3 способа, которыми искусственный интеллект революционирует предоставление услуг здравоохранения пациентам. Могут ли LLM, такие как ChatGPT, помочь?

3 способа, которыми ИИ революционирует здравоохранение пациентов. Помощь LLM, например ChatGPT?

Цифровизация здравоохранения давно наступила, поскольку практика лечения, по понятным причинам, связана с более старыми, тщательно проверенными способами выполнения.

Однако искусственный интеллект в различных формах все больше проникает в клинику. Применение включает предиктивную аналитику, умные протезы, мобильную диагностику и мозговые импланты. Кроме того, с появлением больших языковых моделей (LLM), таких как ChatGPT, мы исследуем, может ли эта технология помочь в современной медицине.

Хотя большая часть работы представлена в виде пилотных исследований, очевидно, что искусственный интеллект будет играть важную роль в формировании способа предоставления медицинской помощи в ближайшие десятилетия.

Специальная функция

Как ИИ трансформирует организации по всему миру

Некоторые из самых эффективных организаций мира используют последние инновации в области искусственного интеллекта в умных и порой поразительных новых способах. Мы обращаем внимание на разнообразные организации в разных отраслях экономики, чтобы увидеть, как они автоматизируют, оптимизируют и трансформируют способы выполнения задач.

• 7 советов по написанию продвинутых промптов для ChatGPT, которые ва...
• Генеративное искусственное интеллект в коммерции 5 способов, которы...
• 3D-напечатанные стволовые клетки могут помочь лечить травмы головно...

“Глубокий обучающийся искусственный интеллект наконец прошел этот процесс, когда техническая инфраструктура была создана, и данные стали доступными для его обучения, после многих лет тяжелой работы”, – сказал Джереми Ховард, сооснователь стартапа по исследованию и образованию в области искусственного интеллекта Fast.ai и основатель первой компании, применившей глубокое обучение в медицине, Enlitic.

После всего этого труда “в ближайшие годы вы должны ожидать намного больше применения искусственного интеллекта в медицине”, – сказал Ховард в интервью с ENBLE.

В настоящее время передовые технологии применения искусственного интеллекта в медицине представлены масштабными исследованиями, в которых используются различные хорошо установленные формы машинного обучения. Эти программы доказали свою ценность на протяжении десятилетий. Они наконец-то внедряются в клинику и применяются к различным данным, от чтений мозговой активности в реальном времени до электронных медицинских записей.

Для новых видов машинного обучения, таких как ChatGPT от OpenAI, это все еще в далеком будущем. Эта технология привлекает все внимание, но она слишком новая, чтобы быть надежной в чувствительной сфере клиники.

Уже сейчас использование машинного обучения привело к значительным изменениям в жизни участвующих пациентов. Герт-Ян Оскам, пострадавший в результате велосипедной аварии в возрасте 40 лет, получил новаторский мозг-компьютерный интерфейс, позволивший ему вновь вставать и ходить. Он рассказал престижному журналу Nature, что это устройство изменило его жизнь.

“На прошлой неделе было что-то, что нужно было покрасить, и некого было попросить помощи”, – сказал Оскам. “Итак, я взял ходунки и краску и сделал это сам, стоя.”

1. Восстановление функциональности с помощью ИИ

Среди наиболее впечатляющих ранних достижений искусственного интеллекта в здравоохранении можно отметить успехи, пока еще небольшого числа, с различными видами протезов для восстановления функциональности у лиц с серьезными травмами.

Уступайте, Илон Маск: сказочный “мозг-компьютерный интерфейс” или МКИ, о котором Маск заявил, что проведет клинические испытания, уже был достигнут командой из Стэнфорда в поразительном примере использования тщательно разработанных форм машинного обучения.

“Цифровой мост”, разработанный исследователями механического инженерного отдела Стэнфорда, направляет сигналы мозга в обход повреждения позвоночника с помощью датчиков и беспроводной технологии. Устройство восстанавливает возможность ходить у Оскама, у которого почти не было возможности ходить после повреждения спинного мозга, полученного при аварии на велосипеде десять лет назад.

Также: MedPaLM Google подчеркивает роль человеческих клиницистов в медицинском ИИ

Исследователи Анри Лорак и его команда описали в Nature в мае, как они имплантировали “мозг-спинной мозг интерфейс” у Оскама. Он ограничивал использование своих ног после пятимесячной программы эпидуральной электрической стимуляции спинного мозга, имея возможность сделать несколько шагов с помощью ходунков.

Lorach и его команда имплантировали два устройства, каждое из которых состоит из 64 электродов, на верхней части полушарий мозга, которые известно, что контролируют движение. Эти датчики собирают сигналы, известные как электрокортикограф, или ECoG, которые связаны с намерениями двигаться. Сигналы ECoG собираются беспроводно через 3D-печатный наушник, надетый пациентом, который подключен к “базовой станции” компьютера, носящегося в рюкзаке, через USB-кабель.

