области искусственного интеллекта является ранним признаком того, что генеративный искусственный интеллект захватит фармацевтическую промышленность.

Совсем недавно Recursion Pharmaceuticals приобрела два канадских стартапа в области искусственного интеллекта за 88 миллионов долларов. Одна из них, Valence, известна своими возможностями генеративного искусственного интеллекта и будет работать над разработкой потенциальных лекарств на основе небольших и зашумленных наборов данных, которых недостаточно для традиционных методов поиска лекарств.

Еще один интересный пример взят из Университета Торонто. Исследовательская группа создала генеративную систему искусственного интеллекта ProteinSGM, которая может генерировать новые реалистичные белки после изучения изображений существующих белковых структур. Этот инструмент может производить белки с высокой скоростью, а затем используется другая модель искусственного интеллекта, OmegaFold, для оценки потенциала полученных белков. Исследователи сообщили, что большинство новых последовательностей складываются в настоящие белковые структуры.

Автоматизация административных задач

Это один из наиболее ярких примеров использования генеративного ИИ в здравоохранении. Исследования показывают, что уровень выгорания среди врачей в США достиг колоссальных 62%. Врачи, страдающие этим заболеванием, с большей вероятностью будут вовлечены в инциденты, подвергающие опасности их пациентов, и более склонны к злоупотреблению алкоголем и суицидальным мыслям.

К счастью, генеративный искусственный интеллект в здравоохранении может частично облегчить бремя врачей за счет оптимизации административных задач. Это может одновременно сократить расходы, связанные с администрированием, которые, по данным HealthAffairs, составляют 15–30% от общих расходов на здравоохранение. Вот что может сделать генеративный ИИ:

  • Извлекайте данные из медицинских карт пациентов и заполняйте соответствующие реестры здоровья. Microsoft планирует интегрировать генеративный искусственный интеллект в EHR Epic. Этот инструмент будет выполнять различные административные задачи, например отвечать на сообщения пациентов.
  • Расшифруйте и обобщите консультации пациентов, заполните эту информацию в соответствующих полях ЭМК и подготовьте клиническую документацию. Компания Nuance от Microsoft интегрировала технологию генеративного искусственного интеллекта GPT-4 в свое клиническое программное обеспечение для транскрипции. Медики уже могут протестировать бета-версию.
  • Создавайте структурированные отчеты о состоянии здоровья путем анализа информации о пациенте, такой как история болезни, результаты лабораторных исследований, сканирования и т. д.
  • Выдать рекомендации по лечению
  • Отвечать на вопросы врачей
  • Найдите оптимальные временные интервалы для записи на прием, исходя из потребностей пациентов и доступности врачей.
  • Создавайте персонализированные напоминания о встречах и последующие электронные письма.
  • Просмотрите претензии по медицинскому страхованию и спрогнозируйте, какие из них могут быть отклонены
  • Составляйте опросы, чтобы собрать отзывы пациентов о различных процедурах и посещениях, проанализировать их и получить полезную информацию для улучшения оказания медицинской помощи.

Реальный пример

Navina, медицинский стартап в области искусственного интеллекта, создал генеративного помощника с искусственным интеллектом, который помогает врачам более эффективно выполнять административные обязанности. Этот инструмент может получить доступ к данным пациента, включая электронные медицинские записи, страховые претензии и отсканированные документы, предоставлять обновленную информацию о статусе, рекомендовать варианты ухода и отвечать на вопросы врачей. Он может даже генерировать структурированные документы, такие как рекомендательные письма и заметки о ходе работы.

Навина уже получила финансирование в размере 44 миллионов долларов, что указывает на большой интерес со стороны медицинского сообщества.

Генерация синтетических медицинских данных

Медицинские исследования основаны на доступе к огромному количеству данных о различных состояниях здоровья. Этих данных катастрофически не хватает, особенно если речь идет о редких заболеваниях. Кроме того, сбор таких данных обходится дорого, а их использование и обмен регулируются законами о конфиденциальности.

Генеративный искусственный интеллект в медицине может создавать синтетические образцы данных, которые могут дополнять реальные наборы данных о здоровье и не подпадают под действие правил конфиденциальности, поскольку данные здравоохранения не принадлежат конкретным людям. Искусственный интеллект может генерировать данные EHR, сканы и т. д.

Примеры из реальной жизни

Команда немецких исследователей создала модель GANerAid на базе искусственного интеллекта для генерации синтетических данных о пациентах для клинических испытаний. Эта модель основана на подходе GAN и может предоставлять медицинские данные с желаемыми свойствами, даже если исходный набор обучающих данных был ограничен по размеру.

Другая группа ученых экспериментировала с генеративным искусственным интеллектом для синтеза электронных медицинских записей. Исследователи были мотивированы ограничительными правилами конфиденциальности данных и неспособностью эффективно обмениваться данными пациентов между больницами. Они создали модель EHR-M-GAN, которая может получать гетерогенные данные EHR смешанного типа (то есть они содержат как непрерывные, так и дискретные значения), которые реалистично представляют траектории движения пациентов.

