COVID-19 демонстрирует потребность в адаптируемых, динамичных системах здравоохранения. Фернандо Шварц, руководитель отдела искусственного интеллекта в CitiusTech, делится тенденциями в области искусственного интеллекта и машинного обучения с сообществом Health Transformer.

Пандемия COVID-19 вызвала глубокие изменения как в системе здравоохранения, так и в мире в целом. Постоянный и динамичный характер этого кризиса общественного здравоохранения демонстрирует важность наличия систем и решений, которые можно было бы адаптировать, а не фиксировать. В индустрии телемедицины и цифрового здравоохранения искусственный интеллект и машинное обучение все чаще используются и интегрируются для анализа данных, получения действенных идей и улучшения здравоохранения. В этот час экспертного кабинета с Фернандо Шварцем мы исследуем, как ИИ и машинное обучение меняют решения в области телемедицины и цифрового здравоохранения во время COVID-19 и в последующий период. Шварц является вице-президентом по науке о данных и руководителем отдела искусственного интеллекта в CitiusTech, компании, предоставляющей ИТ-услуги, которая разрабатывает решения для ведущих медицинских компаний. Вот несколько ключевых моментов, которые мы извлекли из совместного времяпрепровождения.

Обзор искусственного интеллекта

Что такое ИИ?

Сфера искусственного интеллекта и машинного обучения чрезвычайно широка, поэтому единственного определения искусственного интеллекта не существует. Вообще говоря, когда мы пытаемся принять решение на основе большого количества данных - например, если есть 100 000 факторов, влияющих на результат, - это может быть сложной задачей для людей. По мере роста количества факторов становится все труднее определить взаимосвязь между входами и выходами. Здесь на помощь приходит машинное обучение и искусственный интеллект. Хотя машины не совсем умны, они помогают принимать рациональные решения на основе данных и помогают нам масштабировать способ обработки данных.

Чем не является ИИ

Искусственный интеллект - блестящий объект, который часто используют как маркетинговый термин. Важно помнить, что ИИ - это не самоцель, а, скорее, процесс, интегрированный в рабочий процесс. Многие компании искусственно вторгаются в сферу искусственного интеллекта только для того, чтобы заявить о себе. Чтобы избежать ловушек ИИ, Шварц рекомендует знать разницу между анализом данных и ИИ, а также глубоко понимать цепочку создания стоимости и то, как ИИ вписывается в то, что делает ваша компания.

Что такое нейронные сети и как они используются?

Обученная нейронная сеть - это технология, которая поставляется с предварительно собранными знаниями, и это важно, потому что процесс обучения алгоритма очень дорог. Нейронные сети используются в цифровом здравоохранении в таких областях, как обработка изображений и распознавание изображений. Например, если техник проводит ультразвуковое исследование сердца пациента, и он останавливается на кадре, который ему нравится, чтобы выполнить более подробный поиск, мы можем провести измерения вокруг этого кадра. Подобно тому, как у нас есть машины, которые могут распознавать людей и автомобили на улице, вы можете захотеть, чтобы машина смотрела на УЗИ и определяла местоположение и размер правого и левого желудочка. Чтобы научить машину сегментировать и понимать в контексте, что такое объект, вам нужно будет показать машине огромное количество изображений. Однако с помощью процесса, называемого переносным обучением, нейронные сети могут учиться на предыдущем программном обеспечении и переносить знания из старого контекста в новый контекст.

Как COVID-19 изменил взгляд на ИИ

«Переучивайте правила вместо того, чтобы их переписывать».

С такими ужасными изменениями, как COVID-19, компании понимают, что системы, основанные на правилах, не в состоянии справиться с быстрыми и динамичными изменениями в современном мире. В результате они переходят к решениям, которые более адаптируемы и могут быть переобучены. AI и ML позволяют системам переучивать правила вместо того, чтобы переписывать правила. Пандемия дополняет рассказ о том, почему искусственный интеллект важен в здравоохранении: при создании конвейеров искусственного интеллекта и машинного обучения некоторые части процесса вращаются вокруг мониторинга. Что касается вирусов, этот мониторинг имеет решающее значение для более быстрого реагирования со стороны общественного здравоохранения. Например, CitiusTech работает с клиниками по лечению почек, чтобы проанализировать общенациональные уровни передачи и демографические данные, чтобы определить скорость передачи в конкретных областях. Другие компании изучают взаимосвязь между социальными детерминантами здоровья и госпитализацией. Также есть заявления о том, как машинное обучение можно использовать для диагностики COVID-19 с помощью рентгена грудной клетки.

