3 sposoby, w jakie sztuczna inteligencja rewolucjonizuje sposób, w jaki organizacje zdrowotne służą pacjentom Czy LLM, takie jak ChatGPT, mogą pomóc?
Uczenie maszynowe i sztuczna inteligencja zmieniają leczenie medyczne, obejmujące funkcjonalność, diagnostykę i nie tylko. Tymczasem duże modele językowe - takie jak ChatGPT - są wciąż na wczesnym etapie.
Cyfryzacja opieki zdrowotnej nadchodzi już od dawna, a praktyka uzdrawiania jest z oczywistych powodów powiązana ze starszymi, dokładnie sprawdzonymi sposobami działania.
Jednak coraz częściej do kliniki wkrada się sztuczna inteligencja w różnych formach. Zastosowania obejmują analitykę predykcyjną, inteligentne protezy, diagnostykę mobilną i implanty mózgowe. Ponadto wraz z pojawieniem się dużych modeli językowych (LLM), takich jak ChatGPT, badamy, czy ta technologia może dziś pomóc w opiece zdrowotnej.
Chociaż większość prac ma formę badań pilotażowych, jasne jest, że sztuczna inteligencja będzie odgrywać główną rolę w kształtowaniu sposobu świadczenia opieki zdrowotnej w nadchodzących dziesięcioleciach.
„Sztuczna inteligencja głębokiego uczenia się w końcu przeszła przez proces tworzenia infrastruktury technicznej i dostępnych danych do jej szkolenia po latach naprawdę ciężkiej pracy” - powiedział Jeremy Howard, współzałożyciel startupu Fast zajmującego się badaniami i edukacją w zakresie sztucznej inteligencji .ai i założyciel pierwszej firmy, która zastosowała głębokie uczenie się w medycynie, Enlitic.
Po tych wszystkich wysiłkach „Powinieneś spodziewać się znacznie więcej tego typu rozwiązań w nadchodzących latach”, co oznacza zastosowanie sztucznej inteligencji w medycynie, powiedział Howard w wywiadzie dla ZDNET.
Obecnie aktualny stan wiedzy na temat stosowania sztucznej inteligencji w medycynie opiera się na badaniach prowadzonych na małą skalę, w których wykorzystuje się różnorodne, dobrze ugruntowane formy sztucznej inteligencji oparte na uczeniu maszynowym. Programy te udowodniły swoją wartość przez dziesięciolecia. Wreszcie trafiają do kliniki i są stosowane do różnych danych, od odczytów aktywności mózgu w czasie rzeczywistym po elektroniczną dokumentację medyczną.
Do nowszych rodzajów sztucznej inteligencji uczenia maszynowego, takich jak ChatGPT z OpenAI, wciąż jeszcze daleko. Technologia ta przyciąga całą uwagę, jest jednak zbyt nowa, aby można było na niej polegać we wrażliwym obszarze kliniki.
Już teraz zastosowanie uczenia maszynowego miało rewolucyjny wpływ na uczestniczących pacjentów. Gert-Jan Oskam, 40-letnia ofiara wypadku rowerowego, otrzymała nowatorski interfejs mózg-komputer, który pozwolił mu znów stać i chodzić. Powiedział prestiżowemu dziennikowi Nature, że urządzenie „zmienia życie”.
„W zeszłym tygodniu trzeba było coś namalować i nie było nikogo, kto mógłby mi pomóc” - powiedział Oskam. „Więc wziąłem chodzik i farbę i zrobiłem to sam, stojąc”.
1. Przywracanie funkcjonalności za pomocą AI
Do najbardziej dramatycznych wczesnych sukcesów sztucznej inteligencji w opiece zdrowotnej należą - wciąż niewielkie - sukcesy w zakresie różnego rodzaju protez przywracających funkcjonalność osobom z poważnymi obrażeniami.
Odsuń się, Elon Musk: legendarny „interfejs mózg-komputer”, w skrócie BCI, który według Muska podda próbom klinicznym, zespół ze Stanford już osiągnął w oszałamiającym przykładzie wykorzystania starannie opracowanych form sztucznej inteligencji uczenia maszynowego.
