Üretken Yapay Zekayı Sağlık Hizmetinde Kullanmanın 5 Yolu

Yayınlanan: 2023-09-26

PwC, sağlık hizmetleri maliyetlerinin 2024'te %7 oranında artacağını öngörüyor. Bu artışın temel nedeni sağlık çalışanlarının tükenmişlik yaşaması, bunun sonucunda ortaya çıkan iş gücü sıkıntısı, ödeyiciler ile sağlayıcılar arasındaki anlaşmazlıklar ve enflasyondur. Aşırı operasyonel maliyetlere maruz kalmadan verimli hasta bakımı sağlamak için sektör, sağlık hizmetlerinde üretken yapay zeka gibi yenilikçi teknolojileri araştırıyor.

Accenture, sağlık hizmeti sağlayıcılarının çalışma saatlerinin %40'ının yapay zeka ile iyileştirilebileceğini bildirirken, yakın zamanda yayınlanan bir Forbes makalesi, bu teknolojinin ABD tıp sektörünü yıllık harcamalardan en az 200 milyar dolar kurtarabileceğini ileri sürüyor.

Sağlık hizmetlerinde üretken yapay zeka, hasta sağlık kayıtları, tıbbi görüntüler, konsültasyonların ses kayıtları vb. yapılandırılmamış verileri analiz etmek ve üzerinde eğitim aldığı şeye benzer yeni içerik üretmek için makine öğrenimi algoritmalarını kullanır.

Bu makalede, üretken yapay zeka geliştirme şirketimiz, teknolojinin sağlık kuruluşlarını nasıl destekleyebileceğini açıklayacak.

Sağlık Hizmetlerinde Üretken Yapay Zeka Kullanım Örnekleri

  1. Tıbbi eğitim ve simülasyonun kolaylaştırılması
  2. Klinik tanıya yardımcı olmak
  3. İlaç geliştirmeye katkı
  4. Yönetim görevlerini otomatikleştirme
  5. Sentetik tıbbi veri oluşturma

Tıbbi Eğitim ve Simülasyonların Kolaylaştırılması

Sağlık hizmetlerinde üretken yapay zeka, çok çeşitli sağlık koşullarını kopyalayan gerçekçi simülasyonlar sunarak tıp öğrencilerinin ve profesyonellerin risksiz, kontrollü bir ortamda pratik yapmasına olanak tanır. Yapay zeka, farklı hastalıklara sahip hasta modelleri oluşturabilir veya bir ameliyatın veya başka bir tıbbi prosedürün simüle edilmesine yardımcı olabilir.

Geleneksel eğitim, kısıtlayıcı olan önceden programlanmış senaryoları içerir. Öte yandan yapay zeka, hasta vakalarını hızlı bir şekilde oluşturabiliyor ve stajyerlerin aldığı kararlara gerçek zamanlı olarak yanıt vererek uyum sağlayabiliyor. Bu daha zorlu ve özgün bir öğrenme deneyimi yaratır.

Gerçek Hayattan Örnek

Michigan Üniversitesi, sepsis tedavisini simüle etmek için çeşitli senaryolar üretebilen, sağlık hizmetlerinde üretken bir yapay zeka modeli oluşturdu.

Pensilvanya Üniversitesi, COVID-19'un yayılmasını simüle etmek ve farklı müdahaleleri test etmek için üretken bir yapay zeka modeli kullandı. Bu, araştırmacıların sosyal mesafe ve aşılamanın virüs üzerindeki potansiyel etkisini değerlendirmesine yardımcı oldu.

Klinik Tanıya Yardımcı Olmak

Sağlık hizmetleri için üretken yapay zekanın teşhise nasıl katkıda bulunabileceği aşağıda açıklanmıştır:

  • Yüksek kaliteli tıbbi görüntüler oluşturma . Hastaneler, geleneksel yapay zekanın teşhis yeteneklerini geliştirmek için üretken yapay zeka araçlarını kullanabilir. Bu teknoloji, düşük kaliteli taramaları büyük ayrıntılara sahip yüksek çözünürlüklü tıbbi görüntülere dönüştürebilir, anormallik tespit yapay zeka algoritmaları uygulayabilir ve sonuçları radyologlara sunabilir.
  • Hastalıkların teşhisi . Araştırmacılar, farklı sağlık durumlarının erken başlangıçlarını tespit etmek ve teşhis etmek için üretken yapay zeka modellerini tıbbi görüntüler, laboratuvar testleri ve diğer hasta verileri üzerinde eğitebilir. Bu algoritmalar cilt kanserini, akciğer kanserini, gizli kırıkları, Alzheimer'ın erken belirtilerini, diyabetik retinopatiyi ve daha fazlasını tespit edebilir. Ek olarak yapay zeka modelleri, belirli bozukluklara neden olabilecek ve hastalığın ilerleyişini tahmin edebilecek biyobelirteçleri ortaya çıkarabilir.
  • Tıbbi soruları yanıtlamak . Teşhis uzmanları, soruları varsa tıp kitaplarında yanıt aramak yerine sağlık hizmetlerinde üretken yapay zekaya başvurabilirler. Yapay zeka algoritmaları büyük miktarda veriyi işleyebilir ve hızlı bir şekilde yanıt üretebilir, böylece doktorların değerli zamanlarından tasarruf edebilir.

Gerçek Hayattan Örnekler

Bir araştırmacı ekibi, düşük kaliteli tıbbi taramalardaki özellikleri çıkarıp geliştirmek ve bunları yüksek çözünürlüklü görüntülere dönüştürmek için Generative Adversarial Network (GAN) modelleriyle deneyler yaptı. Bu yaklaşım, beyin MRI taramaları, dermoskopi, retinal fundoskopi ve kalp ultrasonu görüntüleri üzerinde test edildi ve görüntü iyileştirme sonrasında anormallik tespitinde üstün bir doğruluk oranı sergiledi.

Başka bir örnekte, Google'ın yapay zeka destekli Med-Palm 2'si, MedQA veri kümesi üzerinde eğitildi ve ilgili tıbbi soruları yanıtlarken %85'lik bir doğruluk oranına ulaştı. Google, algoritmanın hala geliştirilmeye ihtiyacı olduğunu kabul ediyor ancak bu, teşhis asistanı olarak üretken yapay zeka için güçlü bir başlangıç.

İlaç Geliştirmeye Katkıda Bulunmak

Kongre Bütçe Ofisi'ne göre, yeni ilaç geliştirme sürecinin maliyeti ortalama 1 ila 2 milyar dolar arasında değişiyor ve buna başarısız ilaçlar da dahil. Neyse ki, yapay zekanın yeni ilaçları tasarlamak ve taramak için gereken süreyi neredeyse yarı yarıya azaltma potansiyeline sahip olduğuna ve bu süreçte ilaç endüstrisinin yıllık giderlerinde yaklaşık 26 milyar dolar tasarruf sağladığına dair kanıtlar var. Ek olarak bu teknoloji, klinik denemelerle ilgili maliyetleri yılda 28 milyar dolar azaltabilir.

İlaç şirketleri, ilaç keşfini hızlandırmak için sağlık hizmetlerinde üretken yapay zekayı aşağıdaki yöntemlerle kullanabilir:

  • Araştırmacıların daha sonra laboratuvar ortamında değerlendirebilecekleri, istenen özelliklere sahip yeni moleküller tasarlamak ve üretmek
  • Yeni ilaç adaylarının ve proteinlerin özelliklerinin tahmin edilmesi
  • Maliyetleri azaltmak için bilgisayar simülasyonlarında test edilebilecek, hedefe yüksek bağlanma afinitesine sahip sanal bileşiklerin üretilmesi
  • Yeni ilaçların moleküler yapılarını analiz ederek yan etkilerini tahmin etmek

Yapay zekanın ilaç keşfindeki rolü ve klinik deneyleri nasıl kolaylaştırdığı hakkında daha fazla bilgiyi blogumuzda bulabilirsiniz.

Gerçek Hayattan Örnekler

Biyoteknoloji şirketleri ile yapay zeka girişimleri arasındaki stratejik ortaklıkların yükselişi, üretken yapay zekanın ilaç endüstrisini ele geçirmesinin erken bir işaretidir.