ИИ в будущем телемедицины

Продвижение вперед

Когда мы думаем о взаимодействии между врачами и пациентами, это пространство традиционно было закрытым. Но поскольку телемедицина открывает больше возможностей для цифрового взаимодействия врача и пациента, машинное обучение будет продолжать играть важную роль в добавлении ценности создаваемым надежным цифровым конвейерам. Например, машинное обучение можно интегрировать в процесс анализа видеороликов о встречах и извлечения из них ценности и данных.

Препятствия на пути к реализации

Хотя COVID-19 может ускорить внедрение ИИ в здравоохранении, добиться изменений в отрасли здравоохранения непросто.

Первое препятствие - это FDA. Например, я работаю с фармацевтической компанией, которая помогает пациентам с эпилепсией перейти на вторую линию терапии. Чтобы перейти с первой на вторую линию и получить одобрение страховой компании, пациент должен достичь порога наличия трех приступов. Чтобы помочь в процессе утверждения страховки, мы пытаемся использовать ИИ и прогнозное моделирование, чтобы проанализировать, подвержен ли пациент риску трех приступов. Этот продукт все еще ожидает одобрения FDA, поскольку они все еще пытаются понять, как ИИ вписывается в более широкую картину соответствия. Но общая тенденция - человеческий фактор и объяснимость.

Второе препятствие - это ответственность. В отличие от большой технологической индустрии, ответственность и ИИ в сфере здравоохранения часто имеют обратную связь. Когда мы разговариваем с людьми, работающими в крупных технологических компаниях, таких как Amazon, о новом алгоритме, всегда получаем положительный ответ: «Давай сделаем это!». Но в здравоохранении менталитет другой. С одной стороны, компании, которые оказывают более непосредственное влияние на жизнь пациентов, более не решаются интегрировать ИИ и машинное обучение в свои рабочие процессы. Например, компании, работающие в сфере медицинских технологий, не решаются включать ИИ и машинное обучение, потому что их беспокоит интеллектуальная собственность. С другой стороны, компании в сфере здравоохранения, которые более удалены от прямого взаимодействия с пациентами - например, компании, которые занимаются планированием или обслуживанием - более восприимчивы к этой идее. Учитывая колебания использования ИИ в здравоохранении, Шварц рекомендует удвоить внимание, объясняя возможности модели. Существует целый спектр алгоритмов: на одном конце у нас есть алгоритм черного ящика с высокой точностью, а на другом конце у нас есть алгоритм с низкой точностью, но более простой. Плательщики могут выбрать простую, менее точную модель, а не причудливую, сложную модель, потому что способность объяснить, как данные и рекомендации были получены из алгоритма, имеет решающее значение при проверке решений.

Третье препятствие - предвзятость. Предвзятость в AI и ML - огромная тема. Мы могли бы потратить на это целый год, но при этом лишь поверхностно поцарапать. Аргументы за и против ИИ в здравоохранении разнятся в обоих направлениях. С одной стороны, есть положение, согласно которому страховая компания не может устанавливать цены на страхование на основе генетической информации. С другой стороны, если вы являетесь пациентом и кто-то может определить, что у вас есть мутация, теперь вы можете использовать эту информацию, о которой вы иначе не узнали бы, чтобы изменить образ жизни. Предвзятость связана как с действиями, так и со знаниями. Каждая часть данных и знаний может иметь как хорошие, так и плохие результаты.

Предприниматель в области цифрового здравоохранения? Не отправляйтесь в путешествие в одиночку. Узнайте больше о Сообществе StartUp Health и Как StartUp Health инвестирует.

Подпишитесь на StartUp Health Insider ™, чтобы получать аналитические отчеты о финансировании, новости и специальные обновления, которые доставляются вам на почту.