Legendarny „interfejs mózg-komputer” reklamowany przez Elona Muska stał się już rzeczywistością. Naukowcy ze Szwajcarii stworzyli „cyfrowy pomost” pomiędzy obszarami ruchu mózgu a obszarem lędźwiowo-krzyżowym kręgosłupa, który przekłada intencję na stymulację mięśni, dzięki czemu nogi mogą poruszać się w naturalny sposób.
„Cyfrowy most” opracowany przez naukowców z wydziału inżynierii mechanicznej Uniwersytetu Stanforda przesyła sygnały mózgowe wokół uszkodzeń kręgosłupa za pomocą czujników i technologii bezprzewodowej. Urządzenie przywraca chodzenie Oskamowi, który dziesięć lat wcześniej prawie nie mógł chodzić po urazie rdzenia kręgowego w wypadku rowerowym.
W maju badacze Henri Lorach i zespół opisali w czasopiśmie Nature, jak wszczepili Oskamowi „interfejs mózg-rdzeń kręgowy”. Po pięciomiesięcznym programie zewnątrzoponowej elektrycznej stymulacji rdzenia kręgowego ograniczył sprawność nóg i uzyskał możliwość stawiania kilku kroków przy pomocy chodzika.
Lorach i zespół wszczepili dwa urządzenia, każde składające się z 64 elektrod, na częściach obu półkul mózgu, o których wiadomo, że kontrolują ruch. Czujniki te zbierały sygnały zwane elektrokortykografem lub ECoG, które są powiązane z zamiarem ruchu. Sygnały ECoG były odbierane bezprzewodowo za pośrednictwem zestawu słuchawkowego z nadrukiem 3D noszonego przez pacjenta, który jest podłączony za pomocą kabla USB do komputera „stacji bazowej” noszonej w plecaku.
Komputer plecakowy dekoduje wzorce ECoG na polecenia, które są następnie wysyłane bezprzewodowo do trzeciego urządzenia wszczepionego w okolicy lędźwiowo-krzyżowej kręgosłupa - pomyśl o dolnej części pleców i kości ogonowej. Nazywany „generatorem impulsów” zamienia polecenia w stymulację elektryczną, która „angażuje mięśnie odpowiedzialne za zamierzone ruchy”.
W rezultacie pacjent był w stanie „odzyskać intuicyjną kontrolę nad ruchami nóg, co umożliwiło mu stanie, chodzenie, wchodzenie po schodach, a nawet pokonywanie złożonego terenu” - relacjonuje Lorach i zespół. Filmy dołączone do raportu pokazują, jak pacjent wstawał z pozycji siedzącej i chodził, w tym przypadku z komputerem stacji bazowej ustawionym na chodziku, a nie w plecaku.
Ważne jest, aby zdać sobie sprawę, że nie jest to tylko kwestia implantów czujników mózgowych. Kluczowym elementem są algorytmy uczenia maszynowego, których pionierem jest Lorach i zespół w zakresie interpretacji sygnałów mózgowych pod kątem zamiaru ruchu.
Korzystając z podejścia znanego jako „algorytm adaptacyjnego, nadzorowanego uczenia się online”, program jest dostrajany, gdy pacjent wielokrotnie próbuje poruszyć najpierw kończynami awatara na ekranie, a następnie egzoszkieletem.
Oprogramowanie łączy w sobie kilka wątków nauki o uczeniu maszynowym, w tym „mieszankę ekspertów”, w której różne polecenia kontrolują różne kończyny, a następnie tak zwany „ukryty model Markowa” - rodzaj algorytmu używanego od dziesięcioleci. Obliczanie zamiaru ruchu odbywa się w czasie rzeczywistym, gdy pacjent się porusza. Więcej szczegółów na temat algorytmu można znaleźć we wcześniejszej pracy zespołu z 2022 roku.
Naukowcy odkrywają wiele innych sposobów gromadzenia sygnałów z mózgu i dekodowania ich za pomocą uczenia maszynowego w celu przywrócenia funkcjonalności.
