AI tıbbı dönüştürüyor: İşte herkes için çalıştığından nasıl emin oluyoruz


Transform 2022’yi 19 Temmuz’da ve neredeyse 20 – 28 Temmuz’da geri getirmekten heyecan duyuyoruz. Bilgili görüşmeler ve heyecan verici ağ oluşturma fırsatları için yapay zeka ve veri liderlerine katılın. Bugün kayıt Ol!


Ya doktorunuz vücudunuz, sağlığınız ve değerleriniz için mükemmel olanı keşfetmek için düzinelerce farklı tedaviyi anında test edebilseydi? İçinde benim laboratuvarım Stanford Üniversitesi Tıp Fakültesi’nde bir “yapay zeka” (AI) teknolojisi üzerinde çalışıyoruz.dijital ikiz”: tıbbi geçmişinize, genetik profilinize, yaşınıza, etnik kökeninize ve sigara içip içmediğiniz ve ne kadar egzersiz yaptığınız gibi bir dizi başka faktöre dayanan sanal bir temsiliniz.

Hastaysanız, AI, hangi müdahalelerin en etkili olacağını tahmin etmek için sayısız farklı senaryodan geçerek bu bilgisayarlı ikizde tedavi seçeneklerini test edebilir. Ortalama bir insan için neyin işe yaradığına göre bir tedavi rejimi seçmek yerine, doktorunuz neyin işe yaradığına göre bir plan geliştirebilir. sen. Ve dijital ikiz sürekli olarak deneyimlerinizden öğrenir ve her zaman sağlığınız hakkında en güncel bilgileri içerir.

AI tıbbı kişiselleştiriyor, ama hangi insanlar için?

Bu fütüristik fikir imkansız gibi görünse de yapay zeka, kişiselleştirilmiş tıbbı düşündüğümüzden daha kısa sürede gerçeğe dönüştürebilir. Sağlığımız üzerindeki potansiyel etkisi çok büyüktür, ancak şu ana kadar sonuçlar bazı hastalar için diğerlerinden daha umut verici olmuştur. Yapay zeka, insanlar tarafından oluşturulan verileri kullanarak insanlar tarafından oluşturulduğundan, sağlık sistemimizde zaten var olan aynı önyargıları ve eşitsizlikleri yeniden üretmeye eğilimlidir.

2019’da araştırmacılar, bir algoritma hastaneler tarafından, karmaşık tıbbi ihtiyaçları olan kişiler için özel bakım programlarına hangi hastaların sevk edilmesi gerektiğini belirlemek için kullanılır. Teoride, bu tam olarak hastaların daha hedefe yönelik bakım almasına yardımcı olabilecek AI türüdür. Bununla birlikte, araştırmacılar, model kullanıldıkça, benzer sağlık profillerine sahip beyaz meslektaşlarına kıyasla Siyah hastaları bu programlara atama olasılığının önemli ölçüde daha düşük olduğunu keşfettiler. Bu önyargılı algoritma, yalnızca milyonlarca Amerikalının aldığı sağlık hizmetini değil, aynı zamanda sisteme olan güvenini de etkiledi.

Yapay zekanın yapı taşı olan veri alma, doğru

Böyle bir senaryo, yeterince temsil edilmeyen azınlıklar için çok yaygın. Sorun teknolojinin kendisi değil. Sorun, sorduğumuz sorular ve yapay zekayı eğitmek için kullandığımız verilerle çok daha erken başlar. Yapay zekanın herkes için sağlık hizmetlerini iyileştirmesini istiyorsak, modellerimizi oluşturmaya başlamadan hemen önce bu şeyleri almamız gerekiyor.

Birincisi, genellikle sağlık sistemini en çok kullanan hastalara yönelik olan verilerdir: beyaz, eğitimli, zengin, cisgender ABD vatandaşları. Bu grupların tıbbi bakıma daha iyi erişimi vardır, bu nedenle sağlık veri kümelerinde ve klinik araştırma denemelerinde aşırı temsil edilirler.

Bu çarpık verinin etkisini görmek için cilt kanserine bakın. AI güdümlü uygulamalar olabilir hayat kurtarmak insanların benlerinin resimlerini analiz ederek ve bir dermatolog tarafından kontrol edilmesi gereken herhangi bir şey konusunda onları uyararak. Ancak bu uygulamalar, açık tenli hastalardan alınan görüntülerin hakim olduğu mevcut cilt kanseri lezyonları katalogları üzerinde eğitilmiştir, bu nedenle daha koyu tenli hastalarda da işe yaramazlar. Açık tenli hastaların dermatolojideki baskınlığı, basitçe dijital alana aktarıldı.

Meslektaşlarım ve ben bir yazılım geliştirirken benzer bir sorunla karşılaştık. yapay zeka modeli kemoterapi gören kanser hastalarının acil servise gelip gelmeyeceğini tahmin etmek için. Doktorlar bu aracı, risk altındaki hastaları belirlemek ve onlara hastaneye yatmayı önlemek için hedefe yönelik tedavi ve kaynaklar sağlamak için kullanabilir, böylece sağlık sonuçlarını iyileştirebilir ve maliyetleri azaltabilir. AI’mızın tahminleri umut verici bir şekilde doğru olsa da, sonuçlar Siyah hastalar için o kadar güvenilir değildi. Modelimize beslediğimiz verilerde temsil edilen hastalar yeterince Siyah insanı içermediğinden, model bu popülasyon için önemli olan kalıpları doğru bir şekilde öğrenemedi.

