เมื่อ AI เริ่มเปลี่ยนการดูแลสุขภาพคำถามใหญ่มักถูกมองข้าม: โรงพยาบาลระบบสุขภาพและซัพพลายเออร์ฝึกอบรม AI ในข้อมูลที่ถูกต้องหรือไม่?

โมเดล AI จำนวนมากพึ่งพาข้อมูลจากสหรัฐอเมริกาและแหล่งยุโรปเป็นอย่างมาก ดังนั้นสิ่งนี้อาจสร้างอคติที่ จำกัด ตัวเลือกการรักษา ข้อมูลเชิงลึกที่มีค่าจากส่วนอื่น ๆ ของโลกพลาดไปแล้ว ในความเป็นจริง, การวิจัยแสดงให้เห็นว่าชุดข้อมูลลำเอียงสามารถส่งเสริมความไม่เสมอภาคด้านการดูแลสุขภาพและเพิกเฉยต่อการรักษาที่มีประสิทธิภาพนอกสหรัฐอเมริกา

John Orosco มีประสบการณ์อย่างกว้างขวางใน AI และชุดข้อมูลผ่านงานของเขาในฐานะซีอีโอของ Red Rover Health บริษัท มีความเชี่ยวชาญในการทำให้การรวม EHR ง่ายขึ้นโดยใช้ API ที่ปลอดภัยเพื่อเชื่อมต่อซอฟต์แวร์ของบุคคลที่สามเข้ากับระบบ EHR RESTFUL API เป็นอินเทอร์เฟซเว็บโปรโตคอลที่ช่วยให้ผู้บริโภคสามารถเรียกใช้ข้อมูลหรือเผยแพร่การอัปเดตไปยังระบบต้นฉบับ

ทั้งหมดนี้ได้รับการออกแบบมาเพื่อให้องค์กรด้านการดูแลสุขภาพสามารถปรับปรุง EHR ที่มีอยู่ด้วยระบบที่ดีที่สุดซึ่งจะช่วยปรับปรุงการเข้าถึงข้อมูลผู้ป่วยแบบเรียลไทม์และทำให้เวิร์กโฟลว์ทางคลินิกง่ายขึ้น

เราได้พูดคุยกับ Orosco ผ่าน AI และข้อมูลเกี่ยวกับความท้าทายหลักที่ AI ได้บรรลุศักยภาพอย่างเต็มที่ในการดูแลสุขภาพโดยได้รับการฝึกอบรมข้อมูลที่หลากหลายและทั่วโลกมากขึ้น ลิงค์ไปยังจีโนมและยาที่มีความแม่นยำและทำไมแบบจำลอง AI ควรพิจารณาการรักษาที่ไม่เป็นกระแสหลักเพื่อให้การรักษาที่ดีที่สุดสำหรับผู้ป่วย

ถาม: อะไรคือความท้าทายหลักของปัญญาประดิษฐ์และข้อมูลในปัจจุบัน?

หนึ่ง. ปัญหาหลักของ AI ในการดูแลสุขภาพในปัจจุบันไม่ใช่เทคโนโลยี แต่เรายังอยู่ในช่วงแรกของการวิวัฒนาการ แบบจำลองภาษาขนาดใหญ่ยังคงเติบโตอย่างรวดเร็วและในขณะที่พวกเขาแสดงความหวังอย่างไม่น่าเชื่อเป็นที่ชัดเจนว่าเรามีรอยขีดข่วนพื้นผิวเท่านั้น

ตัวชี้วัดในช่วงต้นแนะนำว่า AI จะอยู่ที่นี่และมันจะปรับเปลี่ยนพื้นฐานของวิธีการที่เราทำการตัดสินใจและผลิตภาพโดยเฉพาะอย่างยิ่งในการดูแลสุขภาพ

อย่างไรก็ตามด้วยพลังของโมเดลเหล่านี้ประสิทธิภาพของพวกเขาขึ้นอยู่กับการเข้าถึงข้อมูล AI สามารถทำได้ดีเท่ากับข้อมูลที่ต้องใช้ ในการดูแลสุขภาพข้อมูลมักจะกระจัดกระจายไปทั่วระบบที่แตกต่างกันฝังอยู่ในบันทึกย่อที่ไม่มีโครงสร้างหรือถูกล็อคอยู่เบื้องหลังอินเทอร์เฟซที่ล้าสมัยซึ่งเป็นความท้าทายที่แท้จริง