Компьютер в рюкзаке декодирует паттерны ECoG в команды, которые затем отправляются беспроводно на третье устройство, имплантированное на верхней части “лумбосакрального” региона позвоночника – подумайте о нижней части спины и копчике. Называется “импульсным генератором”, он превращает команды в электрическую стимуляцию, которая “активирует мышцы, которые опосредуют намеченные движения”.

Результат состоит в том, что пациент смог “восстановить интуитивный контроль над движениями ног, давая ему возможность стоять, ходить, подниматься по лестнице и даже преодолевать сложные местности”, сообщили Лорач и его команда. Видеозаписи, сопровождающие отчет, показывают, как пациент встает из сидячего положения и ходит, в данном случае с компьютером базовой станции, установленным на ходунки вместо рюкзака.

Важно понимать, что здесь речь идет не только о имплантированных датчиках мозга. Машинные алгоритмы обучения, которые Лорач и его команда разработали для интерпретации сигналов мозга о намерении движения, являются ключевым элементом.

Используя метод, известный как “алгоритм онлайн-адаптивного обучения с учителем”, программа настраивается, когда пациент многократно пытается двигать конечности аватара на экране, а затем экзоскелета.

Программное обеспечение объединяет несколько направлений науки машинного обучения, включая “смесь экспертов”, где разные команды управляют разными конечностями, а затем так называемую “скрытую модель Маркова”, своего рода алгоритм, применяемый уже десятилетиями. Вычисление намерения движения выполняется в режиме реального времени, по мере движения пациента. Более подробную информацию об алгоритме можно найти в предыдущей работе команды из 2022 года.

Ученые находят множество других способов сбора сигналов из мозга и их декодирования с помощью машинного обучения для восстановления функциональности.

Также: Amazon AWS представляет HealthScribe для транскрибации разговоров врачей

В прошлом месяце исследователи Шон Метцгер и его команда в отделе неврологической хирургии Университета Калифорнии в Сан-Франциско рассказали в журнале Nature о речевом декодере, который создавал голос для 47-летнего пациента, пережившего инсульт и потерявшего голос почти двадцать лет назад.

Так называемый мультимодальный речевой декодер также использовал имплантированный датчик ECoG для декодирования “замысла предложений” из сигналов в областях сенсомоторной коры мозга. Эта область отвечает за “попытки движений губ, языка и челюсти”. Сигналы декодируются в то, что исследователи называют “репрезентациями голосового тракта”, которые затем могут быть превращены в несколько видов выходных данных: текст на экране, сгенерированное аудио произнесенных слов и движения аватара, произносящего слова.

Ключевое значение, опять же, имеют не только датчики, но и алгоритмы машинного обучения. Сигналы от ECoG попыток движения голосового тракта подавались на вход другого проверенного временем типа алгоритма машинного обучения, известного как “бидирекциональная рекуррентная нейронная сеть” или “RNN”, программа, давно используемая для моделирования временных рядов данных, данных, которые измеряют одни и те же переменные в разные моменты времени для выявления тенденций. RNN сначала настраивалась на предвосхищение нескольких готовых предложений, которые пациент пытался произнести (которые отображались пациенту на экране) – это форма корреляции активности мозга с определенным набором выходных данных.

Однако после двух недель такого обучения RNN начала производить спонтанный текстовый вывод из непромптед предложений, которые пациент пытался произнести. Программа могла генерировать до 78 слов в минуту. Это было в несколько раз быстрее, чем 14 слов в минуту, которые пациент ранее мог производить с помощью своего существующего ассистентного устройства – аппарата для отслеживания головы, где пациент должен был кивать на слова на экране, подобно тому, как делал поздний физик Стивен Хокинг.

Также RNN смогло быть обучено интерпретировать ECoG для сопоставления с волновой формой, которая затем могла управлять вокодером для генерации речи. После двух недель настройки системы с пациентом, разработанная ими “речевая нейропротезная система” продемонстрировала такие впечатляющие результаты, что “мы считаем… эти результаты превзошли важный порог производительности, обобщаемости и выразительности, что скоро может принести практическую пользу людям с потерей речи”, пишет Метцгер и команда.

2. Искусственный интеллект может сделать медицинскую диагностику портативной

Одной из основных преград медицинской диагностики является то, что это требует посещения пациентами медицинского учреждения, где проводятся тесты с использованием гигантского оборудования и данные, вручную анализируются обученными специалистами. Но некоторые новые попытки в диагностике используют машинное обучение искусственного интеллекта, чтобы убрать эту проблему из клиники.

