3 způsoby, jak umělá inteligence mění způsob, jakým zdravotnické organizace slouží pacientům. Mohou LLM jako ChatGPT pomoci?

Strojové učení a umělá inteligence mění lékařskou péči zahrnující funkčnost, diagnostiku a další. Mezitím jsou velké jazykové modely - jako ChatGPT - stále v raných fázích.

Digitalizace zdravotnictví je již dlouhou dobu vpřed a praxe léčení je ze zřejmých důvodů spojena se staršími, pečlivě prověřenými způsoby, jak věci dělat.

Stále častěji se ale do kliniky vkrádá umělá inteligence v různých podobách. Aplikace zahrnují prediktivní analytiku, chytré protézy, mobilní diagnostiku a mozkové implantáty. Navíc se vznikem velkých jazykových modelů (LLM), jako je ChatGPT, zkoumáme, zda tato technologie může dnes pomoci ve zdravotnictví.

I když je velká část práce ve formě pilotních studií, je jasné, že umělá inteligence bude hrát hlavní roli při utváření způsobu poskytování zdravotní péče v nadcházejících desetiletích.

„Umělá inteligence s hlubokým učením konečně prošla tímto procesem, kdy je zavedena technická infrastruktura a jsou k dispozici data pro její trénování, po letech opravdu tvrdé práce,“ řekl Jeremy Howard, spoluzakladatel výzkumného a vzdělávacího startupu Fast. .ai a zakladatelem první společnosti, která aplikovala hluboké učení v medicíně, Enlitic.

Po vší té snaze „Měli byste očekávat, že toho v nadcházejících letech uvidíte mnohem více“, což znamená aplikovanou umělou inteligenci v medicíně, řekl Howard v rozhovoru pro ZDNET.

Nejmodernější aplikace umělé inteligence v medicíně se v současnosti skládá z malých studií, které využívají různé velmi dobře zavedené formy umělé inteligence. Tyto programy prokázaly svou hodnotu po desetiletí. Konečně jsou přijímány na kliniku a aplikovány na různá data, od měření mozkové aktivity v reálném čase až po elektronické zdravotní záznamy.

Pro novější druhy umělé inteligence strojového učení, jako je ChatGPT od OpenAI, je to stále ještě cesta pryč. Tato technologie získává veškerou pozornost, ale je příliš nová na to, aby byla spolehlivá v citlivé oblasti kliniky.

Už teď bylo využití strojového učení pro zúčastněné pacienty transformační. Gert-Jan Oskam, 40letá oběť nehody na kole, dostala nové rozhraní mozek-počítač, které mu umožnilo znovu stát a chodit. Pro prestižní časopis Nature řekl, že zařízení „změnilo život“.

"Minulý týden bylo potřeba něco natřít a nebyl nikdo, kdo by mi pomohl," řekl Oskam. "Tak jsem vzal chodítko a barvu a udělal jsem to sám, když jsem stál."

1. Obnovení funkčnosti pomocí AI

Mezi nejdramatičtější rané výhry umělé inteligence ve zdravotnictví patří úspěchy, jejichž počet je stále malý, s protézami různých druhů k obnovení funkčnosti jedinců s vážnými zraněními.

Udělej krok stranou, Elon Musk: bájné „rozhraní mozek-počítač“ neboli BCI, o kterém Musk říká, že ho zavede do klinických studií, již bylo dosaženo týmem ze Stanfordu v úžasném příkladu použití pečlivě vyvinutých forem strojového učení AI.

Bájné „rozhraní mozek-počítač“, které nabízí Elon Musk, je již realitou. Výzkumníci ve Švýcarsku vytvořili „digitální most“ mezi oblastmi pohybu mozku a „lumbosakrální“ oblastí páteře, který převádí záměr do stimulace svalů, aby se nohy pohybovaly přirozeně.

„Digitální most“, vyvinutý výzkumníky z oddělení strojního inženýrství ve Stanfordu, směruje mozkové signály kolem postižení páteře pomocí senzorů a bezdrátové technologie. Zařízení obnovuje chůzi Oskamovi, který neměl téměř žádnou schopnost chodit po poranění míchy při nehodě na kole před deseti lety.

