Този сайт използва бисквитки (cookies). Ако желаете можете да научите повече тук. Разбрах

Новини Е-Здравеопазване

Как здравните организации използват изкуствения интелект (част 1)

Машинното обучение и специализираните алгоритми помагат на доставчиците на здравни услуги, но носят със себе си и редица предизвикателства

от , 06 август 2018 0 675 прочитания,

Изкуственият интелект е готов да революционизира здравните грижи във всеки един аспект - от изследване на лекарствата, през диагностиката, до предоставянето на здравни услуги и счетоводство. Според Accenture пазарът на изкуствен интелект в здравеопазването ще достигне до 6,6 милиарда долара до 2021 г. и ще спести на индустрията 150 милиарда долара годишно до 2026 г.

Но за да стигнат до там, организациите трябва да преодолеят недоверието към технологията, да посрещнат предизвикателствата на интеграцията ѝ и да разгледат под лупа въпросите, свързани със сигурността и поверителността на личните данни на пациентите.

Базираната в Бостън компания Beacon Health Options, подсигуряваща с поведенческо лечение повече от 40 милиона души във всичките 50 щата на САЩ, се сблъсква с всички тези предизвикателства, когато решава за първи път да използват изкуствен интелект за подобряване на работата си.

Прочетете още: Kак изкуственият интелект може да подобри работата ни?

"Beacon е най-голямата компания, фокусирана единствено върху здравословното поведение в страната. Сериозни психични заболявания, злоупотреба с различни субстанции – като цяло днес имаме много важни проблеми, които трябва да решаваме в здравеопазването”, казва Кристина Менели, изпълнителен вицепрезидент, отговорен за растежа на организацията.

Менели разказва, че Beacon Health използва изкуствен интелект, за да идентифицира пациентите, които се нуждаят от най-спешна помощ, и да им осигури точната намеса, от която имат нужда.

Тук ще хвърлим поглед върху това как Beacon Health и други сходни организации се справят с уникалните за индустрията предизвикателства на технологията.

Предизвикателството на „черната кутия“

Един от най-големите проблеми на здравните организации, когато става дума за изкуствен интелект, е фактът, че е изключително трудно да се проследи логическата верига на взимането на решения. В този сектор грешката може буквално да е разликата между живота и смъртта. Този проблем на изкуствения интелект е познат като „черна кутия“.

„Intel неотдавна прави проучване с 200 респонденти от ръководните структури на здравни организации, в което проблемът „черна кутия“ - липсата на доверие в изкуствения интелект – е най-често споменаваното препятствие“, коментира, Дженифър Еспосито, генерален мениджър по здравеопазването и науките за живота в Intel. По-конкретно, цели 30% от респондентите заявяват, че са най-обезпокоени от това да не се случи фатална грешка.

Еспосито е категорична, че към момента решение на проблемът „черна кутия“ няма.

Въпреки това, 37% от респондентите в изследването казват, че вече използват изкуствен интелект, а повече от половината – че ще интегрират подобни решения в рамките на следващите пет години. Най-изненадващо за Еспосито е, че най-популярната употреба на изкуствен интелект в здравеопазването е за клинични дейности (77%).

Beacon Health се сблъсква с този проблем в доверието, когато започва да пуска своята система за оценка на риска, задвижвана от изкуствен интелект. Организацията се възползва от тристранен подход и се справя.

На първо място тя събира мултидисциплинарен екип от технолози, оператори, доставчици на здравни услуги в общността и други заинтересовани страни, за да излезе с основните насоки и алгоритми, които изкуственият интелект трябва да следва.

"Ние знаем кои променливи се отнасят към случаите с най-голям риск от психиатрично събитие", казва Менели от Beacon Health и добавя, че докато едно човешко същество може да разгледа седем до десет фактора при вземане на решение, изкуственият интелект може да вземе предвид хиляди фактори наведнъж, дори те да са извлечени от неструктурирани данни.

След това екипът провежда експерименти. Първо, те избират исторически времеви период и изпълняват алгоритмите по наличните за него данни, за да видят дали изкуственият интелект ще предскаже точно колко често определени пациенти са имали психиатрични събития."Открихме, че когато използваме изкуствен интелект, прогнозите ни са с 220% по-точни", обяснява Менели.

След като изкуственият интелект идентифицира рисковите пациенти, екипът е в състояние да разгледа възможните и препоръчителните интервенции .

Подобно на Beacon Health, Медицинският център на Университета в Питсбърг обръща внимание на предизвикателството на "черната кутия" на изкуствения интелект и впряга клиницисти, технолози и администратори в процеса по създаване на алгоритми.

"Не може да се очаква, че група от изследователи на данни ще разработят изолирани модели и хората ще започнат да ги използват веднага", казва Оскар Марокин, главен клиничен аналитик на болницата, добавяйки, че включването на клиницистите в процеса им дава чувство за собственост върху моделите.

В момента болницата разчита на пет производствени модела, управлявани от изкуствен интелект, а други 60 са в активна фаза на разработка. Лечебното заведение също така планира да увеличи сложността на вече използваните модели. Приложенията включват прогнози за реанимацията на пациентите и специфични алгоритми за тяхното състояние, които помагат да се прогнозират резултатите на хора с астма, конгестивна сърдечна недостатъчност и болка в долната част на гърба.

Друг подход за решаване на проблема с доверието в изкуствения интелект е да се покаже защо и как системата е взела определено решение. Нека вземем за пример медицинските изображения.

Във MGH & BWH Center for Clinical Data Science, изкуственият интелект се използва за интерпретиране на радиологични образи от 2016 г. насам.

"Поставяме топлинни карти върху върховете на изображенията, за да помогнем на хората да разберат къде се концентрира машината", казва Марк Михалски, изпълнителен директор на центъра. Това улеснява потребителите да решат доколко да вярват на системата.

За други приложения на изкуствения интелект обаче даването на обяснения за взетите от машината решения не е толкова лесно.

За пример, центърът наскоро започва да използва машинното обучение, за да отговори на оперативни въпроси, като например колко легла ще бъдат необходими, и такива, свързани със здравето на пациентите, като вероятността един постъпил в болницата човек да се върне отново след изписването си.

„Тези решения се основават на данни от електронни здравни досиета (ЕЗД), така че има ограничен набор от променливи, които трябва да се имат предвид, и системата може да покаже специфичните фактори, които са имали най-голямо въздействие върху определена прогноза“, разказва още Михалски.

Всъщност, друг потенциален проблем е предоверяването в системата, защото е лесно човек да се почувства прекалено комфортно с нея.

"Искаме хората да разберат защо системите работят по начина, по който работят. Бих казал, че единственият въпрос от моя гледна точка е текущото валидиране и тестване на безопасността. Това ще се превърне в най-голямото предизвикателство“, категоричен е Михалски.

Очаквайте продължение!

 

КОМЕНТАРИ ОТ  

Полезни страници
    За нас | Аудитория | Реклама | Контакти | Общи условия | Декларация за поверителност | Политика за бисквитки |
    Действителни собственици на настоящото издание са Иво Георгиев Прокопиев и Теодор Иванов Захов