- Künstliche Intelligenz im Gesundheitswesen wird voraussichtlich bis 2022 ein Wirtschaftszweig von 8 Milliarden US-Dollar sein.
- Die FDA genehmigt schnell AI-Technologien und gibt 2018 grünes Licht für 23 Programme.
- Einige Experten sind besorgt über die rasche Integration von KI in das Gesundheitswesen und sagen, wir müssen mehr über „maschinelles Lernen“ im Gesundheitswesen wissen.
Künstliche Intelligenz und maschinelles Lernen versprechen, das Gesundheitswesen zu revolutionieren.
Befürworter sagen, es würde helfen, Krankheiten schneller und genauer zu diagnostizieren, die Gesundheit der Menschen zu überwachen und einen Teil der Unterlagen der Ärzte zu übernehmen, damit sie mehr Patienten sehen können.
Zumindest ist das das Versprechen.
Die Zulassungen der Food and Drug Administration FDA für diese Art von Gesundheitsprodukten sowie die Prognosen, dass künstliche Intelligenz KI werden wird, haben exponentiell zugenommen. eine 8-Milliarden-Dollar-Industrie bis 2022.
Viele Experten drängen jedoch darauf, die Bremsen des KI-Wahnsinns zu betätigen.
„[KI] hat das Potenzial, die Gesundheitsversorgung auf eine Weise zu demokratisieren, von der wir nur träumen können, wenn wir allen die gleiche Versorgung ermöglichen. Sie steckt jedoch noch in den Kinderschuhen und muss reifen.“ José Morey MD, ein Arzt, KI-Experte und ehemaliger stellvertretender Chief Health Officer von IBM Watson, sagte GesundLinie.
„Verbraucher sollten sich davor hüten, in eine neue Einrichtung zu eilen, nur weil sie möglicherweise ein neues KI-Tool bereitstellen, insbesondere wenn es für die Diagnose bestimmt ist“, sagte er. „Es gibt wirklich nur eine Handvoll Ärzte auf der ganzen Welt, die praktizierendie die Stärken und Vorteile der derzeit verfügbaren Produkte verstehen. “
Aber was genau ist künstliche Intelligenz im medizinischen Kontext?
Es beginnt mit maschinellem Lernen, bei dem es sich um Algorithmen handelt, die es einem Computerprogramm ermöglichen, zu „lernen“, indem immer größere und dynamische Datenmengen einbezogen werden. Kabelmagazin .
Die Begriffe "maschinelles Lernen" und "KI" werden häufig synonym verwendet.
Um maschinelles Lernen zu verstehen, stellen Sie sich einen bestimmten Datensatz vor - beispielsweise einen Satz von Röntgenstrahlen, die einen Knochenbruch zeigen oder nicht - und lassen Sie ein Programm versuchen, zu erraten, welche Brüche zeigen.
Das Programm wird wahrscheinlich zuerst die meisten Diagnosen falsch stellen, aber dann geben Sie ihm die richtigen Antworten und die Maschine lernt aus ihren Fehlern und beginnt, ihre Genauigkeit zu verbessern.
Spülen und wiederholen Sie diesen Vorgang hunderte oder tausende oder Millionen Mal, und theoretisch kann die Maschine ein bestimmtes Ziel genau modellieren, auswählen oder vorhersagen.
So ist es leicht zu erkennen, wie im Gesundheitswesen - einem Bereich, der sich mit riesigen Mengen an Patientendaten befasst - maschinelles Lernen ein leistungsfähiges Werkzeug sein kann.
„Einer der Schlüsselbereiche, in denen KI vielversprechend ist, ist die diagnostische Analyse, bei der das KI-System Datensätze zu Symptomen sammelt und analysiert, um das potenzielle Problem zu diagnostizieren und Behandlungslösungen anzubieten.“ John Bailey , Vertriebsleiter des Gesundheitstechnologieunternehmens Chetu Inc. , sagte GesundLinie.
„Diese Art von Funktionalität kann Ärzten bei der Bestimmung der Krankheit oder des Zustands weiter helfen und eine bessere und reaktionsschnellere Versorgung ermöglichen“, sagte er. „Da der Hauptvorteil von AI in der Mustererkennung liegt, kann es auch bei der Identifizierung und Unterstützung genutzt werdenbei Eindämmung, Krankheitsausbrüchen und Antibiotikaresistenz. ”
Das klingt alles großartig. Also, was ist das Problem?
„Das Problem liegt in der mangelnden Reproduzierbarkeit in realen Umgebungen“, sagte Morey. „Wenn Sie nicht an großen robusten Datensätzen testen, die nur eine Einrichtung oder eine Maschine sind, entwickeln Sie möglicherweise eine Verzerrung des Algorithmus, derwird letztendlich nur in einer ganz bestimmten Umgebung funktionieren, ist aber nicht für die Einführung in großem Maßstab kompatibel. “
Er fügte hinzu: „Die mangelnde Reproduzierbarkeit betrifft viele wissenschaftliche Bereiche, insbesondere aber die KI im Gesundheitswesen.“
Zum Beispiel a Studie In der Fachzeitschrift Science wurde festgestellt, dass KI, selbst wenn sie in einer klinischen Umgebung getestet wird, häufig nur in einem einzelnen Krankenhaus getestet wird und das Risiko besteht, dass sie beim Umzug in eine andere Klinik versagt.