W zeszłym miesiącu badacze Sean Metzger i zespół z Wydziału Chirurgii Neurologicznej Uniwersytetu Kalifornijskiego w San Francisco opisali w czasopiśmie Nature dekoder mowy, który wygenerował głos 47-letniej ofiary udaru, który stał się niemy prawie dwadzieścia lat wcześniej.
Tak zwany multimodalny dekoder mowy wykorzystywał również wszczepiony detektor ECoG do dekodowania „zamierzonych zdań” na podstawie sygnałów w obszarach kory sensomotorycznej mózgu. Obszar ten jest odpowiedzialny za „próby ruchów warg, języka i szczęki”. Sygnały są dekodowane w coś, co badacze nazywają „reprezentacjami przewodu głosowego”, które można następnie przekształcić w różnego rodzaju dane wyjściowe: tekst na ekranie, wygenerowany dźwięk wypowiadanych słów i ruchy mówiącego awatara.
W tak zwanym wielomodalnym dekoderze mowy wykorzystano także wszczepiony detektor ECoG do dekodowania „zamierzonych zdań” na podstawie sygnałów w obszarach kory sensomotorycznej mózgu, przy użyciu wypróbowanego i prawdziwego algorytmu uczenia maszynowego, znanego jako „dwukierunkowa rekurencyjna sieć neuronowa” lub „RNN” - program od dawna używany do modelowania danych w postaci szeregów czasowych.
Kluczem są tu nie tylko czujniki, ale także algorytmy uczenia maszynowego. Sygnały z ECoG dotyczące prób narządu głosowego zostały wprowadzone do innego sprawdzonego typu algorytmu uczenia maszynowego, znanego jako „dwukierunkowa rekurencyjna sieć neuronowa” lub „RNN”, programu od dawna używanego do modelowania danych szeregów czasowych, danych który mierzy te same zmienne w różnych momentach w czasie, aby wykryć trendy. RNN został najpierw dostrojony tak, aby przewidywać kilka standardowych zdań, które pacjent próbował wypowiedzieć (które były pokazywane pacjentowi na ekranie) - jest to forma korelowania aktywności mózgu z określonym zestawem wyników.
Jednak po dwóch tygodniach takiego szkolenia RNN spontanicznie generował tekst na podstawie zdań, które pacjent próbował wypowiedzieć bez podpowiedzi. Program był w stanie wygenerować aż 78 słów na minutę. To wielokrotnie szybciej niż 14 słów na minutę, które pacjent był w stanie wyprodukować za pomocą istniejącego urządzenia wspomagającego, aparatu do śledzenia głowy, podczas którego pacjent musiał kiwać głową w odpowiedzi na słowa na ekranie, podobnie jak tego używał nieżyjący już fizyk Steven Hawking .
Podobnie RNN udało się przeszkolić w zakresie interpretacji ECoG w celu dopasowania kształtu fali, co mogłoby następnie spowodować, że wokoder wygeneruje mowę. Po dwóch tygodniach dostrajania systemu z pacjentem opracowany przez nich „system neuroprotezy mowy” wykazał tak imponujące wyniki, że „uważamy… że wyniki te przekroczyły ważny próg wydajności, możliwości uogólnienia i wyrazistości, który może wkrótce przynieść praktyczne korzyści osobom z utratą mowy” - pisze Metzger i zespół.
2. Sztuczna inteligencja może sprawić, że diagnostyka medyczna będzie przenośna
Jedną z głównych przeszkód w diagnostyce medycznej jest konieczność udania się pacjenta do placówki medycznej, gdzie można wykonać badania przy użyciu gigantycznego sprzętu, a dane są ręcznie sprawdzane przez przeszkolonych ekspertów. Jednak niektóre nowe próby diagnostyki wykorzystują formy sztucznej inteligencji oparte na uczeniu maszynowym, aby wyeliminować tę kwestię z kliniki.
Weź udział w badaniach snu, które zwykle obejmują siedmiogodzinny pobyt w placówce, podłączenie do elektrod i monitorowanie przez całą noc przez personel. Czy zamiast tego można to zrobić w domu, za pomocą telefonu i kilku naklejek?