Kısa bir süre önce Recursion Pharmaceuticals, 88 milyon dolara iki Kanadalı yapay zeka girişimini satın aldı. Bunlardan biri olan Valence, üretken yapay zeka yetenekleriyle tanınıyor ve geleneksel ilaç keşif yöntemleri için yeterli olmayan küçük ve gürültülü veri kümelerine dayalı ilaç adayları tasarlamak üzerinde çalışacak.

Bir başka ilginç örnek ise Toronto Üniversitesi'nden geliyor. Bir araştırma ekibi, mevcut protein yapılarının görsel temsillerini inceledikten sonra yeni ve gerçekçi proteinler üretebilen üretken bir yapay zeka sistemi olan ProteinSGM'yi kurdu. Bu araç yüksek oranda protein üretebiliyor ve ardından ortaya çıkan proteinlerin potansiyelini değerlendirmek için başka bir yapay zeka modeli olan OmegaFold devreye giriyor. Araştırmacılar yeni oluşturulan dizilerin çoğunun gerçek protein yapılarına katlandığını bildirdi.

Yönetim Görevlerini Otomatikleştirme

Bu, sağlık hizmetlerinde en öne çıkan üretken yapay zeka kullanım örneklerinden biridir. Araştırmalar ABD'deki doktorlar arasında tükenmişlik oranının %62'ye ulaştığını gösteriyor. Bu durumdan muzdarip doktorların hastalarını tehlikeye atacak olaylara karışma olasılıkları daha yüksektir ve alkol bağımlılığı ve intihar düşüncelerine daha yatkındırlar.

Neyse ki sağlık hizmetlerinde üretken yapay zeka, idari görevleri kolaylaştırarak doktorların omuzlarındaki yükü kısmen hafifletebilir. HealthAffairs'e göre genel sağlık harcamalarının %15 ila %30'unu oluşturan yönetimle ilgili maliyetleri aynı anda azaltabilir. Üretken yapay zekanın yapabilecekleri şunlardır:

  • Hastaların tıbbi kayıtlarından veri çıkarın ve ilgili sağlık kayıtlarını doldurun. Microsoft, üretken yapay zekayı Epic'in EHR'sine entegre etmeyi planlıyor. Bu araç, hasta mesajlarına yanıt vermek gibi çeşitli idari görevleri gerçekleştirecektir.
  • Hasta konsültasyonlarını yazıya dökün ve özetleyin, bu bilgileri ilgili EHR alanlarına doldurun ve klinik belgeler oluşturun. Microsoft'un Nuance, üretken yapay zeka teknolojisi GPT-4'ü klinik transkripsiyon yazılımına entegre etti. Doktorlar zaten beta sürümünü test edebiliyor.
  • Tıbbi geçmiş, laboratuvar sonuçları, taramalar vb. gibi hasta bilgilerini analiz ederek yapılandırılmış sağlık raporları oluşturun.
  • Tedavi önerileri üretin
  • Doktorların sorularını yanıtlayın
  • Hastaların ihtiyaçlarına ve doktorların uygunluk durumuna göre randevu planlaması için en uygun zaman aralıklarını bulun
  • Kişiselleştirilmiş randevu hatırlatıcıları ve takip e-postaları oluşturun
  • Sağlık sigortası taleplerini inceleyin ve hangilerinin reddedilme olasılığının yüksek olduğunu tahmin edin
  • Farklı prosedürler ve ziyaretler hakkında hasta geri bildirimi toplamak, bunları analiz etmek ve bakım sunumunu iyileştirmek için eyleme geçirilebilir bilgiler üretmek için anketler oluşturun

Gerçek Hayattan Örnek

Tıbbi bir yapay zeka girişimi olan Navina, doktorların idari görevleri daha verimli bir şekilde yerine getirmelerine yardımcı olan üretken bir yapay zeka asistanı geliştirdi. Bu araç, EHR'ler, sigorta talepleri ve taranmış belgeler de dahil olmak üzere hasta verilerine erişebilir, durum güncellemeleri verebilir, bakım seçenekleri önerebilir ve doktorların sorularını yanıtlayabilir. Hatta sevk mektupları ve ilerleme notları gibi yapılandırılmış belgeler bile oluşturabilir.