Eğitim modellerine ve veri ekiplerine çeşitlilik eklemek

ile AI sistemlerini eğitmemiz gerektiği açıktır. daha sağlam veriler daha geniş bir hasta grubunu temsil etmektedir. Ayrıca verilerle ilgili doğru soruları sormamız ve çözmeye çalıştığımız sorunları nasıl çerçeveleyeceğimiz konusunda dikkatlice düşünmemiz gerekiyor. moderatörlüğünü yaptığım bir panelde Veri Biliminde Kadın (WiDS) Mart ayındaki yıllık konferansta, Zuckerberg San Francisco Genel Hastanesi’nden Dr. Jinoos Yazdany, çerçevelemenin neden önemli olduğuna dair bir örnek verdi: Uygun bağlam olmadan, bir yapay zeka mantıksız sonuçlar hastane papazının ziyaretinin bir hastanın ölümüne katkıda bulunduğu sonucunu çıkarmak gibi (aslında, tam tersiydi – papaz, hasta ölmek üzere olduğu için geldi).

Karmaşık sağlık sorunlarını anlamak ve doğru soruları sorduğumuzdan emin olmak için, veri bilimcileri tıp uzmanları, etik uzmanları ve sosyal bilimcilerle birleştiren disiplinler arası ekiplere ihtiyacımız var. WiDS paneli sırasında, Stanford’dan meslektaşım Dr. Sylvia Plevritis, laboratuvarının neden yarı kanser araştırmacıları ve yarı veri bilimcisi olduğunu açıkladı. “Günün sonunda,” dedi, “biyomedikal bir soruyu yanıtlamak ya da biyomedikal bir sorunu çözmek istiyorsunuz.” Cilt kanserini tanımlayabilen veya bir hastanın hastanede olup olmayacağını tahmin edebilen güçlü araçlar oluşturmak için birlikte çalışan birden fazla uzmanlık türüne ihtiyacımız var.

Ayrıca, sorunları farklı açılardan görmek ve masaya yenilikçi çözümler getirmek için araştırma ekipleri ve sağlık liderliğinde çeşitliliğe ihtiyacımız var. Hangi hastaların randevuları atlama olasılığının daha yüksek olduğunu tahmin etmek için bir AI modeli oluşturduğumuzu varsayalım. Ekipteki çalışan anneler, soruyu tersine çevirebilir ve bunun yerine, okul sonrası alma saatinin ortasında bir seans planlamak gibi, insanların randevu almalarını engelleyen en olası faktörlerin neler olduğunu sorabilir.

Yapay zeka geliştirmede sağlık pratisyenlerine ihtiyaç var

Bulmacanın son parçası, AI sistemlerinin nasıl uygulamaya konulduğudur. Sağlık hizmetleri liderleri, bu gösterişli yeni teknolojilerin kritik tüketicileri olmalı ve yapay zekanın bakımlarındaki tüm hastalar için nasıl çalışacağını sormalıdır. Yapay zeka araçlarının, sağlayıcıların bunları gerçekten kullanması (ve daha doğru hale getirmek için modellere veri eklemeye devam etmesi) için mevcut iş akışlarına uyması gerekir. Sağlık pratisyenlerini ve hastaları AI araçlarının geliştirilmesine dahil etmek, başarılı bir şekilde kullanıma sunulması ve bakım ve hasta sonuçları üzerinde etkisi olması çok daha muhtemel olan son ürünlere yol açar.

AI odaklı araçların herkes için çalışmasını sağlamak, yalnızca marjinal gruplar için bir öncelik olmamalıdır. Kötü veriler ve yanlış modeller hepimize zarar verir. WiDS panelimiz sırasında Dr. Yazdany, romatoid artritli hastaların sonuçlarını tahmin etmek için geliştirdiği bir AI programını tartıştı. Model başlangıçta daha varlıklı bir araştırma ve eğitim hastanesinden alınan veriler kullanılarak oluşturuldu. Daha çeşitli bir hasta popülasyonuna hizmet veren yerel bir hastaneden veri eklediklerinde, yalnızca yapay zekanın marjinalleştirilmiş hastalar için tahminlerini iyileştirmekle kalmadı, aynı zamanda sonuçları orijinal hastanedeki hastalar da dahil olmak üzere herkes için daha doğru hale getirdi.

AI, sağlık sorunlarını ortaya çıkmadan önce tahmin ederek ve bireysel ihtiyaçlarımız için özelleştirilmiş en iyi tedavileri belirleyerek tıpta devrim yapacak. Yapay zeka destekli sağlık hizmetlerinin herkes için çalıştığından emin olmak için şimdi doğru temelleri oluşturmamız çok önemli.

Tina Hernandez Boussard, Stanford Üniversitesi’nde Doçent olarak görev yapmaktadır. biyomedikal bilişim ve yapay zeka teknolojisinin sağlık hizmetlerinde kullanımı. Bu makaledeki bakış açılarının çoğu, onun bu yılki panelinden geldi. Veri Biliminde Kadın (WiDS) yıllık konferans.

DataDecisionMakers

VentureBeat topluluğuna hoş geldiniz!

DataDecisionMakers, veri işi yapan teknik kişiler de dahil olmak üzere uzmanların verilerle ilgili içgörüleri ve yenilikleri paylaşabileceği yerdir.

En yeni fikirleri ve güncel bilgileri, en iyi uygulamaları ve veri ve veri teknolojisinin geleceğini okumak istiyorsanız DataDecisionMakers’da bize katılın.

Kendi makalenize katkıda bulunmayı bile düşünebilirsiniz!

DataDecisionMakers’tan Daha Fazlasını Okuyun



Kaynak : https://venturebeat.com/2022/06/26/ai-is-transforming-medicine-heres-how-we-make-sure-it-works-for-everyone/

Yorum yapın