В здравоохранении предстоит решить серьезные проблемы, начиная от диагностики, лечения и профилактики заболеваний. От Силиконовой долины до стартапов в Бангалоре готовы воспользоваться возможностью использовать медицинские данные для решения этих проблем и создания огромной ценности. Это то, о чем вы могли подумать, это прекрасная возможность, лежащая перед всеми нами сегодня. Но ждать! В сфере здравоохранения есть препятствия, которых нет в других отраслях. Какие? Давайте исследовать дальше.

1. Вопрос об ответственности. Когда практика или больница внедряет медицинское устройство или программное обеспечение с поддержкой машинного обучения, возникает вопрос, кто заплатит за это цену с точки зрения качества, простоты использования и стоимости? Больницы, пациенты, страховые компании, технологические партнеры — все сотрудничают в процессе оказания помощи, но когда дело доходит до использования новых инструментов и технологий, всем заинтересованным сторонам не хватает ясности и ответственности, особенно когда происходит сбой после внедрения. Вопросы точности диагностики, результатов лечения, автоматизации процессов, которые могут уменьшить человеческие усилия и потерю рабочих мест, а также покрытие дополнительных затрат на внедрение нового решения могут стать препятствием для полномасштабного внедрения. Это одна из причин медленного осознания преимуществ машинного обучения в сфере здравоохранения по сравнению с другими.

2. Безопасность данных. Когда мы покупаем пару туфель или рубашек на Amazon, мы предоставляем информацию о наличных деньгах или кредитной карте. Напротив, передача личной и медицинской информации для достижения наилучших результатов лечения поставщику первичной медико-санитарной помощи, специалистам или больнице является деликатной темой. Таким образом, создание приложения для машинного обучения, которое использует нашу лабораторную информацию для анализа тенденций и сопоставления с лекарствами, которые мы принимаем, чтобы давать наводящие на размышления и прогнозы, имеет гораздо больше юридических и федеральных сложностей, чем приложение Uber или Zomato. Законы HIPAA (Закон о переносимости и подотчетности медицинского страхования, принятый Конгрессом в 1996 г.) существуют для регулирования стандартов любого обмена или передачи медицинской информации о пациентах, и обмен такими данными между несколькими медицинскими учреждениями, устройствами или базами данных сопряжен с особыми проблемами с соблюдением HIPAA.

3. Медицина как наука или искусство: машинное обучение использует точки данных из данных о населении, чтобы предоставить информацию о диагностике и лечении конкретного пациента. Врач оценивает пациента на основе субъективной и объективной информации, предоставленной пациентом во время одного или нескольких посещений. Он больше психолог, чем математик, и это ограничение программ машинного обучения. Например, выражение лица пациента, походка, подсознательные мысли, язык тела, обсуждение с членами семьи поведения пациента и так далее и тому подобное. Пока рано говорить о том, что машинное обучение сможет воспроизвести точку зрения врача в любых ситуациях. Поэтому для моделей машинного обучения будет разумно выбирать одну проблему за раз, прежде чем они станут достаточно зрелыми или будут иметь возможности для получения полной картины пациента.

4. Результаты машинного обучения и его логика. В настоящее время понимание среди всех заинтересованных сторон причин результатов моделей машинного обучения в отрасли здравоохранения преждевременно. У них очень мало идей о том, почему был достигнут конкретный результат, кроме того, что он основан на сложном алгоритме, который использует предыдущие данные о популяции пациентов и текущее состояние пациента. Например, если результаты машинного обучения заключаются в том, что пациент нуждается в химиотерапии, то это очень трудно принять пациенту и, во многих случаях, онкологическому сообществу, которое в противном случае могло бы предложить другую линию лечения.

При этом результаты машинного обучения очень полезны для врачей и поставщиков медицинских услуг для анализа ситуации и реорганизации оказания медицинской помощи лучше, чем когда-либо прежде. Это инновационный инструмент для использования данных для решения существующих сегодня проблем в сфере здравоохранения и улучшения жизни пациентов. Поэтому, как было сказано ранее, разумным подходом будет использование моделей машинного обучения для решения конкретных задач, например, для определения вероятности рака молочной железы или застойной сердечной недостаточности или для отслеживания прогресса опухоли в течение определенного периода времени. Потребуются время, усилия, постоянное тестирование и импровизация, а также участие всех заинтересованных сторон с точки зрения ответственности, чтобы в будущем машинное обучение стало медицинским стандартом де-факто.

Д-р Наян К. Мали