Bylo toho řečeno již dostkrát, ale AI se ukazuje být hnacím motorem ve zdravotnickém průmyslu. Od pasivních účastníků zdravotnického řetězce se pacienti nyní starají o své zdraví prostřednictvím vzduchotěsných systémů monitorování pacientů poháněných AI, nositelných zařízení, vizualizovaných pohledů na jejich podmínky a dalších. Z pohledu lékařů a poskytovatelů zdravotní péče AI připravuje půdu pro robotická ramena, sofistikované analytické a diagnostické moduly, asistenční chirurgické boty, prediktivní křídla k detekci genetických poruch a obav a další.
Jak však umělá inteligence nadále ovlivňuje aspekty zdravotní péče, stejně narůstají problémy spojené s generováním a údržbou dat. Jak víte, modul nebo systém umělé inteligence může fungovat dobře, pouze pokud byl po dlouhou dobu přesně trénován s relevantními a kontextovými datovými sadami.
V blogu prozkoumáme jedinečné výzvy, se kterými se odborníci a zdravotničtí specialisté potýkají, když se případy využití AI ve zdravotnictví neustále zvyšují, pokud jde o jejich složitost.
1. Výzvy při zachování soukromí
Zdravotnictví je odvětví, kde je soukromí zásadní. Z detailů, které jdou do elektronické zdravotní záznamy pacientů a dat shromážděných během klinických studií k datům, která přenášejí přenosná zařízení pro vzdálené sledování pacientů, každý centimetr v prostoru zdravotní péče vyžaduje maximální soukromí.
Pokud je zahrnuto tolik soukromí, jak se zaškolí nové aplikace AI nasazené ve zdravotnictví? V několika případech si pacienti obecně neuvědomují, že jejich data jsou používána pro studijní a výzkumné účely. Předpisy zmíněné HIPAA také naznačují, že organizace a poskytovatelé zdravotní péče mohou využívat údaje pacientů o zdravotnických funkcích a sdílet data a postřehy s příslušnými podniky.
K tomu existuje mnoho příkladů ze skutečného světa. Pro základní porozumění si uvědomte, že Google stabilně udržuje 10leté znalosti výzkumu s Mayo Clinic a sdílí omezený přístup k datům, která jsou anonymizovány nebo deaktivovány.
I když je to docela do očí bijící, několik startupů založených na AI, které pracují na zavádění prediktivních analytických řešení na trh, jsou obecně docela dost o svých zdrojích kvalitních dat školení AI. Je to samozřejmě způsobeno konkurenčními důvody.
Vzhledem k tomu, že jde o tak citlivé téma, soukromí je něco, co veteráni, odborníci a výzkumníci stále více zajímají o pokračující bílý klobouk. Existují protokoly HIPAA pro deidentifikaci dat a klauzule pro opětovnou identifikaci. Do budoucna budeme muset pracovat na tom, jak bezproblémově zajistit soukromí a zároveň vyvíjet pokročilá řešení AI.
2. Výzvy při odstraňování předsudků a chyb
Chyby a předsudky v segmentu zdravotní péče by se mohly ukázat jako smrtelné pro pacienty a zdravotnické organizace. Chyby pocházející z nesprávně umístěných nebo špatně zarovnaných buněk, letargie nebo dokonce neopatrnosti mohou změnit průběh léčby nebo diagnózu pacientů. Zpráva zveřejněná úřadem pro bezpečnost pacientů v Pensylvánii odhalila, že bylo identifikováno přibližně 775 problémů v modulech EHR. Z toho chyby způsobené člověkem dosahovaly přibližně 54.7 % a chyby způsobené strojem téměř 45.3 %.
Odchylky jsou kromě chyb další vážnou příčinou, která by ve zdravotnických společnostech mohla mít nežádoucí důsledky. Na rozdíl od chyb jsou předsudky obtížněji odhalitelné nebo identifikovatelné kvůli inherentnímu sklonu k určitým přesvědčením a praktikám.
Klasický příklad toho, jak může být předpojatost špatná, pochází ze zprávy, která sdílí, že algoritmy používané k detekci rakoviny kůže u lidí bývají méně přesné na tmavší tóny pleti, protože byly většinou vyškoleny k detekci symptomů na světlých tónech pleti. Zjišťování a odstraňování předsudků je klíčové a je jedinou cestou vpřed pro spolehlivé využívání AI ve zdravotnictví.
3. Výzvy při stanovování provozních standardů
Interoperabilita dat je důležité slovo, které si ve zdravotnictví musíte pamatovat. Jak víte, zdravotní péče je ekosystém různých prvků. Máte kliniky, diagnostická centra, rehabilitační centra, lékárny, výzkumná a vývojová křídla a další. Více než jeden z těchto prvků často vyžaduje, aby data fungovala na zamýšleném účelu. V takových případech musí být shromažďovaná data jednotná a standardizovaná tak, aby vypadala a četla stejně bez ohledu na to, kdo se na ně dívá.
Při absenci standardizace bude chaos s tím, že si každý prvek zachová vlastní verzi stejného záznamu. Takže kdokoli pohlíží na datovou sadu z nové perspektivy, je automaticky ztracen a potřebuje pomoc příslušného orgánu, aby porozuměl obsahu datové sady.
Aby se tomu zabránilo, musí být standardizace zefektivněna napříč entitami. Význam, specifické formáty, podmínky a protokoly musí být jasně stanoveny pro povinné dodržování. Teprve potom by tato data mohla být bezproblémově interoperabilní.
4. Výzvy při zachování bezpečnosti
Bezpečnost je dalším zásadním problémem ve zdravotnictví. To se ukáže nejdražší, když aspekty související s ochranou osobních údajů budou brány méně vážně. Údaje o zdravotní péči jsou pokladnicí informací pro hackery a vykořisťovatele a v poslední době se vyskytly spousty případů narušení kybernetické bezpečnosti. Ransomware a další škodlivé útoky byly prováděny po celém světě.
Dokonce i uprostřed pandemie Covid-19, blízko 37% respondentů průzkumu sdíleli, že zažili útok ransomwaru. Kybernetická bezpečnost je klíčová v daném časovém okamžiku.
Balil
Problémy s daty ve zdravotnictví se neomezují pouze na ně. Jak chápeme pokročilou integraci a fungování umělé inteligence ve zdravotnictví, výzvy se stávají složitějšími, překrývajícími se a provázanými.
Jako vždy bychom našli způsob, jak se vypořádat s výzvami a ustoupit sofistikovaným systémům AI, které slibují zdravotnictví AI přesnější a přístupnější.
