AI – asystent lekarza

Grant w wysokości 20 milionów funtów będzie rozdzielony między 15 uniwersytetów pracujących nad rozmaitymi projektami AI, ale jeden z tych projektów dotyczy AI jako asystenta lekarza. Nazwali to Stypendium Turinga od Alana Turinga, który był jednym z pionierów maszynowej inteligencji. Jak informuje BBC:

Asystent lekarza lub kliniczny kolega jest projektem prowadzonym przez profesora Aldo Faisala  Imperial College London. Będzie w stanie rekomendować medyczne interwencje, takie jak przepisywanie leków lub zmienianie dawek w sposób zrozumiały dla podejmujących decyzję, czyli lekarzy.

Może to pomóc im w podejmowaniu najlepszej dla pacjenta decyzji o sposobie leczenia. Ta technologia będzie używała “uczenia przez wzmacnianie”, rodzaju uczenia maszynowego, które szkoli AI do podejmowania decyzji.

To znakomicie i stworzenie takich aplikacji AI powinno być wśród najwyższych priorytetów. Właściwie rozczarowuje trochę, że podobne systemy jeszcze nie są szeroko używane. Jest kilka rodzajów uczenia maszynowego. Uczenie maszynowe dotyczy przede wszystkim szukania wzorów w dużych zestawach danych. Jeśli algorytm komputerowy ma informację, czego ma szukać, to jest to uczenie nadzorowane. Jeśli nie, to jest nienadzorowane.  Jeśli postępuje metodą wielu prób i błędów, to jest to uczenie przez wzmacnianie. A jeśli używa głębokich sieci neuronowych to jest to głębokie uczenie. W tym wypadku skupienie jest na uczeniu przez wzmacnianie, a więc AI podejmie decyzję, otrzyma reakcję, a potem powtórzy tworzący decyzję algorytm dla wszystkich danych.

Jak zintegrować to z praktyką kliniczną? Jak opisywałem wcześniej, nie chodzi o zastąpienie człowieka-lekarza, ale raczej o dostarczenie szerszej perspektywy. Lekarze-klinicyści kilka rzeczy robią dobrze. Doświadczenie może dać im wielką wprawę w rozpoznawaniu wzorów. Pomaga im także przewidywać możliwe szlaki diagnozy i leczenia, unikać pułapek i przewidywać problemy. Długie szkolenie daje im także wiele faktograficznej wiedzy. Klinicyści, zależnie od specjalizacji, rozwiną także specjalne umiejętności, takie jak sprawność chirurgiczna lub inna sprawność techniczna oraz zdolność skutecznej komunikacji z pacjentami.

Wiadomo jednak, że sama ilość informacji potrzebnych do optymalizowania każdej klinicznej decyzji oraz złożoność brania pod uwagę wszystkich statystycznych implikacji wielu zmiennych, jakie istnieją nawet w stosunkowo prostych przypadkach, łatwo przytłaczają lekarza. Radzimy sobie z tym na kilka sposobów. Zazwyczaj mieszamy podejście analityczne z intuicyjnym, używając wzoru rozpoznawania, by kierował naszymi analitycznymi wyborami i priorytetami. Mamy też tendencję do zbytniego upraszczania, sprowadzając złożoność do rozsądnego systemu (który może dosłownie być leczeniem lub diagnostycznym algorytmem). Panele specjalistów nieustannie przeglądają literaturę i uaktualniają standardy i kliniczne postępowanie, a praktycy nieustannie uaktualniają swoją wiedzę.

Klinicyści mają jednak problem z radzeniem sobie z wielką ilością danych w rzeczywistym czasie i z dokonywaniem złożonych analiz statystycznych. W rzeczywistości może nas często wprowadzić w błąd własne doświadczenie, lub możemy paść ofiarą efektu potwierdzenia i błędnej heurystyki. Mamy tendencję do uważania, że diagnoza jest bardziej prawdopodobna jeśli przedstawione oznaki i objawy rzeczywiście wyglądają jak przy tej diagnozie. Jest to jednak tylko częściowo prawdą, a częstotliwość występowania tej diagnozy może mieć znacznie większy wpływ na prawdopodobieństwo, ale zbyt mało poświęca się temu uwagi. Klinicyści systematycznie popełniają również statystyczne błędy w myśleniu ponieważ statystyka nie jest intuicyjna.