Navina şimdiden 44 milyon dolarlık finansman elde etti; bu da tıp camiasının güçlü ilgisini gösteriyor.

Sentetik Tıbbi Verilerin Üretilmesi

Tıbbi araştırmalar, farklı sağlık koşullarına ilişkin çok miktarda veriye erişime dayanır. Özellikle nadir hastalıklar söz konusu olduğunda bu veriler acı verici derecede eksiktir. Ayrıca bu tür verilerin toplanması pahalıdır ve kullanımı ve paylaşımı gizlilik yasalarına tabidir.

Tıpta üretken yapay zeka, gerçek hayattaki sağlık veri kümelerini artırabilen ve sağlık verileri belirli kişilere ait olmadığı için gizlilik düzenlemelerine tabi olmayan sentetik veri örnekleri üretebilir. Yapay zeka EHR verileri, taramalar vb. üretebilir.

Gerçek Hayattan Örnekler

Alman araştırmacılardan oluşan bir ekip, klinik deneyler için sentetik hasta verileri üretmek amacıyla yapay zeka destekli bir model olan GANerAid'i geliştirdi. Bu model GAN ​​yaklaşımını temel alır ve orijinal eğitim veri setinin boyutu sınırlı olsa bile istenilen özelliklere sahip tıbbi veriler üretebilir.

Başka bir bilim insanı ekibi, elektronik sağlık kayıtlarını sentezlemek için üretken yapay zekayla deneyler yaptı. Araştırmacılar, kısıtlayıcı veri gizliliği düzenlemeleri ve hasta verilerinin hastaneler arasında etkili bir şekilde paylaşılamaması nedeniyle motive oldu. Hasta gidişatını gerçekçi bir şekilde temsil eden, heterojen, karışık tipte EHR verilerini (hem sürekli hem de ayrık değerleri içerdiği anlamına gelir) türetebilen EHR-M-GAN modelini oluşturdular.

Sağlık Hizmetlerinde Üretken Yapay Zekanın Etik Hususları ve Zorlukları

Teknoloji ve danışmanlık devleri yapay zekaya yatırım yapmaya devam etse de Tesla CEO'su Elon Musk ve OpenAI CEO'su Sam Altman'ın da aralarında bulunduğu önde gelen yapay zeka uzmanlarının teknolojiyle ilgili riskler konusunda nasıl uyarıda bulunduğunu da görebiliriz. Peki, üretken yapay zeka sağlık hizmetlerine hangi zorlukları getiriyor?

  • Önyargı . Yapay zeka modellerinin performansı, eğitildikleri veri kümesi kadar iyidir. Veriler hedef kitleyi tam olarak temsil etmiyorsa, bu durum daha az temsil edilen gruplara karşı önyargıya yer bırakacaktır. Üretken yapay zeka araçları, çok büyük miktarda hasta kayıt verisi üzerinde eğitildiğinden, orada mevcut olan her türlü önyargıyı devralacak ve bunu ortadan kaldırmak bir yana, tespit etmek bile zor olacak.
  • Yönetmelik eksikliği . Yapay zeka önemli etik kaygılar taşısa da henüz bu teknolojinin kullanımını yönlendirecek resmi bir düzenleme bulunmuyor. ABD ve AB ilgili politikaları resmileştirmeye çalışıyor ancak bu yakın gelecekte gerçekleşmeyecek.
  • Doğruluk endişeleri . Yapay zeka hata yapar ve sağlık hizmetlerinde bu tür hataların bedeli oldukça yüksektir. Örneğin, büyük dil modelleri (LLM'ler) halüsinasyon görebilir. Yani sözdizimsel olarak olası ancak gerçekte yanlış olan sonuçlar üretebilirler. Sağlık kuruluşlarının hataları ne zaman tolere edeceğine ve ne zaman yapay zeka modelinin sonuçlarını açıklamasını talep edeceğine karar vermesi gerekecek. Örneğin, eğer üretken yapay zeka kanser teşhisine yardımcı olmak için kullanılıyorsa, tavsiyelerini haklı çıkaramıyorsa doktorların böyle bir aracı benimsemeleri pek olası değildir.
  • Sorumluluk . Nihai sağlık sonucundan kim sorumludur? Doktor mu, yapay zeka satıcısı mı, yapay zeka geliştiricileri mi, yoksa başka bir taraf mı? Sorumluluk eksikliği motivasyon ve performans üzerinde olumsuz bir etkiye sahip olabilir.