Jak niedawno doniesiono w prestiżowym czasopiśmie Science, zespół z Georgia Institute of Technology w Atlancie w stanie Georgia opracował bezprzewodowe plastry na sen wykonane z silikonu z wbudowanymi elastycznymi obwodami. Plastry wykorzystują uczenie maszynowe do pomiaru danych dotyczących snu, zamiast zmuszać technika do monitorowania pacjenta przez noc.
Plastry pacjent może przyklejać na twarz w domu, po jednym na czole, drugi na brodzie. Gromadzą dane dotyczące elektroencefalogramów (EEG) i elektrookulogramów (EOG), dwóch rodzajów pomiarów stosowanych do wykrywania bezdechu sennego. W przeciwieństwie do elektrod żelowych stosowanych w klinice leczenia zaburzeń snu, plastry można stosować przez kilka dni.
Plastry przesyłają dane EEG i EOG przez Bluetooth do urządzenia mobilnego przy łóżku pacjenta, które wykorzystuje tak zwaną „konwolucyjną sieć neuronową” lub „CNN”, narzędzie uczenia maszynowego. Dzięki CNN dane przedstawione w postaci spektrum aktywności można analizować w celu wykrycia bezdechu sennego.
Silikonowe plastry na twarz do badania snu w domu zawierają elastyczne obwody, dzięki czemu można je nosić podczas snu. Łączą się bezprzewodowo z urządzeniem mobilnym w celu gromadzenia i analizy danych.
Główny autor Shinjae Kwon wraz z zespołem ustalił w badaniach z udziałem ośmiu osób, że „działanie systemu wykazuje wysoką dokładność wynoszącą 88,52%” w wykrywaniu obturacyjnego bezdechu sennego. Co więcej, wykrycie plastrów domowych i CNN wykazały „wysoką zgodność” z wykrywalnością na poziomie 82,4% uzyskaną w ramach złotych standardów klinicznych badań snu, znanych jako „polisomnografia”.
Kwon i zespół spodziewają się przeprowadzić badania systemu na dużą skalę i rozszerzają możliwości czujników w celu wykrywania innych wskaźników bezdechu sennego, w tym nasycenia krwi tlenem, dwutlenku węgla i ruchów.
Biorąc pod uwagę, że urządzenie mobilne sortuje i przesiewa dane CNN, wysiłki Kwoka i zespołu wskazują na znacznie szerszy trend: gromadzenie i analizowanie danych w terenie za pomocą sztucznej inteligencji na urządzeniu mobilnym. Automatyzując pomiary, które zwykle wykonywane są ręcznie przez wykwalifikowanych techników, niektóre diagnozy można rozszerzyć poza mury kliniki.
W badaniu przeprowadzonym w 2021 r. przez zespół z Uniwersytetu Stanforda pod kierunkiem Chayakrit Krittanawong wymieniono kilkanaście przykładów urządzeń do monitorowania zdrowia serca na urządzeniach konsumenckich, oprócz monitorowania EKG za pomocą zegarka Apple Watch. Należą do nich okulary izraelskiej firmy OrCam Technologies i wkładki do butów firmy MEGAComfort.
Te urządzenia do noszenia wytwarzają „biosygnały”, które zespół definiuje jako „sygnały fizjologiczne, które można stale mierzyć i monitorować w celu dostarczenia informacji na temat aktywności elektrycznej, chemicznej i mechanicznej”. Uczenie maszynowe jest dobrym kandydatem do agregowania, analizowania i interpretowania wszystkich tych danych.
Krittanawong i zespół odnieśli się do badań na małą skalę, w których wzięło udział 100 uczestników, którzy używali nadających się do noszenia plastrów z jednorazowymi czujnikami noszonymi na klatce piersiowej. Czujnik zasilany jednorazową baterią wykrył wiele danych ze skóry osoby badanej, w tym przebiegi elektrokardiogramu, temperaturę skóry i postawę osoby. Wszystkie te dane były w sposób ciągły przesyłane strumieniowo bezprzewodowo przez Bluetooth do telefonu komórkowego, a następnie przesyłane do chmury w celu analizy przy użyciu uczenia maszynowego.