Výzkumníci Henri Lorach a tým popsali v květnu v Nature, jak implantovali „rozhraní mozek-mícha“ v Oskamu. Omezil používání nohou po pětiměsíčním programu epidurální elektrické stimulace míchy, schopnosti dělat nějaké kroky s pomocí chodítka.

Lorach a tým implantovali dvě zařízení, každé sestávající z 64 elektrod, na části obou hemisfér mozku, o kterých je známo, že řídí pohyb. Tyto senzory shromáždily signály známé jako elektrokortikograf nebo ECoG, které jsou spojeny se záměry pohybu. Signály ECoG byly snímány bezdrátově pomocí 3D tištěné náhlavní soupravy, kterou měl na sobě pacient, která je připojena pomocí USB kabelu k počítači „základní stanice“ nošenému v batohu.

Počítač batohu dekóduje vzory ECoG do příkazů, které jsou poté bezdrátově odeslány do třetího zařízení, implantovaného na vrchol „lumbosakrální“ oblasti páteře - myslete na spodní část zad a ocasní kost. Nazývá se „pulzní generátor“ a mění příkazy na elektrickou stimulaci, která „zapojuje svaly, které zprostředkovávají zamýšlené pohyby“.

Výsledkem je, že pacient byl schopen „znovu získat intuitivní kontrolu nad pohyby svých nohou, což mu umožnilo stát, chodit, stoupat po schodech a dokonce procházet složitým terénem,“ uvedl Lorach a tým. Videa doprovázející zprávu ukazují, jak pacient vstává ze sedu a chodí, v tomto případě s počítačem základní stanice nastaveným na chodítku místo v batohu.

Je důležité si uvědomit, že to není jen záležitost implantátů mozkových senzorů. Klíčovým prvkem jsou algoritmy strojového učení, které Lorach a tým vyvinuli k interpretaci mozkových signálů pro záměr pohybu.

Pomocí přístupu známého jako „online adaptivní algoritmus učení pod dohledem“ je program vyladěn, když se pacient opakovaně pokouší pohnout nejprve končetinami avatara na obrazovce a poté exoskeletem.

Software kombinuje několik vláken vědy o strojovém učení, včetně „směsi odborníků“, kde různé příkazy ovládají různé končetiny, a pak to, čemu se říká „Skrytý Markovův model“, což je druh algoritmu, který se používá po desetiletí. Výpočet záměru pohybu se vše provádí v reálném čase, jak se pacient pohybuje. Další podrobnosti o algoritmu lze nalézt v předchozím dokumentu týmu z roku 2022.

Vědci zjišťují spoustu dalších způsobů, jak mohou shromažďovat signály z mozku a dekódovat je pomocí strojového učení, aby obnovili funkčnost.

Minulý měsíc výzkumníci Sean Metzger a tým z oddělení neurologické chirurgie Kalifornské univerzity v San Franciscu uvedli v časopise Nature dekodér řeči, který generoval hlas pro 47letou oběť mrtvice, který byl téměř před dvaceti lety ztlumen.

Takzvaný multimodální dekodér řeči také používal implantovaný detektor ECoG k dekódování „zamýšlených vět“ ze signálů v oblastech senzomotorické kůry mozku. Tato oblast je zodpovědná za „pokus o pohyby rtů, jazyka a čelisti“. Signály jsou dekódovány do toho, co vědci nazývají „reprezentace hlasového traktu“, které pak mohou být převedeny na různé druhy výstupu: text na obrazovce, generovaný zvuk mluvených slov a pohyby mluvícího avatara.

Takzvaný multimodální dekodér řeči také používal implantovaný detektor ECoG k dekódování „zamýšlených vět“ ze signálů v oblastech senzomotorické kůry mozku pomocí osvědčeného typu algoritmu strojového učení, známého jako „obousměrná rekurentní neuronová síť“, resp. "RNN," program dlouho používaný pro modelování dat časových řad.

