Jak głębokie uczenie się zmienia opiekę zdrowotną, część 2: Profilaktyka

W zeszłym tygodniu rozmawialiśmy o tym, jak sztuczna inteligencja zmienia sposób, w jaki lekarze diagnozują choroby i zaburzenia.

Ale równie ważna jak szybka, niedroga i dokładna diagnoza jest jedna rzecz, która jest jeszcze lepsza: zapobieganie.

W tym tygodniu zastanawiamy się, w jaki sposób sztuczna inteligencja zmienia sposób, w jaki lekarze przewidują i zapobiegają chorobom i hospitalizacjom.

Terminowe prognozy pomogą zapobiegać chorobom

Każdego roku szpitale w USA przyjmują niepotrzebnie 4,4 miliona pacjentów, co kosztuje 30,8 miliarda dolarów, zgodnie z szacunkami amerykańskiej Agencji ds. Badań i Jakości Opieki Zdrowotnej.

Tylko dwie dolegliwości — choroba serca i powikłania cukrzycy — odpowiadają za połowę wszystkich niepotrzebnych hospitalizacji.

Infografika chorób serca (źródło: Huffington Post)

Oto kilka przykładów tego, jak głębokie uczenie już pomaga przewidywać i unikać negatywnych zdarzeń zdrowotnych związanych z chorobami serca i cukrzycą:

• Naukowcy z Centrum Inżynierii Informacji i Systemów Uniwersytetu Bostońskiego współpracują z lokalnymi szpitalami w celu monitorowania pacjentów z chorobami serca i cukrzycą oraz przewidywania, który z nich będzie wymagał hospitalizacji. Jeśli świadczeniodawcy są w stanie przewidzieć, kto będzie potrzebować pomocy, zanim będzie ona potrzebna, mogą zapobiec wielu z tych hospitalizacji. Model głębokiego uczenia, z którego korzystają naukowcy, pozwala przewidzieć z 82% dokładnością, kto będzie wymagał hospitalizacji z około rocznym wyprzedzeniem.

• Naukowcy z Sutter Health i Georgia Institute of Technology mogą teraz przewidywać niewydolność serca za pomocą głębokiego uczenia się do analizy elektronicznej dokumentacji medycznej do dziewięciu miesięcy przed lekarzami tradycyjnymi metodami.
• Frans Von Houten, prezes i dyrektor generalny Royal Philips, powiedział w maju CNBC, że jego firma wykorzystuje teraz sztuczną inteligencję do dokładnego przewidywania, czy pacjent dostanie zawału serca na kilka godzin przed jego wystąpieniem.

Ale sztuczna inteligencja nie tylko pomaga zapobiegać nagłym zdarzeniom zdrowotnym. Pomaga także zapobiegać trwającej degeneracji.

Na przykład retinopatia cukrzycowa jest główną przyczyną ślepoty wśród dorosłych w wieku produkcyjnym.

Schemat retinopatii cukrzycowej (Źródło: news-medical.net)

Takie komplikacje związane z cukrzycą wynikają ze skoków i spadków poziomu glukozy we krwi, więc dokładne przewidywanie poziomu glukozy we krwi jest kluczem do zapobiegania spadkom i skokom przede wszystkim dzięki dobrze zaplanowanym przekąskom i zastrzykom insuliny.

Artykuł z lipca 2017 r. pokazuje, że głębokie sieci neuronowe, które wykonują głębokie uczenie, mogą uczyć się od jednej grupy dzieci chorych na cukrzycę, jak dokładnie przewidywać poziom glukozy we krwi (aby zapobiec tym spadkom i skokom) u większej grupy dzieci.

Pogłębi się zrozumienie, w jaki sposób geny prowadzą do chorób

Innym sposobem zapobiegania chorobom związanym z AI jest przewidywanie, u kogo rozwiną się określone zaburzenia na podstawie ich budowy genetycznej.

Według analityka Gartnera, Richarda Gibsona, geny są „największą rzeczą, jaka może kiedykolwiek uderzyć w opiekę zdrowotną, na pewno od czasu pojawienia się antybiotyków w 1950 roku”.

W szczególności, ponieważ naukowcy gromadzą dane genomiczne na bezprecedensowych poziomach, a modele głębokiego uczenia sprawiają, że analizowanie tych danych i rysowanie połączeń jest łatwiejsze niż kiedykolwiek, dowiadujemy się niewiarygodnie dużo o tym, jak czynniki genetyczne, takie jak mutacje, prowadzą do chorób.

Te postępy prowadzą do medycyny spersonalizowanej lub „precyzyjnej”, której celem jest dostosowanie leczenia do genomu każdego pacjenta.

Twój genom to kompletny zestaw instrukcji chemicznych do budowania „ty”. Chociaż genomika wciąż jest w powijakach, istnieją projekty, które robią postępy. Na przykład zespół naukowców z Uniwersytetu w Toronto pracuje nad zbudowaniem silnika interpretacji genetycznej, aby szybko identyfikować mutacje wywołujące raka u poszczególnych pacjentów.

