Stanfordo medicinos mokslininkai sukūrė dirbtinio intelekto įrankį, kuris gali perskaityti tūkstančius gydytojų užrašų elektroniniuose medicininiuose įrašuose ir aptikti tendencijas, suteikdamas informaciją, kurią gydytojai ir mokslininkai tikisi pagerinti priežiūrą.
Paprastai ekspertai, ieškantys atsakymų į klausimus apie priežiūrą, turi perskaityti šimtus medicininių lentelių. Tačiau nauji tyrimai rodo, kad dideli kalbos modeliai – dirbtinio intelekto įrankiai, galintys rasti sudėtingos rašytinės kalbos modelius – gali perimti šį įtemptą darbą ir kad jų išvados galėtų būti naudingos praktiškai. Pavyzdžiui, dirbtinio intelekto įrankiai galėtų stebėti pacientų diagramas, ar nėra paminėta pavojinga vaistų sąveika, arba padėti gydytojams nustatyti pacientus, kurie gerai arba blogai reaguos į konkretų gydymą.
AI įrankis, aprašytas tyrime, paskelbtame internete gruodžio 19 d Pediatrijabuvo sukurta siekiant iš medicininių įrašų išsiaiškinti, ar vaikams, sergantiems dėmesio stokos hiperaktyvumo sutrikimu, buvo suteikta tinkama priežiūra po to, kai jiems buvo paskirti nauji vaistai.
„Šis modelis leidžia mums nustatyti kai kurias ADHD valdymo spragas”, – sakė tyrimo pagrindinis autorius Yairas Bannetas, MD, pediatrijos docentas.
Vyresnioji tyrimo autorė yra Heidi Feldman, medicinos mokslų daktarė, Ballinger-Swindells apdovanota vaikų vystymosi ir elgesio pediatrijos profesorė.
Tyrimo grupė panaudojo įrankio įžvalgas, kad nustatytų taktiką, kuri galėtų pagerinti gydytojų stebėjimą su ADHD pacientais ir jų šeimomis, pažymėjo Bannetas ir pridūrė, kad tokių AI priemonių galia gali būti pritaikyta daugeliui medicininės priežiūros aspektų.
Slogus žmogui, vėjas dirbtiniam intelektui
Elektroniniuose medicininiuose įrašuose pateikiama tokia informacija kaip laboratorinių tyrimų rezultatai arba kraujospūdžio matavimai tokiu formatu, kad kompiuteriai galėtų lengvai palyginti daug pacientų. Tačiau visa kita – apie 80 % informacijos bet kuriame medicininiame įraše – yra pastabose, kurias gydytojai rašo apie paciento priežiūrą.
Nors šie užrašai yra naudingi kitam žmogui, skaitančiam paciento diagramą, jų laisvos formos sakinius sudėtinga masiškai analizuoti. Ši mažiau sutvarkyta informacija turi būti suskirstyta į kategorijas, kad ją būtų galima naudoti tyrimams, paprastai tai atlieka asmuo, kuris skaito pastabas ir ieško konkrečios informacijos. Naujajame tyrime buvo tiriama, ar mokslininkai galėtų panaudoti dirbtinį intelektą šiai užduočiai atlikti.
Tyrime buvo naudojami medicininiai įrašai iš 1 201 vaiko, kuris buvo 6–11 metų amžiaus, buvo pacientai 11 vaikų pirminės sveikatos priežiūros įstaigų tame pačiame sveikatos priežiūros tinkle ir turėjo receptą bent vienam ADHD vaistui. Tokie vaistai gali turėti trikdantį šalutinį poveikį, pavyzdžiui, slopinti vaiko apetitą, todėl gydytojams svarbu pasiteirauti apie šalutinį poveikį pacientams pirmą kartą vartojant vaistus ir prireikus pakoreguoti dozes.
Komanda apmokė esamą didelės kalbos modelį skaityti gydytojų užrašus, ieškodama, ar vaikų ar jų tėvų buvo klausiama apie šalutinį poveikį per pirmuosius tris naujo vaisto vartojimo mėnesius. Modelis buvo parengtas remiantis 501 užrašu, kurį peržiūrėjo mokslininkai. Tyrėjai įvertino visus užrašus, kuriuose buvo minimas šalutinis poveikis (pvz., „sumažėjęs apetitas“ arba „nėra svorio“), nurodančius, kad buvo atliktas tolesnis stebėjimas, o pastabos, kuriose nenurodytas šalutinis poveikis, buvo laikomos kaip tai reiškia, kad tolesnių veiksmų nebuvo.