Klíčem opět nejsou jen senzory, ale také algoritmy strojového učení. Signály z ECoG pokusů o hlasový trakt byly přivedeny do jiného osvědčeného typu algoritmu strojového učení, známého jako „obousměrná rekurentní neuronová síť“ nebo „RNN“, což je program dlouho používaný pro modelování časových řad dat, dat. který měří stejné proměnné v různých časových okamžicích, aby zjistil trendy. RNN byl nejprve vyladěn tak, aby předvídal několik předpřipravených vět, které se pacient pokoušel vyslovit (které se pacientovi zobrazily na obrazovce) - to je forma korelace mozkové aktivity s definovaným souborem výstupů.

Po dvou týdnech takového školení však RNN produkovala spontánní textový výstup z nevyžádaných vět, které se pacient pokoušel vyslovit. Program byl schopen generovat až 78 slov za minutu. To bylo mnohonásobně rychlejší než 14 slov za minutu, které byl pacient schopen produkovat se svým stávajícím pomocným zařízením, zařízením na sledování hlavy, kde pacient musel přikyvovat na slova na obrazovce, podobně jako to používal zesnulý fyzik Steven Hawking. .

Stejně tak se RNN podařilo vycvičit k interpretaci ECoG tak, aby odpovídala tvaru vlny, která pak mohla řídit vokodér ke generování řeči. Po dvou týdnech ladění systému s pacientem ukázal „řečovo-neuroprotetický systém“, který vyvinuli, tak působivé výsledky, že „jsme přesvědčeni, že... tyto výsledky překonaly důležitý práh výkonnosti, generalizovatelnosti a expresivity, který by mohla mít brzy praktické výhody pro lidi se ztrátou řeči,“ píše Metzger a tým.

2. AI může učinit lékařskou diagnostiku přenosnou

Jedním z hlavních kamenů úrazu lékařské diagnostiky je, že vyžaduje od pacientů cestu do zdravotnického zařízení, kde lze provádět testy pomocí gigantického vybavení a data ručně zkoumat vyškolení odborníci. Některé nové pokusy o diagnostiku však využívají formy strojového učení umělé inteligence, aby se věc dostala mimo kliniku.

Proveďte studie spánku, které obvykle zahrnují sedmihodinový pobyt v zařízení, připojené k elektrodám a monitorované po celou noc personálem. Dalo by se to místo toho udělat doma, s telefonem a pár nalepovacími záplatami?

Tým z Georgia Institute of Technology v Atlantě ve státě Georgia přišel s bezdrátovými náplastmi na spaní vyrobenými ze silikonu se zabudovanými flexibilními obvody, jak nedávno informoval prestižní časopis Science. Náplasti využívají k měření údajů o spánku strojové učení, spíše než aby pacienta přes noc sledoval živý technik.

Náplasti si může pacient nalepit na obličej doma, jednu na čelo, jednu na bradu. Shromažďují data pro elektroencefalogramy (EEG) a elektrookulogramy (EOG), dva druhy měření používaných k detekci spánkové apnoe. Na rozdíl od gelových elektrod používaných na spánkové klinice lze náplasti používat celé dny v kuse.

Patche přenášejí data EEG a EOG přes Bluetooth do mobilního zařízení u postele a mobilní zařízení používá to, čemu se říká „konvoluční neuronová síť“ nebo „CNN“, dříč strojového učení. Pomocí CNN lze analyzovat data reprezentovaná jako spektrum aktivity k detekci spánkové apnoe.

Silikonové náplasti na obličej pro domácí studium spánku obsahují flexibilní obvody, takže je lze nosit i během spánku. Bezdrátově se připojují k mobilnímu zařízení pro sběr a analýzu dat.

Vedoucí autor Shinjae Kwon a tým zjistili ve studiích s osmi subjekty, že „výkon systému ukazuje vysokou přesnost 88,52 %“ při detekci obstrukční spánkové apnoe. Navíc detekce domácích náplastí a CNN prokázala „vysokou shodu“ s 82,4% detekcí produkovanou zlatým standardem klinických studií spánku známých jako „polysomnografie“.

Kwon a tým očekávají provedení rozsáhlé studie systému a rozšiřují schopnosti senzorů pro detekci dalších indikátorů spánkové apnoe, včetně saturace krve kyslíkem, oxidu uhličitého a pohybů.

