ШІ швидше за все візьме на себе роль лікарів

Дослідники з Гарварду представили дослідження, яке демонструє досягнення, яке кине виклик будь-якому студенту-медику. ChatGPT, велика мовна модель, склала іспит на медичне ліцензування в США, перевершивши приблизно 10 відсотків студентів-медиків, які щорічно провалюють іспит.

Неминучим питанням є не стільки чи, скільки коли ці пристрої зі штучним інтелектом зможуть стати лікарями. Для деяких завдань це медичне майбутнє швидше, ніж ми думаємо.

Щоб зрозуміти потенціал цих інструментів для революції в медичній практиці, варто почати з таксономії різних технологій і того, як вони використовуються в медичній допомозі.

Інструменти штучного інтелекту, які застосовуються в охороні здоров’я, загалом можна розділити на дві основні категорії. По-перше, це машинне навчання, яке використовує алгоритми, які дозволяють комп’ютерам вивчати шаблони з даних і робити прогнози. Ці алгоритми можна навчити на різних типах даних, включаючи зображення.

Друга категорія охоплює обробку природної мови, яка призначена для розуміння та створення людської мови. Ці інструменти дозволяють комп’ютеру перетворювати людську мову та неструктурований текст у машиночитані організовані дані. Вони вчаться на багатьох людських рішеннях методом проб і помилок і копіюють відповіді людини.

Ключова відмінність між двома підходами полягає в їх функціональності. Хоча моделі машинного навчання можна навчити виконувати певні завдання, великі мовні моделі можуть розуміти та генерувати текст, що робить їх особливо корисними для відтворення взаємодії з постачальниками.

У медицині ці технології зазвичай використовують один із чотирьох різних шляхів. Перші охоплюють великі мовні моделі, які застосовуються до адміністративних функцій, таких як обробка медичних заяв або створення та аналіз медичних записів. HealthScribe від Amazon — це програмований інтерфейс, який транскрибує розмови між лікарями та пацієнтами та може отримувати медичну інформацію, що дозволяє постачальникам створювати структуровані записи зустрічей.

Другий сегмент передбачає використання керованого машинного навчання для покращення інтерпретації клінічних даних. Такі спеціальності, як радіологія, патологія та кардіологія, вже використовують штучний інтелект для аналізу зображень, читання МРТ, оцінки патологічних слайдів або інтерпретації електрокардіограм. Насправді до 30% радіологічних практик уже застосували інструменти ШІ. Так само й інші спеціальності. Google Brain AI розробив програмне забезпечення, яке аналізує зображення задньої частини ока для діагностики діабетичного макулярного набряку та діабетичної ретинопатії, двох поширених причин сліпоти.

Оскільки ці інструменти пропонують діагностику та можуть безпосередньо впливати на лікування пацієнтів, FDA часто класифікує їх як медичні пристрої, піддаючи їх регулюванню для перевірки їх точності. Однак той факт, що ці інструменти навчаються на закритих наборах даних, де результати даних або зображень були суворо підтверджені, надає FDA підвищеної впевненості під час оцінки цілісності цих пристроїв.

Третя широка категорія включає інструменти штучного інтелекту, які спираються на великі мовні моделі, які витягують клінічну інформацію з даних про пацієнта, інтерпретуючи її, щоб підказувати постачальникам діагностику або лікування, які слід розглянути. Загальновідоме як програмне забезпечення для підтримки прийняття клінічних рішень, воно створює картину розумного асистента, створеного для того, щоб допомогти, а не замінити судження лікаря. IBM «Watson for Oncology» використовує ШІ, щоб допомогти онкологам приймати більш обґрунтовані рішення щодо лікування раку, а Google Health розробляє DeepMind Health для створення подібних інструментів.

Поки лікар бере участь і приймає незалежні рішення, FDA не завжди регулює цей вид інструменту. FDA більше зосереджується на тому, чи призначено це для прийняття остаточного клінічного рішення, на відміну від надання інформації, щоб допомогти лікарям у їх оцінках.

Четверта і остання група представляє святий Грааль для штучного інтелекту: великі мовні моделі, які працюють повністю автоматизовано, аналізуючи всю медичну карту пацієнта, щоб діагностувати захворювання та призначати лікування безпосередньо пацієнту, без лікаря в циклі.

Зараз існує лише кілька клінічних мовних моделей, і навіть найбільші з них мають відносно невелику кількість параметрів. Однак потужність моделей і наборів даних, доступних для їх навчання, можуть бути не найбільшою перешкодою для цих повністю автономних систем. Найбільшою перешкодою може бути встановлення належного регуляторного шляху. Регулятори вагаються, побоюючись, що моделі схильні до помилок і що набори клінічних даних, на яких вони навчаються, містять неправильні рішення, що змушує моделі ШІ повторювати ці медичні помилки.

Подолання перешкод, пов’язаних із запровадженням цих повністю автономних систем для догляду за пацієнтами, має значні перспективи не лише для покращення результатів, але й для вирішення фінансових проблем.

Охорона здоров’я часто згадується як сфера, обтяжена теорією хвороби витрат Баумола, економічною теорією, розробленою економістом Вільямом Дж. Баумолом, яка пояснює, чому витрати у трудомістких галузях, як правило, зростають швидше, ніж в інших секторах. У таких галузях, як медицина, менш імовірно, що технологічні внески забезпечать значні компенсації витрат на оплату праці, оскільки кожна зустріч з пацієнтом все ще вимагає втручання постачальника. У таких секторах, як медицина, сама праця є продуктом.

Щоб компенсувати ці проблеми, медицина залучила більше постачальників, які не є лікарями, щоб знизити витрати. Однак ця стратегія зменшує, але не усуває центральну економічну дилему. Однак коли технологія стає лікарем, вона може бути ліками від хвороби Баумоля.

У міру того, як якість і обсяг клінічних даних, доступних для навчання цих великих мовних моделей, продовжують зростати, зростатимуть і їхні можливості. Навіть якщо нинішній етап розвитку ще не зовсім готовий повністю усунути лікарів від циклу прийняття рішень, ці інструменти все більше підвищуватимуть продуктивність постачальників і, у багатьох випадках, почнуть замінювати їх.