Šios žmonių peržiūrėtos pastabos buvo naudojamos kaip tai, kas AI vadinama modelio „pagrindine tiesa“: tyrėjų komanda panaudojo 411 pastabų, kad išmokytų modelį, kaip atrodo užklausa apie šalutinį poveikį, o likusias 90 pastabų patvirtino, kad modelis galėtų tiksliai rasti tokius užklausas. Tada jie rankiniu būdu peržiūrėjo papildomus 363 užrašus ir dar kartą išbandė modelio veikimą ir nustatė, kad jis teisingai klasifikavo apie 90 % užrašų.
Kai didelis kalbos modelis veikė gerai, mokslininkai jį panaudojo, kad greitai įvertintų visus 15 628 užrašus pacientų diagramose, o tai užtruko daugiau nei septynis mėnesius visą darbo dieną be AI.
Nuo analizės iki geresnės priežiūros
Iš AI analizės tyrėjai surinko informaciją, kurios kitaip nebūtų aptikę. Pavyzdžiui, AI pastebėjo, kad kai kurios pediatrijos praktikos dažnai klausdavo apie šalutinį vaistų poveikį pokalbių telefonu su pacientų tėvais metu, o kitos praktikos – ne.
„To niekada negalėtumėte aptikti, jei nepanaudotumėte šio modelio 16 000 banknotų taip, kaip mes padarėme, nes joks žmogus nesėdės ir to nepadarys“, – sakė Bannetas.
AI taip pat nustatė, kad pediatrai rečiau uždavė tolesnius klausimus apie tam tikrus vaistus. Vaikams, sergantiems ADHD, gali būti skiriami stimuliatoriai arba, rečiau, nestimuliuojantys vaistai, pavyzdžiui, kai kurie vaistai nuo nerimo. Gydytojai rečiau klausinėjo apie pastarąją narkotikų kategoriją.
Šis atradimas yra AI galimų galimybių ribų pavyzdys, sakė Bannetas. Jis gali aptikti modelį pacientų įrašuose, bet nepaaiškinti, kodėl toks modelis buvo.
„Mes tikrai turėjome pasikalbėti su pediatrais, kad tai suprastume”, – sakė jis ir pažymėjo, kad pediatrai jam pasakė, kad turi daugiau patirties valdant šalutinį stimuliatorių poveikį.
Tyrėjų teigimu, dirbtinio intelekto įrankis galėjo praleisti kai kuriuos klausimus apie šalutinį vaistų poveikį, nes kai kurie pokalbiai apie šalutinį poveikį galėjo būti neįrašyti pacientų elektroniniuose medicininiuose įrašuose, o kai kuriems pacientams buvo suteikta speciali priežiūra, pvz., su psichiatru. – tai nebuvo atsekta šiame tyrime naudotuose medicininiuose įrašuose. AI įrankis taip pat klaidingai klasifikavo keletą gydytojų pastabų apie šalutinį receptų poveikį kitoms ligoms, pvz., Vaistų nuo spuogų gydymui.
Vadovavimas AI
Kai mokslininkai kuria daugiau dirbtinio intelekto įrankių medicinos tyrimams, jie turi apsvarstyti, kokie įrankiai veikia gerai, o kas blogai, sakė Bannetas. Kai kurios užduotys, pvz., tūkstančių medicininių įrašų rūšiavimas, puikiai tinka tinkamai apmokytam AI įrankiui.
Kiti, pavyzdžiui, suprasti medicinos kraštovaizdžio etinius spąstus, pareikalaus kruopštaus žmogaus mąstymo, sakė jis. Redakcinė medžiaga, kurią Bannettas ir jo kolegos neseniai paskelbė Ligoninės pediatrija paaiškina kai kurias galimas problemas ir kaip jas galima spręsti.
„Šie dirbtinio intelekto modeliai parengti remiantis esamais sveikatos priežiūros duomenimis, o iš daugelio metų tyrimų žinome, kad sveikatos priežiūros srityje esama skirtumų“, – sakė Bannetas.
Tyrėjai turi pagalvoti, kaip sušvelninti tokį šališkumą tiek kurdami dirbtinio intelekto įrankius, tiek pradėdami juos naudoti, sakė jis ir pridūrė, kad, laikantis tinkamų atsargumo priemonių, jis džiaugiasi, kad AI gali padėti gydytojams atlikti savo darbą. geriau.
„Kiekvienas pacientas turi savo patirtį, o gydytojas turi savo žinių bazę, tačiau naudodamas AI galiu po ranka pateikti didelių populiacijų žinias“, – sakė jis.
Pavyzdžiui, AI galiausiai gali padėti gydytojams pagal paciento amžių, rasę ar etninę kilmę, genetinį profilį ir diagnozių derinį numatyti, ar asmuo gali turėti blogą šalutinį konkretaus vaisto poveikį, sakė jis. „Tai gali padėti gydytojams priimti asmeninius sprendimus dėl medicinos valdymo.”