ΤΕδώ έχουν γίνει σημαντικές επενδύσεις σε εταιρείες που δημιουργούν εφαρμογές τεχνητής νοημοσύνης (AI) για την υγεία και την υγειονομική περίθαλψη την τελευταία δεκαετία. Όμως, ενώ υπήρξαν επιτυχίες, ιδίως στον τομέα της ιατρικής απεικόνισης, η βιομηχανία είναι περισσότερο γνωστή για το ότι δεν ανταποκρίνεται ακόμη στις δυνατότητές της — σκεφτείτε την IBM Watson.
Ο αργός ρυθμός υιοθέτησης της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη προέρχεται από το γεγονός ότι η τεχνητή νοημοσύνη υγείας βρίσκεται στα σύνορα μεταξύ δύο μεγάλων βιομηχανιών, της υγειονομικής περίθαλψης και της τεχνολογίας. Και όπως τα σύνορα μεταξύ δύο εθνών, υπάρχουν σημαντικές διαφορές και στις δύο πλευρές.
Κατά τη διάρκεια της καριέρας μου, έχω αφιερώσει χρόνο σε κάθε πλευρά. Τώρα, ως Διευθύνων Σύμβουλος μιας εταιρείας στα σύνορα, έχω αναπτύξει μια βαθύτερη κατανόηση των διαφορών που δημιουργούν εμπόδια στην αμοιβαία καινοτομία. Προκειμένου η τεχνητή νοημοσύνη υγείας να επιτύχει τις δυνατότητές της, οι εταιρείες υγειονομικής περίθαλψης και τεχνολογίας πρέπει να έχουν τη μεγάλη εικόνα στο μυαλό τους: η υγειονομική περίθαλψη έχει να κάνει με τη διάσωση ζωών.
διαφήμιση
Πολιτιστικές διαφορές
Μερικά από τα εμπόδια μεταξύ της υγειονομικής περίθαλψης και της τεχνολογίας είναι αρκετά απτά. Η υγειονομική περίθαλψη υπόκειται σε αυστηρές ρυθμίσεις, η τεχνολογία όχι. Η Tech κάνει σημαντική χρήση λογισμικού και βιβλιοθηκών ανοιχτού κώδικα. Η υγειονομική περίθαλψη τείνει να χρησιμοποιεί ιδιόκτητο λογισμικό. Αλλά αυτές οι διαφορές μοιάζουν περισσότερο σε ποια πλευρά του δρόμου οδηγείτε ή με ποιο νόμισμα χρησιμοποιείται: καθιστούν τη διέλευση των συνόρων αναποτελεσματική, αλλά είναι τελικά επιλύσιμες.
Είναι οι πολιτισμικές διαφορές που μπορεί να είναι πολύ πιο δύσκολο να πλοηγηθείτε.
διαφήμιση
Μια σημαντική πολιτισμική διαφορά είναι ο τρόπος με τον οποίο κάθε πλευρά δίνει προτεραιότητα στο μέσο όφελος έναντι της ατομικής βλάβης κατά την αξιολόγηση της καινοτομίας. Στην τεχνολογία, οι αλγόριθμοι μηχανικής εκμάθησης γενικά βελτιστοποιούνται για μέσο όφελος. Ο κλάδος της υγειονομικής περίθαλψης, αντίθετα, τείνει να δίνει μεγαλύτερη προσοχή στις ατομικές βλάβες, μη επιθυμώντας η καινοτομία να έχει το κόστος χειρότερων αποτελεσμάτων ακόμη και για λίγους ασθενείς. Η πρόκληση της συνεργασίας τεχνολογίας και υγειονομικής περίθαλψης δεν προκύπτει επειδή η μία πλευρά έχει άδικο, αλλά επειδή και οι δύο πλευρές έχουν δίκιο.