การบูรณาการไม่เพียง แต่มีประโยชน์เท่านั้น – มันเป็นสิ่งจำเป็น หากไม่สามารถใช้แหล่งข้อมูลที่ครอบคลุมและเชื่อมต่อได้ศักยภาพทั้งหมดของ AI จะถูกทำให้เป็นกลางอย่างมีประสิทธิภาพ มันกลายเป็นเครื่องมือที่ยอดเยี่ยมในการดูเพียงส่วนหนึ่งของภาพ

ดังนั้นการมุ่งเน้นที่แท้จริงในตอนนี้ไม่เพียง แต่ในสิ่งที่ AI อาจทำในอนาคต แต่ยังรวมถึงสิ่งที่เราสามารถเตรียมไว้สำหรับอนาคตในวันนี้ ซึ่งหมายถึงการทำลายไซโลข้อมูลสร้างโครงสร้างพื้นฐานที่ชาญฉลาดและทำให้มั่นใจได้ว่า LLM สามารถเข้าถึงข้อมูลที่มีคุณภาพสูงและมีคุณภาพมากที่สุดเท่าที่จะทำได้

ในขณะที่โมเดลยังคงปรับปรุงอย่างต่อเนื่องและจะพัฒนาตามที่พวกเขาพัฒนา – รากฐานนี้จะกำหนดค่าที่แท้จริงที่เราสามารถปลดล็อคได้ ในระยะสั้นโมเดลเหล่านี้กำลังเติบโตอย่างรวดเร็ว – ตอนนี้มันขึ้นอยู่กับเราเพื่อให้แน่ใจว่าข้อมูลพร้อมแล้ว

ถาม: คุณคิดว่า AI ในการดูแลสุขภาพสามารถเข้าถึงศักยภาพสูงสุดเมื่อได้รับการฝึกฝนเกี่ยวกับข้อมูลที่หลากหลายและทั่วโลกมากกว่าวันนี้ กรุณาอธิบายรายละเอียด

หนึ่ง. มันสามารถเข้าถึงศักยภาพอย่างเต็มที่หากได้รับการฝึกฝนในชุดข้อมูลระดับโลกที่หลากหลาย ปัจจุบันข้อมูลส่วนใหญ่ที่ใช้ในการฝึกอบรม LLM นั้นมาจากภูมิภาคเฉพาะส่วนใหญ่สหรัฐอเมริกา แต่เมื่อพิจารณาจากปริมาณข้อมูลการดูแลสุขภาพในสหรัฐอเมริกาดูเหมือนว่าจะเป็นจุดเริ่มต้นที่ดีและ จำกัด จริง

การฝึกอบรม AI ตามข้อมูลระดับภูมิภาคหรือระดับชาติเท่านั้น อบอคติทางวัฒนธรรมระบบและคลินิกของภูมิภาค มันทำให้เรามีเลนส์แคบ ๆ ที่ AI เข้าใจยาและสุขภาพโดย จำกัด การใช้งานจริง

ยกตัวอย่างสหรัฐอเมริกาเป็นตัวอย่าง ระบบการดูแลสุขภาพของเรามีแนวโน้มที่จะให้การรักษาบางอย่างเช่นการสั่งยาหรือการแนะนำการผ่าตัด ในทางตรงกันข้ามประเทศอื่น ๆ อาจพึ่งพาการบำบัดตามธรรมชาติการบำบัดทางเลือกหรือเส้นทางการดูแลที่แตกต่างกัน

หาก AI ฝึกเฉพาะข้อมูลที่ใช้ในสหรัฐอเมริกามันจะสะท้อนและปรับปรุงรูปแบบการรักษาเหล่านี้ตามธรรมชาติแม้ว่าวิธีอื่นอาจมีประสิทธิภาพเท่าเทียมกันหรือมีประสิทธิภาพมากขึ้นในสถานการณ์ที่แตกต่างกัน นี่คือหนึ่งในเหตุผลที่ผู้ป่วยชาวอเมริกันราคาไม่แพงจำนวนมากแสวงหาการดูแลในต่างประเทศ – เพราะพวกเขาเชื่อว่ามีการรักษาที่มีประสิทธิภาพนอกขอบเขตของบรรทัดฐานทางคลินิกที่ได้รับการอนุมัติจากองค์การอาหารและยา