Dann gibt es das Problem der Daten selbst.
Maschinelles Lernen ist nur so gut wie die Datensätze, mit denen die Maschinen arbeiten, sagte Ray Walsh , Experte für digitale Privatsphäre bei ProPrivacy .
"Ein Mangel an Diversität in den Datensätzen, die zum Trainieren der medizinischen KI verwendet werden, könnte dazu führen, dass Algorithmen die unterrepräsentierte Demografie unfair diskriminieren", sagte Walsh gegenüber GesundLinie.
„Dies kann zu KI führen, die gegen bestimmte Personen voreingenommen ist“, fuhr er fort. „Infolgedessen könnte KI zu Vorurteilen gegen bestimmte demografische Merkmale führen, die auf Dingen wie hohem Body Mass Index BMI, Rasse, ethnischer Zugehörigkeit oder Geschlecht beruhen.”
In der Zwischenzeit hat die FDA die Zulassung von AI-gesteuerten Produkten beschleunigt, von nur 1 im Jahr 2014 bis 23 im Jahr 2018 .
Viele dieser Produkte wurden seit ihrer Verwendung nicht mehr klinisch getestet.
Dieser Prozess hat viele in der KI-Gesundheitsbranche glücklich gemacht. Dies schließt ein Elad Walach Mitbegründer und Geschäftsführer von Aidoc ein Startup, das sich auf die Beseitigung von Engpässen bei der medizinischen Bilddiagnose konzentriert.
„Das FDA 510 k -Verfahren war sehr effektiv“, sagte Walach gegenüber GesundLinie. „Zu den wichtigsten Schritten gehören klinische Studien, die auf das Produkt anwendbar sind, und ein solides Einreichungsverfahren mit verschiedenen Arten von Dokumentationen, die die wichtigsten Aspekte des Anspruchs und des Potenzials behandelnRisiken. ”
„Die Herausforderung für die FDA besteht darin, das zunehmende Innovationstempo von KI-Anbietern zu bewältigen“, fügte er hinzu. „Allerdings haben sie im vergangenen Jahr in diesem Bereich erhebliche Fortschritte erzielt und neue Verfahren entwickelt, um mit dem Anstieg umzugehenin AI-Einsendungen. ”
Aber nicht jeder ist überzeugt.
„Die FDA verfügt über ein stark fehlerhaftes Zulassungsverfahren für bestehende Arten von Medizinprodukten, und die Einführung zusätzlicher technologischer Komplexität deckt diese regulatorischen Unzulänglichkeiten weiter auf. In einigen Fällen kann dies auch das Risiko erhöhen“, sagte David Pring-Mill Berater für Tech-Startups und Meinungskolumnist am TechHQ.
„Neue KI-Produkte haben eine dynamische Beziehung zu Daten. Um einen medizinischen Begriff auszuleihen, werden sie nicht unter Quarantäne gestellt. Die Idee ist, dass sie immer„ lernen “, aber vielleicht lohnt es sich, die Annahme in Frage zu stellen, dass eine Änderung der Ergebnisse immer eine Rolle spieltein verbessertes Produkt “, sagte er.
Das grundlegende Problem, sagte Pring-Mill gegenüber GesundLinie, ist, dass „der 510 k -Pfad es Medizinprodukteherstellern ermöglicht, einen Sprung nach vorne zu machen, ohne die Vorzüge ihrer Produkte wirklich zu beweisen.“
Auf die eine oder andere Weise bleiben maschinelles Lernen und KI-Integration in den medizinischen Bereich erhalten.
Daher ist die Implementierung der Schlüssel.
„Selbst wenn die KI die Rolle der Datenverarbeitung übernimmt, werden Ärzte möglicherweise nicht entlastet. Wir werden mit Eingaben aus diesen Systemen überschwemmt, ununterbrochen nach zusätzlichen Eingaben gefragt, um mögliche Diagnosen auszuschließen oder auszuschließen, und mit unterschiedlichem Grad an Relevanz präsentiertInformation," Christopher Maiona , MD, SFHM, der Chief Medical Officer bei PatientKeeper Inc. das sich auf die Optimierung elektronischer Patientenakten spezialisiert hat, sagte GesundLinie.
„Inmitten eines solchen Staudamms wird die Benutzeroberfläche des Systems entscheidend dafür sein, wie Informationen priorisiert und präsentiert werden, damit sie für den Arzt klinisch sinnvoll und praktisch sind“, fügte er hinzu.
Und der Erfolg von AI in der Medizin - sowohl jetzt als auch in Zukunft - kann letztendlich immer noch auf der Erfahrung und Intuition des Menschen beruhen.
Ein Computerprogramm „kann die subtilen Nuancen, die mit der jahrelangen Pflege von Patienten als Mensch einhergehen, nicht erkennen“ David Gregg , MD, Chefarzt für StayWell , ein Innovationsunternehmen im Gesundheitswesen, sagte GesundLinie.
„Anbieter können bestimmte Hinweise erkennen, Informationen sowie Ton und Beugung miteinander verbinden, wenn sie mit Patienten interagieren, die es ihnen ermöglichen, eine Beziehung aufzubauen und eine individuellere Betreuung bereitzustellen“, sagte er. „KI liefert einfach eine Antwort auf Daten, kann jedoch nicht auf die emotionalen Probleme eingehenAspekte oder auf das Unbekannte reagieren. ”