Πλοήγηση στα εμπόδια
Η πολυπλοκότητα αυτών των πολιτισμικών διαφορών βρίσκεται στη ρίζα ενός μαθήματος που έμαθε πρόσφατα η Cornerstone AI, η εταιρεία της οποίας ηγούμαι. Ο μεγαλύτερος πελάτης μας έχει δεδομένα υγείας για περισσότερους από 30 εκατομμύρια ασθενείς που έπρεπε να καθαριστούν αλγοριθμικά. Ο πελάτης ενδιαφέρεται οπωσδήποτε για μέσες μετρήσεις, όπως η καθαρή μείωση των σφαλμάτων, η καθαρή αύξηση σε πλήρη δεδομένα και άλλα παρόμοια, που αφορούν τη συνολική αξία των δεδομένων στο σύνολό τους. Αλλά ο πελάτης ενδιαφέρεται εξίσου να διασφαλίσει ότι τα δεδομένα δεν θα βλάψουν ως αποτέλεσμα της διαδικασίας. ακόμη και για έναν μόνο από αυτούς τους 30 εκατομμύρια ασθενείς. Κατά συνέπεια, το λογισμικό τεχνητής νοημοσύνης που κατασκευάσαμε έπρεπε να πληροί και τα δύο πρότυπα, ένα υψηλότερο επίπεδο που χρειάστηκε πολύ περισσότερος χρόνος για να επιτευχθεί.
Οι πολιτισμικές διαφορές επεκτείνονται στον τρόπο με τον οποίο κάθε πλευρά βλέπει την αυτοματοποίηση λογισμικού και την αλγοριθμική λήψη αποφάσεων. Από την πλευρά της τεχνολογίας, το να βλέπει κάποιος την πρόβλεψη κάθε φορά που εκτελείται ο αλγόριθμος μπορεί να θεωρηθεί ως ένα κακό, μη επεκτάσιμο επιχειρηματικό μοντέλο. Από την πλευρά της υγειονομικής περίθαλψης, η εξέταση από τον γιατρό κάθε αλγοριθμικής διάγνωσης μπορεί να θεωρηθεί ως καλή ιατρική πρακτική. Η γεφύρωση αυτού του χάσματος είναι απαραίτητη για την ανάπτυξη της τεχνητής νοημοσύνης υγείας. Για παράδειγμα, οι εταιρείες τεχνολογίας μπορούν υιοθετήσει αρχές από κλινικές δοκιμές στην αναφορά αποτελεσμάτων τεχνητής νοημοσύνης, δίνοντας περισσότερη εμπιστοσύνη στους υποκείμενους αλγόριθμους. Και η υγειονομική περίθαλψη μπορεί να ακολουθήσει το παράδειγμα της τεχνολογίας ότι το λογισμικό που βασίζεται σε σύννεφο και το λογισμικό ανοιχτού κώδικα δεν είναι ασυμβίβαστο με την ασφάλεια των δεδομένων και το απόρρητο.
Εδώ είναι ένα προσωπικό παράδειγμα. Όταν η κόρη μου ήταν βρέφος, κρυολόγησε και ανέβασε πυρετό. Κατέληξε στο νοσοκομείο με διάγνωση μηνιγγίτιδας. Υπάρχουν δύο είδη μηνιγγίτιδας: η ιογενής, η οποία είναι γενικά ήπια, και η βακτηριακή, η οποία μπορεί να είναι πολύ σοβαρή. Η διάκριση μεταξύ των δύο διαρκεί μερικές μέρες, κάτι που έμοιαζε μια ζωή στους γονείς της. Οι γιατροί συνέστησαν να ξεκινήσετε αμέσως την ενδοφλέβια χορήγηση αντιβιοτικών, επειδή, παρόλο που τα αντιβιοτικά δεν κάνουν τίποτα κατά των ιών και έχουν πιθανές παρενέργειες, οι κίνδυνοι μη αντιμετωπιζόμενης βακτηριακής μηνιγγίτιδας ήταν μεγαλύτεροι.
Ως επιστήμονες δεδομένων, η γυναίκα μου και εγώ ρωτήσαμε ποιες ήταν οι πιθανότητες η κόρη μας να έχει ιογενή μηνιγγίτιδα έναντι βακτηριακής μηνιγγίτιδας. Η απάντηση που πήραμε ήταν 50-50, οπότε αποφασίσαμε να προχωρήσουμε στη θεραπεία. Αλλά στη συνέχεια κάναμε ώρες έρευνας στο PubMed και βρήκαμε ένα δημοσιευμένο μοντέλο που θα μπορούσε να εκτιμήσει αυτή την πιθανότητα. Υπολογίσαμε χειροκίνητα την πρόβλεψη του μοντέλου για την περίπτωσή της και συνειδητοποιήσαμε ότι υπολόγιζε μια πιθανότητα 98% ιογενούς μηνιγγίτιδας έναντι μόνο 2% για τη βακτηριακή. Αναπνεύσαμε με ανακούφιση.