Również w Toronto startup o nazwie Deep Genomics stosuje model głębokiego uczenia się do ogromnych zestawów danych informacji genetycznych i dokumentacji medycznej, aby dopasować zmienność genetyczną do odpowiedniej choroby.

Obie organizacje wykorzystują w swoich modelach platformę obliczeniową AI, procesor graficzny Nvidia.

Przygotuj się na głębokie uczenie z odpowiednim oprogramowaniem

Chociaż procesory graficzne, takie jak te produkowane przez Nvidię, są niezbędne do uruchamiania algorytmów głębokiego uczenia, potrzebujesz również specjalistycznego oprogramowania, aby sztuczna inteligencja w służbie zdrowia stała się rzeczywistością.

Grupa z Boston University była w stanie przewidzieć, kto będzie wymagał hospitalizacji ze znacznie większą dokładnością niż sami lekarze, ponieważ używali głębokich sieci neuronowych (DNN).

DNN mogą analizować do 200 czynników, takich jak historia zdrowia i informacje demograficzne, aby zidentyfikować te, które są związane z przyszłą chorobą. Jednak, aby model DNN działał, potrzebuje danych z zapisów EHR.

Jednym z potencjalnych wyzwań jest to, że EHR zwykle przechowują tego typu dane w dużych blokach tekstu. Na przykład, EHRs może zawierać zapis historii depresji pacjenta w dziale „Notatki”, gdzie lekarz pisze „Matka pacjenta cierpiała na depresyjne nastroje” wraz z bieżącymi skargami, problemami itp.

Jednak, aby modele AI działały, potrzebują dobrze ustrukturyzowanych danych. Maszynie łatwiej jest przeanalizować, czy pacjent ma rodzinną historię depresji, jeśli jest kolumna o nazwie „historia rodzinna” i pole wyboru obok „depresja”.

Wkrótce uczenie głębokie będzie „obowiązkowe dla osób tworzących wyrafinowane aplikacje” — mówi magazynowi Fortune partner Andreessen Horowitz, Frank Chen.

Większość inwestorów venture capital, w tym tych, którzy inwestują w start-upy SaaS, nie wiedziała nawet, czym jest głębokie uczenie pięć lat temu. Dziś inwestorzy „nieufnie podchodzą do startupów, które tego nie mają”, mówi Chen.

Podobnie należy uważać na EHR, które nie tworzą i nie przechowują dobrze ustrukturyzowanych danych, które działają z modelami uczenia głębokiego. Możesz nawet poszukać EHR, który ma wbudowaną sztuczną inteligencję w swoją funkcję dokumentacji klinicznej, na przykład Epic współpracuje z Nuance.

Jednak większość systemów EHR przez jakiś czas nie będzie miała wbudowanej sztucznej inteligencji, jak twierdzi Anil Jain, MD, FACP oraz wiceprezes i dyrektor ds. Informatyki zdrowotnej w IBM Watson Health. Opcją w takich przypadkach jest zintegrowanie funkcji AI z istniejącym EHR. Od teraz większość systemów opieki zdrowotnej będzie musiała rozwijać i wdrażać sztuczną inteligencję jako dodatkową funkcjonalność.

To właśnie zrobiła firma Intermountain Healthcare ze swoim EHR, wbudowując w Cerner ponad 150 protokołów. Przy każdym protokole Cerner generuje ostrzeżenie, gdy otrzymuje informacje o pacjencie, które wskazują na określony stan chorobowy, a następnie prowadzi lekarzy przez sugerowane dalsze badania i potencjalne sposoby leczenia.

Stworzenie tych protokołów wymagało zwykle 12 lekarzy, pielęgniarek i ekspertów ds. analityki i zajęłoby ponad rok. Ale dzięki partnerstwu z Intermountain można je zbudować w 10 dni bez ludzkiej pracy.

Kiedy rozmawiasz ze sprzedawcami oprogramowania, niezależnie od tego, czy szukasz oprogramowania EHR, czy oprogramowania do zarządzania praktykami medycznymi, ważne jest, aby wiedzieć, jakie pytania zadać.

Weź przykład od partnera VC, Chen i zadawaj pytania, takie jak:

• „Gdzie jest twoja wersja przetwarzania języka naturalnego?”
• „Jak rozmawiać z Twoją aplikacją, aby nie musiałem klikać menu?”

Następne kroki

Obecnie duże ośrodki badawcze i systemy opieki zdrowotnej opracowują modele uczenia głębokiego, które mogą przewidywać i zapobiegać chorobom i hospitalizacjom oraz odkrywać, które geny są powiązane z przyszłymi chorobami i zaburzeniami.

Porównując oprogramowanie EHR, zapytaj dostawców z Twojej krótkiej listy o oferowane przez nich funkcje lub integracje AI. Na przykład, czy dane są przechowywane w bloku tekstu, czy jest bardziej ustrukturyzowane?

Najlepiej byłoby wybrać EHR, który ma wbudowaną funkcjonalność AI lub taki, który można zintegrować z modelem głębokiego uczenia się.