Возьмем, например, исследования сна, которые обычно включают пребывание в учреждении в течение семи часов, подключение к электродам и наблюдение персоналом в течение ночи. Можно ли вместо этого провести их дома, с помощью телефона и нескольких наклеиваемых пластырей?

Команда из Джорджийского технологического института в Атланте разработала беспроводные сонные пластыри из силикона с встроенной гибкой электроникой, как сообщается недавно в престижном журнале Science. Пластыри используют машинное обучение для измерения данных сна, вместо того чтобы ночью наблюдать за пациентом живой техник.

Пластыри могут быть прикреплены пациентом дома, один на лбу, другой на подбородке. Они собирают данные для электроэнцефалограмм (ЭЭГ) и электроокулограмм (ЭОГ), двух видов измерений, используемых для обнаружения апноэ сна. Пластыри могут использоваться дней подряд, в отличие от гелевых электродов, используемых в сонной клинике.

Пластыри передают данные ЭЭГ и ЭОГ через Bluetooth на мобильное устройство рядом с кроватью, а мобильное устройство использует так называемую “сверточную нейронную сеть” или “CNN”, основу машинного обучения. С CNN данные, представленные как спектр активности, могут быть проанализированы для обнаружения апноэ сна.

Главный автор Синджае Квон и команда обнаружили в испытаниях с восьмерыми субъектами, что “производительность системы показывает высокую точность 88,52%” в обнаружении обструктивного апноэ сна. Более того, обнаружение пластырей и CNN показало “высокую согласованность” с 82,4% обнаружением, полученным с использованием полисомнографии, известной как “золотой стандарт” сонных исследований в клинике.

Также: Илон Маск говорит, что имплантат мозга Neuralink подходит к испытаниям на людях

Квон и команда планируют провести масштабное исследование системы, а также расширить возможности сенсоров для обнаружения других показателей апноэ сна, включая насыщение крови кислородом, уровень углекислого газа и движения.

Учитывая, что мобильное устройство сортирует и анализирует данные CNN, усилия Квока и команды указывают на гораздо более широкую тенденцию: сбор и анализ данных в полевых условиях с использованием искусственного интеллекта на мобильном устройстве. Автоматизация измерений, которые обычно выполняются вручную опытными техниками, позволяет расширить некоторые диагнозы за пределы стен клиники.

Исследование 2021 года команды Стэнфордского университета под руководством Чаякрита Криттанавонга перечислило более десятка примеров носимых устройств для кардиологического мониторинга для потребителей, помимо мониторинга ЭКГ Apple Watch. Они включают очки от израильской компании OrCam Technologies и стельки для обуви от MEGAComfort.

Эти носимые устройства производят “биосигналы”, которые команда определяет как “физиологические сигналы, которые могут быть непрерывно измерены и отслеживаемы для предоставления информации о электрической, химической и механической активности”. Машинное обучение является хорошим кандидатом для агрегирования, анализа и интерпретации всех этих данных.

Криттанавонг и команда относятся к масштабным исследованиям с участием 100 субъектов, которые использовали носимые пластыри с одноразовыми сенсорами, надеваемыми на грудь субъекта. Сенсор, питаемый одноразовой батарейкой, обнаруживал множество данных с кожи субъекта, включая электрокардиографические волны, температуру кожи и позу субъекта. Все эти данные непрерывно передавались через беспроводное соединение Bluetooth на мобильный телефон, а затем загружались в облако для анализа с использованием машинного обучения.

Пластыри использовались как альтернатива имплантируемым устройствам для мониторинга сердца для прогнозирования риска госпитализации из-за сердечной недостаточности. С облачным анализом пластыри и мобильные устройства показали такую же чувствительность и специфичность, что и традиционные имплантируемые медицинские мониторы.

3. Лучшие предиктивные аналитические инструменты для безопасности пациентов

Одним из самых широко используемых применений искусственного интеллекта (ИИ) на сегодняшний день в клинической практике является использование предиктивных алгоритмов – программ, способных, например, предсказывать вероятность повторного госпитализации пациента. Они часто используют данные из электронных медицинских записей (EMR), так как эти записи являются доступным хранилищем огромного объема данных.

Исследование, проведенное в этом году Университетом медицины Юты, обнаружило “широкое применение ИИ в текущей клинической практике” на основе данных EMR, как сообщает главный автор Дэвид Классен и его команда.

Однако точность этих предиктивных инструментов вызывает сомнения. Исследование 2021 года по программному обеспечению Epic для сепсиса, проведенное Медицинской школой Университета Мичигана, обнаружило крайне низкую точность прогнозирования сепсиса этим инструментом, что вызывает сомнения в его практической ценности.

Это говорит о том, что исследователям необходимы более эффективные способы понимания информации, содержащейся в EMR с такими объемными данными.