Αν αυτό το μοντέλο είχε ενσωματωθεί στο σύστημα ιατρικών φακέλων του νοσοκομείου και ήταν διαθέσιμο άμεσα για να το εξετάσει ο γιατρός μαζί μας, θα μας είχε κάνει πολύ πιο ήσυχο. Πιθανότατα θα είχαμε ακόμη προχωρήσει στη θεραπεία – το 2% σημαίνει κάτι πολύ διαφορετικό για το κοριτσάκι σας από ό,τι σε έναν ακαδημαϊκό υπολογισμό – αλλά άλλοι που βρίσκονται σε παρόμοια κατάσταση μπορεί να μην είναι.
Οι αποφάσεις χρειάζονται τελικά έναν γιατρό ή γονέα ή άλλο άνθρωπο για να εξισορροπήσει τις νέες πληροφορίες από την τεχνητή νοημοσύνη με τις ιδιαιτερότητες κάθε κατάστασης. Η εξατομικευμένη πρόβλεψη θα πρέπει να είναι διαθέσιμη σε όλους, όχι μόνο σε όσους έχουν δύο νευρικούς γονείς που μπορούν να αφιερώσουν χρόνο σε αυτήν την έρευνα.
Προοδευτική πρόοδος για την υγεία AI
Μοιράζομαι τις ιστορίες της εταιρείας μου και της κόρης μου για να δείξω την πολυπλοκότητα του τι συμβαίνει όταν μοντέλα τεχνητής νοημοσύνης περνούν τα σύνορα από την τεχνολογία στην υγειονομική περίθαλψη και βλέπουν την ταμπέλα «Πρώτα, μην κάνεις κακό».
Η υπόσχεση της τεχνητής νοημοσύνης υγείας συνοδεύεται από την ταπεινότητα που έχουμε μάθει όσοι από εμάς αναπτύσσουμε αλγόριθμους υγείας: οι αλγόριθμοι είναι τόσο καλοί όσο τα δεδομένα που τους περιέχονται και οι άνθρωποι που ερμηνεύουν τα αποτελέσματα.
Τα καλά νέα είναι ότι υπάρχει περισσότερη δυναμική στην τεχνητή νοημοσύνη υγείας από ποτέ. Δεδομένα υγείας προκύπτουν από τα ιδιόκτητα, σιδερωμένα συστήματα τους για να χρησιμεύσουν ως είσοδοι στους αλγόριθμους μηχανικής μάθησης. Τα απτά εμπόδια στη συγχώνευση τεχνολογίας και υγειονομικής περίθαλψης καταρρέουν. Τα πολιτιστικά εμπόδια θα χρειαστούν περισσότερο χρόνο, αλλά οι εταιρείες που επικεντρώνονται στην τεχνητή νοημοσύνη για την υγεία μπορούν επίσης να βοηθήσουν στη γεφύρωση τους, με υγιή σεβασμό για το τι μπορούν να συνεισφέρουν μοναδικά οι άνθρωποι και η τεχνητή νοημοσύνη. Όπως συμβαίνει με τους πολιτισμούς, όταν οι άνθρωποι που κατασκευάζουν προϊόντα σε αυτή τη διασταύρωση σέβονται και γιορτάζουν τις συνεισφορές κάθε πλευράς, θα είναι σε θέση να επιτύχουν την πλήρη υπόσχεση της τεχνητής νοημοσύνης για την υγεία.
Ο Michael Elashoff είναι ο Διευθύνων Σύμβουλος και συνιδρυτής της Cornerstone AI.
Ενημερωτικό δελτίο First Opinion: Εάν σας αρέσει να διαβάζετε δοκίμια απόψεων και προοπτικών, λάβετε μια σύνοψη των Πρώτων Γνώσεων κάθε εβδομάδας που παραδίδονται στα εισερχόμενά σας κάθε Κυριακή. Εγγραφείτε εδώ.