Plastry zastosowano jako alternatywę dla wszczepialnych urządzeń monitorujących pracę serca w celu przewidywania ryzyka hospitalizacji z powodu niewydolności serca. Dzięki analizie w chmurze plastry i urządzenia mobilne działały z poziomem czułości i swoistości porównywalnym z tradycyjnymi wszczepianymi monitorami klasy medycznej.
3. Lepsze analizy predykcyjne dla bezpieczeństwa pacjentów
Do najpowszechniej stosowanych dotychczas zastosowań sztucznej inteligencji w rzeczywistych warunkach klinicznych należy wykorzystanie algorytmów predykcyjnych - programów, które mogą na przykład przewidywać szanse pacjenta na ponowne przyjęcie do szpitala. Często korzystają z danych z elektronicznych kart zdrowia (EHR), ponieważ takie rejestry stanowią łatwo dostępny magazyn ogromnych ilości danych.
Według głównego autora Davida Classena i zespołu badanie przeprowadzone w tym roku przez Wydział Medyczny Uniwersytetu Utah wykazało „powszechne zastosowanie sztucznej inteligencji w bieżących operacjach klinicznych” w oparciu o dane EHR.
Jednak te narzędzia predykcyjne mają wątpliwą dokładność. Badanie oprogramowania Epic do leczenia sepsy przeprowadzone w 2021 r. przez Szkołę Medyczną Uniwersytetu Michigan wykazało niezwykle niski stopień dokładności przewidywania sepsy przez to narzędzie, co budzi wątpliwości co do jego użyteczności w praktyce.
Sugeruje to, że badacze potrzebują lepszych sposobów wywnioskowania, co EHR mówi im na podstawie wszystkich tych danych.
Jako przykład najnowocześniejszej analityki predykcyjnej naukowcy ze Szkoły Medycznej Uniwersytetu Stanforda zebrali dane EHR dla 22 104 par matek i ich noworodków, połączyli dane i uzyskali, jak to określają, większą zdolność przewidywania śmiertelności w przypadku przedwczesnych porodów , najczęstszą przyczynę śmierci dzieci poniżej 5. roku życia.
W pracy Davide de Francesco i zespołu, opublikowanej w lutym w Science Translational Medicine, wykorzystano dane zawarte w dokumentacji zdrowotnej matki do przewidywania wyników leczenia noworodków. Głównym celem jest uzyskanie dokładniejszego obrazu śmiertelności noworodków niż przy użyciu kilku zwykle używanych cech, znanych jako „wygląd, tętno, grymas, aktywność i oddychanie” lub punktacja Apgar w chwili urodzenia/porodu.
Zamiast tego badacze wprowadzili wiele punktów danych pochodzących z wielokrotnych wizyt matki przed porodem do innego, sprawdzonego w czasie algorytmu uczenia maszynowego, zwanego „pamięcią długo-krótkoterminową” lub „LSTM”, używanego podobnie jak RNN do razem dane szeregów czasowych. LSTM został przeszkolony w zakresie korelowania kodów takich czynników, jak procedury stosowane przez matkę, leki i obserwacje poprzedzające poród ze stanami zapisanymi w dokumentacji medycznej noworodka, takimi jak niedociśnienie lub posocznica.
Autorzy stwierdzili znaczny wzrost możliwości przewidywania zgłaszanych wyników leczenia niemowlęcia w porównaniu z tradycyjną oceną ryzyka.
W szczególności program LSTM mógłby uogólnić zwiększone ryzyko związane z niektórymi schorzeniami matki. „Wśród tych kodów silnie powiązanych z wynikami noworodków znalazły się […] uzależnienie od opioidów w okresie remisji, krwotok między płodem a matką, różne wrodzone choroby serca” - relacjonują.
Co więcej, mogliby również zapewnić pewne rzeczy, które chronią wcześniaka w tygodniach i miesiącach następujących po urodzeniu.