Vzhledem k tomu, že mobilní zařízení třídí a prosévá data CNN, úsilí Kwoka a týmu ukazuje na mnohem větší trend: shromažďování a analýzu dat v terénu pomocí AI na mobilním zařízení. Automatizací měření, které obvykle provádí zkušení technici ručně, lze některé diagnózy rozšířit i mimo stěny kliniky.

Studie z roku 2021, kterou provedl tým ze Stanfordské univerzity pod vedením Chayakrit Krittanawong, uvádí více než tucet příkladů spotřebitelského sledování srdečního stavu nositelného zdraví kromě sledování EKG na Apple Watch. Patří mezi ně brýle od izraelské OrCam Technologies a vložky do bot od MEGAComfort.

Tato nositelná zařízení produkují „biosignály“, které tým definuje jako „fyziologické signály, které lze nepřetržitě měřit a monitorovat, aby poskytovaly informace o elektrické, chemické a mechanické aktivitě“. Strojové učení je dobrým kandidátem na agregaci, analýzu a interpretaci všech těchto dat.

Krittanawong a tým popisují studie v malém měřítku se 100 subjekty, které používaly nositelné náplasti s jednorázovými senzory nošenými na hrudi subjektu. Senzor napájený jednorázovou baterií detekoval více dat z kůže subjektu včetně křivek elektrokardiogramu, teploty kůže a polohy subjektu. Všechna tato data byla nepřetržitě streamována přes bezdrátové připojení Bluetooth do mobilního telefonu a poté nahrána do cloudu pro analýzu pomocí strojového učení.

Náplasti byly použity jako alternativa k implantovatelným zařízením pro monitorování srdce k predikci rizika hospitalizace pro srdeční selhání. Díky cloudové analýze fungovaly náplasti a mobilní zařízení s úrovní citlivosti a specifičnosti, která odpovídala tradičním implantabilním monitorům lékařské kvality.

3. Lepší prediktivní analytika pro bezpečnost pacientů

Mezi dosud nejrozšířenější využití umělé inteligence ve skutečném klinickém prostředí patří použití prediktivních algoritmů - programů, které dokážou věci, jako je předpovídání šance pacienta na opětovné přijetí do nemocnice. Často využívají data z elektronických zdravotních záznamů (EHR), protože tyto záznamy jsou snadno dostupným úložištěm obrovského množství dat.

Letošní studie lékařské fakulty University of Utah zjistila, že „rozsáhlé přijetí AI v současných klinických operacích“ na základě dat EHR, podle hlavního autora Davida Classena a týmu.

Tyto prediktivní nástroje však měly pochybnou přesnost. Studie Epic softwaru pro sepsi z roku 2021 provedená Lékařskou fakultou University of Michigan zjistila extrémně nízkou míru přesnosti v predikci sepse pomocí nástroje, což vyvolává pochybnosti o jeho užitečnosti v praxi.

To naznačuje, že výzkumníci potřebují lepší způsoby, jak odvodit, co jim EHR říká se všemi těmi údaji.

Jako příklad špičkové prediktivní analýzy vědci z lékařské fakulty Stanfordské univerzity shromáždili EHR pro 22 104 párů matek a jejich novorozenců, propojili záznamy a přišli s tím, co popisují jako větší schopnost předpovídat úmrtnost u předčasných porodů. , hlavní příčina úmrtí dětí do 5 let.

Práce Davide de Francesco a týmu, publikovaná v únoru v Science Translational Medicine, použila funkce obsažené ve zdravotních záznamech matky k předpovědi neonatálních výsledků. Hlavním cílem je získat přesnější obrázek o kojenecké úmrtnosti než hrstka obvykle používaných funkcí, známých jako skóre „vzhled, puls, grimasa, aktivita a dýchání“ nebo skóre Apgar v době narození/porodu.

Místo toho vědci vložili více datových bodů z několika návštěv matky před porodem do jiného časem testovaného algoritmu strojového učení, nazývaného „dlouhodobá paměť“ nebo „LSTM“, který se používá jako RNN. dohromady data časových řad. LSTM byl trénován tak, aby koreloval kódy pro věci, jako jsou postupy matky, léky a pozorování vedoucí k porodu, s podmínkami v novorozeneckém lékařském záznamu dítěte, jako je hypotenze nebo sepse.