Этические соображения и проблемы генеративного искусственного интеллекта в здравоохранении

Несмотря на то, что технологические и консалтинговые гиганты продолжают инвестировать в ИИ, мы также можем видеть, как видные эксперты в области ИИ, в том числе генеральный директор Tesla Илон Маск и генеральный директор OpenAI Сэм Альтман, предупреждают о рисках, связанных с этой технологией. Итак, какие проблемы создает генеративный ИИ в здравоохранении?

  • Предвзятость . Производительность моделей ИИ так же хороша, как и набор данных, на котором они обучались. Если данные не отражают объективно целевую группу населения, это оставляет место для предвзятости в отношении менее представленных групп. Поскольку инструменты генеративного ИИ обучены на огромных объемах данных о пациентах, они унаследуют любую присутствующую там предвзятость, и ее будет сложно обнаружить, не говоря уже о том, чтобы искоренить.
  • Отсутствие регламента . Несмотря на то, что ИИ вызывает серьезные этические проблемы, официальных правил, регулирующих использование этой технологии, пока не существует. США и ЕС работают над формальным оформлением соответствующей политики, но этого не произойдет в ближайшем будущем.
  • Проблемы с точностью . ИИ совершает ошибки, и в здравоохранении цена таких ошибок довольно высока. Например, большие языковые модели (LLM) могут галлюцинировать. Это означает, что они могут давать синтаксически вероятные результаты, которые фактически неверны. Медицинским организациям придется решить, когда допускать ошибки, а когда требовать от модели ИИ объяснения своих выводов. Например, если генеративный ИИ используется для диагностики рака, врачи вряд ли примут такой инструмент, если он не оправдает своих рекомендаций.
  • Ответственность . Кто несет ответственность за конечный результат в отношении здоровья? Врач, поставщик ИИ, разработчики ИИ или еще одна сторона? Отсутствие ответственности может оказать негативное влияние на мотивацию и производительность.

Готовы улучшить свою медицинскую практику с помощью генеративного искусственного интеллекта?

Генеративные алгоритмы ИИ становятся все более мощными. Роберт Перл, клинический профессор Медицинской школы Стэнфордского университета, сказал:

«Мощность ChatGPT удваивается каждые шесть месяцев-год. Через пять лет он будет в 30 раз мощнее, чем сегодня. Через 10 лет он будет в 1000 раз мощнее. То, что существует сегодня, похоже на игрушку. По оценкам, в инструментах следующего поколения будет триллион параметров, что, что интересно, примерно соответствует количеству связей в человеческом мозге».

ИИ может быть мощным союзником, но при неправильном использовании он может нанести значительный ущерб. Медицинским организациям следует подходить к этой технологии с осторожностью. Если вы подумываете о внедрении решений на основе искусственного интеллекта в здравоохранении, вот три совета, с которых можно начать:

  • Подготовьте данные . Даже если вы решите выбрать предварительно обученную, готовую модель ИИ, вы все равно можете переобучить ее на своем собственном наборе данных, который должен быть высокого качества и репрезентативным для целевой совокупности. Постоянно храните медицинские данные в безопасности и защищайте конфиденциальность пациентов. Было бы полезно раскрыть, на каком наборе данных обучался алгоритм, поскольку это помогает понять, где он будет работать хорошо, а где может потерпеть неудачу.
  • Возьмите под контроль свои модели искусственного интеллекта . Развивайте в своей организации концепцию ответственного ИИ. Убедитесь, что люди знают, когда и как использовать инструменты и кто берет на себя ответственность за конечный результат. Протестируйте генеративные модели ИИ в сценариях использования с ограниченным эффектом, прежде чем переходить к более чувствительным приложениям. Как упоминалось ранее, генеративный ИИ может совершать ошибки. Решите, где небольшой процент отказов приемлем, а где вы не можете себе этого позволить. Например, 98% точности может быть достаточно для административных приложений, но она неприемлема в диагностике и практике работы с пациентами. Разработайте структуру, которая будет регулировать использование генеративного искусственного интеллекта в здравоохранении в вашей больнице.
  • Помогите своим сотрудникам принять эту технологию и использовать ее . ИИ по-прежнему нуждается в человеческом руководстве, особенно в строго регулируемом секторе здравоохранения. Участие человека в процессе остается важным компонентом успеха технологии. Ожидается, что медицинский и административный персонал будет контролировать модели ИИ, поэтому больницам необходимо сосредоточиться на обучении людей для выполнения этой задачи. С другой стороны, сотрудники должны иметь возможность заново изобрести свой распорядок дня, теперь, когда ИИ стал его частью, чтобы использовать высвободившееся время для создания ценности.

Хотите получить выгоду от генеративного ИИ, но не знаете, как действовать? Напишите нам! Мы поможем вам подготовить данные, внедрить инструмент и интегрировать его в ваши операции.

Первоначально опубликовано на https://itrexgroup.com 6 сентября 2023 г.