„Godne uwagi pomiary laboratoryjne, które sugerują ochronny związek przeciwko wynikom noworodków, obejmują albuminę surowicy, białko surowicy, płytki krwi, bazofile, limfocyty i eozynofile” - piszą. „Dane te sugerują, że istnieje wzajemne oddziaływanie między układem odpornościowym matki na tydzień przed porodem a względnym stanem zdrowia płodu w okresie noworodkowym i później”.
Praca Stanforda sugeruje, że w miarę jak bardziej wyrafinowane modele głębokiego uczenia się przejmują kontrolę nad stosunkowo prymitywnymi systemami predykcyjnymi, pozostaje tam znacznie więcej informacji czekających na odszyfrowanie.
Duże modele językowe (LLM) w służbie zdrowia?
Omówione powyżej metody sztucznej inteligencji uczenia maszynowego - RNN, CNN, LSTM i modele ukrytego Markowa - to dość dobrze ugruntowane podejścia do sztucznej inteligencji, które istnieją od dziesięcioleci. Nowością jest to, że są one obecnie wdrażane na nowym, większym poziomie zaawansowania i z nowymi danymi.
Ale co z naprawdę nowymi algorytmami głębokiego uczenia się, „generatywną sztuczną inteligencją”, która jest ostatnio w modzie, taką jak ChatGPT OpenAI?
To bardzo, bardzo wczesny okres dla generatywnej sztucznej inteligencji w medycynie i opiece zdrowotnej. Sztuczna inteligencja w postaci dużych modeli językowych dopiero stopniowo wkracza na pole badań pilotażowych, powstrzymywana obawami dotyczącymi takich rzeczy, jak „halucynacje” modeli językowych, czyli ich skłonność do potwierdzania fałszywych informacji.
W rzeczywistości badanie przeprowadzone przez Weill Cornell Medicine w sierpniu wykazało, że „doradcy programowi LLM mogą być podatni na generowanie podsumowań niezgodnych z faktami i składanie nadmiernie przekonujących lub niepewnych stwierdzeń, co prowadzi do potencjalnych szkód wynikających z dezinformacji”.
Twórca ChatGPT, OpenAI, faktycznie powiedział czasopismu Nature Medicine, że „jego modeli nie należy używać do diagnostyki medycznej, selekcji pacjentów ani rozwiązywania problemów zagrażających życiu”.
Ryzyko i kwestie etyczne związane z generatywną sztuczną inteligencją oznaczają, że czeka nas wiele przeszkód regulacyjnych.
W lipcu naukowcy Bertalan Meskó z Węgierskiego Instytutu Futurystów Medycznych i Eric Topol z Instytutu Translacji Scripps Research napisali artykuł przeglądowy, w którym zauważyli, że „LLM oferują ogromne nadzieje dla przyszłości opieki zdrowotnej, ale ich stosowanie wiąże się również z ryzykiem i wyzwania etyczne.”
Meskó i Topol przewidują, że organy regulacyjne „utworzą nową kategorię regulacyjną dla LLM, ponieważ wyraźnie różnią się one od technologii medycznych opartych na sztucznej inteligencji, które przeszły już przez regulacje”.
„Z pewnością wydaje się to niezwykle przydatne” - mówi Jeremy Howard z generatywnej sztucznej inteligencji, „ale bardzo trudne do wdrożenia w rygorystyczny sposób, który pasuje do obecnych ograniczeń i procesów w amerykańskim systemie medycznym”.
Howard przewiduje, że pomimo niedociągnięć generatywna sztuczna inteligencja może mieć wartość w wypełnianiu luki w umiejętnościach medycznych.
„Większość populacji świata nie ma dostępu do niemal wystarczającej liczby lekarzy” - stwierdził. „Może się sprowadzić do następującego pytania: Czy chciałbyś mieć pracownika służby zdrowia w społeczności z sześciomiesięcznym szkoleniem w skutecznym korzystaniu z systemu sztucznej inteligencji, a nie w ogóle niczego?”