Autoři zjistili signifikantní zvýšení schopnosti předvídat uváděné výsledky kojence oproti tradičnímu hodnocení rizik.

Konkrétně by program LSTM mohl zobecnit zvýšené riziko některých mateřských stavů. „Mezi tyto kódy silně spojené s neonatálními výsledky byly […] závislost na opioidech v remisi, fetální-mateřské krvácení, různé vrozené srdeční choroby,“ souvisejí.

A co víc, mohli by také prosadit některé věci, které chrání předčasně narozeného novorozence v týdnech a měsících následujících po porodu.

"Významná laboratorní měření, která naznačují ochrannou asociaci proti neonatálním výsledkům, zahrnují sérový albumin, sérový protein, krevní destičky, bazofily, lymfocyty a eozinofily," píší. "Tyto údaje naznačují, že existuje souhra mezi imunitním systémem matky jeden týden před porodem a relativním zdravím plodu, které se přenáší do novorozeneckého období a dále."

Stanfordská práce naznačuje, že s tím, jak sofistikovanější modely hlubokého učení přebírají relativně primitivní prediktivní systémy, je zde mnohem více informací, které jen čekají na dešifrování.

Velké jazykové modely (LLM) ve zdravotnictví?

Výše diskutované metody umělé inteligence se strojovým učením - modely RNN, CNN, LSTM a Hidden Markov - jsou všechny poměrně dobře zavedené přístupy umělé inteligence, které existují již desítky let. Novinkou je, že jsou nyní nasazovány s novou, vyšší úrovní sofistikovanosti a s novými daty.

Ale co skutečně nové algoritmy v hlubokém učení, „generativní AI“, která je v módě, jako je ChatGPT od OpenAI?

Pro generativní umělou inteligenci v medicíně a zdravotnictví je to velmi, velmi brzy. Umělá inteligence ve formě velkých jazykových modelů vstupuje na pole v pilotních studiích teprve postupně, zadržována obavami z věcí, jako jsou „halucinace“ jazykových modelů, což znamená jejich sklon prosazovat nepravdivé informace.

Studie Weill Cornell Medicine ze srpna ve skutečnosti uvedla, že „LLM by mohly být náchylné k vytváření fakticky nekonzistentních souhrnů a příliš přesvědčivých nebo nejistých prohlášení, což by mohlo vést k potenciálnímu poškození v důsledku dezinformací.“

Tvůrce ChatGPT, OpenAI, ve skutečnosti řekl časopisu Nature Medicine, že „jeho modely by neměly být používány pro lékařskou diagnostiku, třídění nebo řešení život ohrožujících problémů“.

Rizika a etické problémy generativní umělé inteligence znamenají, že před námi leží mnoho regulačních překážek.

V červenci vědci Bertalan Meskó z Maďarského lékařského futuristického institutu a Eric Topol ze Scripps Research Translational Institute napsali souhrnný článek, ve kterém poznamenali, že „LLM nabízejí obrovský příslib pro budoucnost zdravotní péče, ale jejich používání s sebou nese také rizika a etické výzvy."

Meskó a Topol předpovídají, že regulátoři „vytvoří novou regulační kategorii pro LLM, protože se výrazně liší od lékařských technologií založených na umělé inteligenci, které již regulací prošly“.

"Určitě se zdá být extrémně užitečná," říká Jeremy Howard z generativní umělé inteligence, "ale velmi obtížné ji nasadit důsledným způsobem, který zapadá do současných omezení a procesů v americkém lékařském systému."

Howard předpovídá, že navzdory nedostatkům může mít generativní umělá inteligence hodnotu při vyplňování mezery v lékařských dovednostech.

"Většina světové populace nemá přístup k téměř dostatečnému počtu lékařů," řekl. "Může dojít k tomu: Chtěli byste komunitního zdravotnického pracovníka s šestiměsíčním školením v efektivním využívání tohoto systému umělé inteligence versus vůbec nic?"