В качестве примера передовых предиктивных аналитических инструментов, ученые из Медицинской школы Стэнфордского университета собрали EMR для 22 104 пар матерей и их новорожденных, связали записи и смогли предсказать смертность при преждевременных родах, являющуюся основной причиной смерти детей до 5 лет.

Работа Давида де Франческо и его команды, опубликованная в феврале в журнале Science Translational Medicine, использовала данные о состоянии здоровья матери для предсказания исхода новорожденного. Основная цель состояла в получении более точной картины детской смертности, чем традиционная оценка риска, известная как баллы Apgar в момент рождения.

Вместо этого исследователи использовали множество данных, полученных при посещениях матерью перед родами, и обучили алгоритм глубокого обучения типа “долгая-короткая-память” (LSTM), который используется для анализа временных рядов, подобно рекуррентным нейронным сетям (RNN). LSTM был обучен на корреляцию кодов, отражающих материнские процедуры, лекарства и наблюдения перед родами, с состоянием новорожденного, таким как гипотензия или сепсис.

Авторы обнаружили значительное увеличение способности предсказывать отчетные исходы новорожденного по сравнению с традиционной оценкой риска.

В частности, программа LSTM могла обобщить повышенный риск от некоторых материнских состояний. “Среди этих кодов, тесно связанных с исходами новорожденных, были […] зависимость от опиоидов в ремиссии, плодно-материнские кровотечения, различные врожденные пороки сердца”, – говорится в исследовании.

Более того, они также смогли определить некоторые факторы, защищающие преждевременно рожденных новорожденных в неделях и месяцах после рождения.

“Заметные лабораторные показатели, указывающие на защитное влияние на исходы новорожденных, включают содержание альбумина и белка в сыворотке крови, тромбоцитов, базофилов, лимфоцитов и эозинофилов”, – пишут они. “Эти данные свидетельствуют о взаимодействии между иммунной системой матери за неделю до родов и относительным здоровьем плода, которое сохраняется на период новорожденности и далее”.

Работа Стэнфорда показывает, что по мере того как более сложные модели глубокого обучения заменяют относительно простые предиктивные системы, существует гораздо больше информации, которая просто лежит неиспользованной, ожидая расшифровки.

Большие языковые модели (LLM) в здравоохранении?

Рассмотренные выше методы машинного обучения ИИ – RNN, CNN, LSTM и скрытые модели Маркова – все это довольно устоявшиеся подходы к ИИ, которые существуют уже десятилетия. Новизна заключается в том, что теперь они применяются с новыми, более высокими уровнями сложности и с новыми данными.

Но что насчет действительно новых алгоритмов глубокого обучения, таких как “генеративный ИИ”, который сейчас пользуется большой популярностью, например, ChatGPT от OpenAI?

Генеративный ИИ в медицине и здравоохранении находится на очень ранней стадии. Применение ИИ в виде больших языковых моделей только постепенно начинает проникать в эту сферу в рамках пилотных исследований, из-за опасений, связанных с “галлюцинациями” языковых моделей, то есть их склонности к выдаче неверной информации.

Фактически исследование, проведенное Медицинским колледжем Вейль Корнелл в августе, сообщает, что “большие языковые модели могут быть подвержены генерации фактически несогласованных сводок и выдаче слишком убедительных или неопределенных утверждений, что может привести к потенциальному ущербу из-за недостоверной информации”.

Создатель ChatGPT, OpenAI, фактически заявил журналу Nature Medicine, что “его модели не должны использоваться для медицинской диагностики, триажа или управления угрожающими жизни проблемами”.

Риски и этические вопросы, связанные с генеративным искусственным интеллектом, означают, что перед нами много регуляторных преград.

В июле ученые Берталан Мешко из Венгрии и Эрик Тополь из Института медицинского футуриста и Исследовательского трансляционного института Скриппс написали обзорную статью, в которой они отметили: “ЛЛМ предлагают огромные возможности для будущего здравоохранения, но их использование также сопряжено с рисками и этическими вызовами”.

Мешко и Тополь предсказывают, что регуляторы “создадут новую регуляторную категорию для ЛЛМ, так как они являются особенно отличными от медицинских технологий на основе искусственного интеллекта, которые уже прошли регулирование”.

“Оно, безусловно, кажется чрезвычайно полезным”, – говорит Джереми Ховард, работающий в области генеративного искусственного интеллекта, “но очень сложно развернуть его в строгом соответствии с текущими ограничениями и процессами в системе здравоохранения США”.

Ховард предсказывает, что несмотря на недостатки, генеративный искусственный интеллект может иметь ценность в заполнении недостатка медицинских навыков.

“Большая часть населения мира не имеет доступа к достаточному количеству врачей”, – сказал он. “Может случиться так, что вы предпочтете здравотруднику сообщества с полугодовым обучением в эффективном использовании этой системы искусственного интеллекта, чем совсем ничего?”

---

• artificial intelligence
• Innovation