หากเราต้องการให้ AI สนับสนุนสุขภาพที่ดีขึ้นทั่วโลกเราต้องคิดนอกขอบเขต ซึ่งหมายถึงรูปแบบการฝึกอบรมสำหรับข้อมูลที่หลากหลายจากประเทศวัฒนธรรมและรูปแบบการพยาบาลที่แตกต่างกัน มันไม่เพียงเกี่ยวกับปริมาณ แต่เกี่ยวกับความหลากหลาย ข้อมูลที่หลากหลายทำให้ AI ฉลาดขึ้นปรับตัวได้มากขึ้นและยุติธรรมในที่สุด

หากไม่มีมันเราก็กล้าที่จะสร้างเครื่องมือขั้นสูง แต่เครื่องมือทั่วทั้งงาน หากเราต้องการให้ AI สะท้อนถึงขอบเขตของสุขภาพของมนุษย์และความเป็นไปได้ในการรักษาเราจำเป็นต้องมีความเข้าใจที่ครอบคลุมมากขึ้นเกี่ยวกับโลก

ถาม: คุณบอกว่าจีโนมและยาที่มีความแม่นยำสามารถให้การดูแลส่วนบุคคลได้มากขึ้น การเชื่อมต่อ AI และข้อมูลคืออะไร?

หนึ่ง. มีการเชื่อมต่อที่แข็งแกร่งระหว่างอนาคตของจีโนมและยาที่แม่นยำ, AI, ข้อมูลและการดูแลส่วนบุคคล คิดว่าร่างกายมนุษย์เป็นระบบปฏิบัติการ เราแต่ละคนทำงานด้วยซอร์สโค้ดที่เป็นเอกลักษณ์ของเราเอง (เช่น DNA)

การทำแผนที่จีโนมนั้นเป็นการถอดรหัสระบบโดยทั่วไป มันบอกเราว่าจะจัดการกับยาบางชนิดได้อย่างมีประสิทธิภาพวิธีการเผาผลาญยาและอาจมีมาตรการอะไรบ้างที่จะทำ แต่ถึงแม้จะมีความเข้าใจอย่างถ่องแท้ แต่การแพทย์สมัยใหม่จำนวนมากยังคงใช้การทดลองและข้อผิดพลาด

เรากำหนดวิธีการรักษาและพูดว่า“ มาดูกันว่ารู้สึกอย่างไรในหนึ่งสัปดาห์” สิ่งนี้ไม่ถูกต้องโดยเนื้อแท้และมักจะไม่มีประสิทธิภาพและมีความเสี่ยง

นี่คือ AI สามารถมีบทบาทในการเปลี่ยนแปลง เมื่อ AI ได้รับการฝึกฝนร่วมกับข้อมูลทางคลินิกอื่น ๆ เช่นตัวเลือกการรักษาผลลัพธ์ในห้องปฏิบัติการและหลักฐานในโลกแห่งความเป็นจริงการทำนายและคำแนะนำของมันจะแม่นยำยิ่งขึ้น

โดยการรวมจีโนมในการรวมกันของข้อมูล AI สามารถกำหนดการรักษาที่มีประสิทธิภาพมากที่สุดสำหรับทุกคนก่อนการทดลองและข้อผิดพลาดจะเริ่มขึ้น นอกจากนี้ยังสามารถหลีกเลี่ยงผลข้างเคียงที่ร้ายแรงโดยการติดฉลากยาของบุคคลซึ่งอาจไม่ตอบสนองต่อการเผาผลาญที่ไม่พึงประสงค์หรือเลย

อนาคตของการแพทย์ที่แม่นยำขึ้นอยู่กับการบูรณาการนี้ ข้อมูลจีโนมนั้นมีค่า แต่ศักยภาพเต็มรูปแบบสามารถทำได้ก็ต่อเมื่อรวมเข้ากับชุดข้อมูลที่กว้างขึ้นและวิเคราะห์ในระดับใหญ่ผ่าน AI เมื่อสิ่งนี้เกิดขึ้นเราจะใกล้ชิดกับการดูแลไม่เพียง แต่เป็นส่วนตัว แต่ยังเป็นเชิงรุกทำนายและปลอดภัยกว่า AI กลายเป็นกลไกของข้อมูลอย่างลึกซึ้งและจีโนมกลายเป็นชั้นพื้นฐานของการดูแลส่วนบุคคลอย่างแท้จริง

ถาม: คุณแนะนำว่าแบบจำลอง AI ควรพิจารณาการรักษาที่ไม่สำคัญเพื่อให้การรักษาที่ดีที่สุดสำหรับผู้ป่วย คุณหมายถึงอะไรที่นี่?