Üretken Yapay Zeka ile Sağlık Hizmetleri Uygulamanızı Geliştirmeye Hazır Mısınız?

Üretken yapay zeka algoritmaları giderek daha güçlü hale geliyor. Stanford Üniversitesi Tıp Fakültesi'nde klinik profesörü olan Robert Pearl şunları söyledi:

“ChatGPT'nin gücü her altı aydan bir yıla kadar ikiye katlanıyor. Beş yıl içinde bugünkünden 30 kat daha güçlü olacak. 10 yıl içinde 1000 kat daha güçlü olacak. Bugün var olan şey bir oyuncak gibidir. Yeni nesil araçlarda trilyonlarca parametre olacağı tahmin ediliyor ki bu da ilginç bir şekilde insan beynindeki yaklaşık bağlantı sayısına denk geliyor."

Yapay zeka güçlü bir müttefik olabilir ancak yanlış kullanıldığında ciddi hasara neden olabilir. Sağlık kuruluşlarının bu teknolojiye temkinli yaklaşması gerekiyor. Sağlık hizmetleri için yapay zeka tabanlı çözümler kullanmayı düşünüyorsanız, başlamanıza yardımcı olacak üç ipucunu burada bulabilirsiniz:

  • Verilerinizi hazırlayın . Önceden eğitilmiş, hazır bir yapay zeka modelini tercih etmeye karar verseniz bile, bunu yine de yüksek kalitede ve hedef popülasyonu temsil etmesi gereken özel veri kümenizde yeniden eğitmek isteyebilirsiniz. Tıbbi verileri her zaman güvende tutun ve hasta mahremiyetini koruyun. Bir algoritmanın hangi veri seti üzerinde eğitildiğini açıklamak, nerede iyi performans göstereceğini ve nerede başarısız olabileceğini anlamaya yardımcı olacağından faydalı olacaktır.
  • Yapay zeka modellerinizin kontrolünü elinize alın . Kuruluşunuzda sorumlu yapay zeka kavramını geliştirin. İnsanların araçları ne zaman ve nasıl kullanacaklarını ve nihai sonucun sorumluluğunu kimin üstleneceğini bildiklerinden emin olun. Daha hassas uygulamalara ölçeklendirmeden önce, üretken yapay zeka modellerini sınırlı etkiye sahip kullanım senaryolarında test edin. Daha önce de belirtildiği gibi üretken yapay zeka hata yapabilir. Küçük bir başarısızlık oranının nerede kabul edilebilir olduğuna ve nerede bunu karşılayamayacağınıza karar verin. Örneğin idari uygulamalarda %98 doğruluk yeterli olabilir ancak teşhis ve hastayla yüz yüze uygulamalarda kabul edilemez. Hastanenizde sağlık hizmetlerinde üretken yapay zekanın kullanımını yönetecek bir çerçeve tasarlayın.
  • Çalışanlarınızın teknolojiyi kabul etmesine ve kullanmasına yardımcı olun . Yapay zekanın, özellikle sıkı düzenlemelere tabi sağlık sektöründe hâlâ insan rehberliğine ihtiyacı var. Döngüdeki insan, teknolojinin başarılı olması için temel bir bileşen olmaya devam ediyor. Tıbbi ve idari personelin yapay zeka modellerini denetlemesi bekleneceğinden hastanelerin bu görev için insanları eğitmeye odaklanması gerekiyor. Öte yandan çalışanların, artık yapay zekanın da bir parçası olduğuna göre, boş kalan zamanı değer üretmek için kullanabilmeleri için günlük rutinlerini yeniden icat edebilmeleri gerekiyor.

Üretken yapay zekadan yararlanmak istiyor ancak nasıl ilerleyeceğinizden emin değil misiniz? Bize bir hat bırakın! Verilerinizi hazırlamanıza, aracı uygulamanıza ve operasyonlarınıza entegre etmenize yardımcı olacağız.

İlk olarak 6 Eylül 2023'te https://itrexgroup.com'da yayınlandı .