A teraz wyobraźcie sobie, że w chwili opieki nad pacjentem, kiedy podejmuje się decyzję, klinicysta ma do dyspozycji ekspercki system AI, który może zredukować te słabości. Taki system może przegryźć się przez wielkie ilości danych i wyciągnąć statystyczne wnioski,  co byłoby niemożliwe dla człowieka – może, na przykład, nie tylko przedstawić listę potencjalnych diagnoz, ale dołączyć statystyczne dane do każdej potencjalnej diagnozy. AI może następnie pomóc zoptymalizować szlak diagnostyczny, wskazując, jakie badanie będzie miało największą szansę posortowania tych możliwych diagnoz w najszybszy, najbezpieczniejszy, najtańszy i ogólnie najbardziej wydajny sposób.

Taki system może nie tylko starać się znaleźć prawidłową diagnozę, ale także drogę do najlepszego wynik. Otrzymanie poprawnej diagnozy może nawet nie być najlepszą drogą do najlepszego wyniku, mimo że może się to wydawać całkowicie sprzeczne z intuicją. Trzeba wziąć pod uwagę to, które zdiagnozowane choroby dają się leczyć, jakie są konsekwencje postawienia lub pominięcia diagnozy i jakie jest ryzyko badań niezbędnych do postawienia diagnozy. Lekarz rozważa to wszystko, ale posiadanie twardych danych o każdej możliwej drodze, branie pod uwagę wielu osobistych szczegółów o danym pacjencie, byłoby niezmiernie skuteczne.

Inny przykład: jeśli pacjent ma pewne objawy przy obecności pewnych zmiennych, statystycznie najlepszy wynik może zostać osiągnięty przez empiryczne leczenie zamiast dokonywania jakichkolwiek dodatkowych badań. A może jedno badanie ustali, jakie leczenie dałoby najlepszy wynik, nawet jeśli badanie nie wydaje się bezpośrednio związane z objawami. Statystyka daje wyniki sprzeczne z intuicją – ale tym, co nas najbardziej obchodzi, jest wynik dla pacjenta.  

Kliniczny asystent AI może także włączyć analizę efektywności kosztów do podejmowania decyzji przez sugerowanie równoważnych, ale mniej kosztownych terapii lub szlaków diagnostycznych. To jest podejście “Moneyball” w medycynie – szukanie największego zysku za każdy grosz wydany na interwencję medyczną. Nie chodzi tu też tylko o pieniądze; analiza kosztów i zysków może również dotyczyć bólu lub niewygody dla pacjenta. Gdybyśmy uzyskali ten sam wynik, ale bez bolesnej procedury, większość pacjentów doceniłaby to.  

W wielu wypadkach prawdopodobnie istnieje jedna, optymalna droga kliniczna. Jednak, nawet z potężnym asystentem AI, mogą być dwie lub więcej akceptowalnych dróg klinicznych z różnymi wyborami. Jest to podobne do GPS, który oferuje wybór najszybszej trasy, najkrótszej trasy lub trasy, która omija autostrady. Lekarz i jego pacjent będą musieli zdecydować w kwestii wyboru leczenia z najlepszym wynikiem: czy ma to być leczenie powodujące najmniej bólu i niewygody, leczenie, które trwa najkrócej i zabiera najmniej czasu z dala od pracy lub rodziny, czy też leczenie najtańsze. Przypisanie tym wyborom twardych danych statystycznych co najmniej pozwoli pacjentom na rozumienie tego, co dostają.  

To wszystko są rzeczy, które robimy teraz – ale asystent AI pozwoliłby nam to robić lepiej, bardziej konsekwentnie i na podstawie najnowszych publikowanych informacji.

Powinno to być najwyższym priorytetem, jeśli nie z innego powodu, to dlatego, że będą to potencjalnie olbrzymie oszczędności dla systemu opieki zdrowotnej. Takie oszczędności będą liczyły się w miliardach dolarów, co uzasadnia wielkie inwestycje w rozwój tej technologii. Jedna piętnasta z 20 milionów funtów jest miła, ale są to grosze w porównaniu do możliwych zysków. Cała technologia uczenia maszynowego już istnieje – teraz jest to tylko kwestia stworzenia tej konkretnej aplikacji. Każda rządowa inwestycja w rozwój tej aplikacji prawdopodobnie opłaci się sumami większymi o wiele rzędów wielkości.

AI Doctor’s Assistant

NeuroLogica Blog, 30 listopada 2020

Tłumaczenie: Małgorzata Koraszewska