หนึ่ง. ฉันหมายถึงโมเดล AI ควรขยายมุมมองของพวกเขาไม่ใช่ตัวเลือกการรักษากระแสหลักในท้องถิ่นโดยเฉพาะอย่างยิ่งเมื่อโปรโตคอลเหล่านี้ถูกกำหนดโดยหน่วยงานปกครองระดับภูมิภาค โดยทั่วไปแล้วระบบ AI มักจะได้รับการฝึกฝนในประเทศและชุดข้อมูลเหล่านี้สะท้อนให้เห็นถึงประเทศเดียวโดยปกติจะขึ้นอยู่กับพารามิเตอร์ด้านกฎระเบียบหรือการประกันภัย

สิ่งนี้อาจทำให้รู้สึกถึงมุมมองการปฏิบัติตาม แต่มัน จำกัด ศักยภาพของ AI เพื่อให้มุมมองที่ครอบคลุมอย่างแท้จริงเกี่ยวกับตัวเลือกการรักษาที่มีอยู่สำหรับผู้ป่วย เพียงเพราะการบำบัดไม่ได้รับการอนุมัติจากองค์การอาหารและยาหรือครอบคลุมโดยการประกันไม่ได้หมายความว่ามันขาดบุญ ในความเป็นจริงมันอาจได้รับการยอมรับอย่างกว้างขวางและมีประสิทธิภาพในประเทศอื่น

AI ไม่ควรเพิกเฉยต่อการรักษาที่ไม่ได้เป็นหลักหรือทางเลือกที่ใช้ทั่วโลกเพียงเพราะพวกเขาอยู่ในสคริปต์ทางการแพทย์ในท้องถิ่น ผู้ป่วยสมควรที่จะรู้ว่ามีอะไรบ้าง – ไม่เพียง แต่ในรหัสไปรษณีย์หรือเครือข่ายประกันภัย แต่ทั่วโลก

แน่นอนว่าการเข้าถึงและการชำระเงินคืนเป็นอุปสรรคที่แท้จริงและมีความซับซ้อนทางการเมืองและกฎระเบียบโดยเฉพาะอย่างยิ่งในสหรัฐอเมริกา แต่บทบาทของ AI ควรแจ้งและขยายการสนทนาไม่แคบ

หากผู้ป่วยเห็นคำแนะนำการรักษาที่สร้างขึ้นซึ่งรวมถึงการรักษาที่มีแนวโน้มใช้ในระดับสากลพวกเขาสามารถหารือกับแพทย์และตัดสินใจด้วยกันอย่างชาญฉลาด

ในที่สุด AI ควรทำหน้าที่เป็นแนวทางที่เป็นกลางไม่อยู่ภายใต้นโยบายท้องถิ่นหรือข้อ จำกัด การประกันภัย การเพิ่มขีดความสามารถให้ผู้ป่วยที่มีขอบฟ้าที่กว้างขึ้นอาจนำไปสู่การดูแลที่เป็นส่วนตัวและมีน้ำใจมากขึ้น การใช้ความคิดแบบรวมระดับโลกนี้ไม่ใช่เรื่องง่าย แต่ไม่ได้ทำเช่นนั้นซึ่งหมายความว่า AI ไม่มีศักยภาพที่จะสนับสนุนผลลัพธ์ด้านสุขภาพที่ดีขึ้นเสมอ

ติดตามรายงานยอดนิยมของ Bill เกี่ยวกับ LinkedIn: Bill Siwicki
ส่งอีเมลถึงเขา: bsivicki@himss.org
การดูแลสุขภาพข่าวไอทีเป็นสิ่งพิมพ์ HIMSS Media

ดูตอนนี้: หัวหน้าเจ้าหน้าที่ AI ต้องมีความเข้าใจในเชิงลึกเกี่ยวกับเทคโนโลยีและการดำเนินงานทางคลินิก