Об этом было сказано достаточно много раз, но ИИ меняет правила игры в отрасли здравоохранения. Будучи просто пассивными участниками цепочки здравоохранения, пациенты теперь берут на себя ответственность за свое здоровье с помощью герметичных систем мониторинга пациентов на базе искусственного интеллекта, носимых устройств, визуализированной информации о своем состоянии и многого другого. С точки зрения врачей и медицинских работников, ИИ прокладывает путь для роботизированных рук, сложных аналитических и диагностических модулей, вспомогательных хирургических роботов, интеллектуальных крыльев для обнаружения генетических нарушений и проблем и многого другого.
Однако по мере того, как ИИ продолжает влиять на аспекты здравоохранения, в равной степени усложняются проблемы, связанные с созданием и обслуживанием данных. Как вы знаете, модуль или система ИИ могут работать хорошо только в том случае, если они были обучены точно с использованием соответствующих и контекстуальных наборов данных в течение длительного периода времени.
В этом блоге мы рассмотрим уникальные проблемы, с которыми сталкиваются эксперты и специалисты в области здравоохранения, когда варианты использования ИИ в здравоохранении становятся все более сложными.
1. Проблемы сохранения конфиденциальности
Здравоохранение - это сектор, в котором конфиденциальность имеет решающее значение. Из деталей, которые входят в электронные медицинские записи пациентов и данных, собранных во время клинических испытаний, в данные, которые передают носимые устройства для удаленного мониторинга пациентов, каждый дюйм в пространстве здравоохранения требует максимальной конфиденциальности.
Если так важна конфиденциальность, как можно обучать новые приложения ИИ, развернутые в здравоохранении? Что ж, в некоторых случаях пациенты обычно не знают, что их данные используются в учебных и исследовательских целях. Правила, упомянутые HIPAA, также подразумевают, что организации и поставщики медицинских услуг могут использовать данные пациентов для выполнения функций здравоохранения и обмениваться данными и информацией с соответствующими предприятиями.
Для этого есть масса реальных примеров. Для базового понимания имейте в виду, что Google неуклонно поддерживает 10-летнее сотрудничество с клиникой Мэйо и предоставляет ограниченный доступ к данным, которые анонимизированный или обезличенный.
Хотя это довольно вопиюще, несколько стартапов на основе ИИ, которые работают над развертыванием решений для прогнозной аналитики на рынке, как правило, молчат о своих источниках качественных данных для обучения ИИ. Очевидно, это связано с соображениями конкуренции.
Будучи такой деликатной темой, конфиденциальность — это то, что ветераны, эксперты и исследователи все больше заинтересованы в постоянной «белой шляпе». Существуют протоколы HIPAA для деидентификации данных и положения для повторной идентификации.. В будущем нам придется работать над тем, чтобы обеспечить беспрепятственную конфиденциальность, одновременно разрабатывая передовые решения для искусственного интеллекта.
2. Проблемы, связанные с устранением предубеждений и ошибок
Ошибки и предубеждения в сфере здравоохранения могут оказаться смертельными для пациентов и организаций здравоохранения. Ошибки, связанные с неправильным расположением или смещением клеток, вялостью или даже небрежностью, могут изменить курс лечения или диагностику пациентов. Отчет, опубликованный Управлением по безопасности пациентов Пенсильвании, показал, что было выявлено около 775 проблем в модулях EHR. Из них ошибки, связанные с человеческим фактором, составили около 54.7%, а ошибки, связанные с машинами, — около 45.3%.
Помимо ошибок, еще одной серьезной причиной, которая может привести к нежелательным последствиям для медицинских компаний, являются предубеждения. В отличие от ошибок, предубеждения труднее обнаружить или выявить из-за врожденной склонности к определенным убеждениям и практикам.
Классический пример того, как предвзятость может быть плохой, - это отчет, в котором говорится, что алгоритмы, используемые для обнаружения рака кожи у людей, как правило, менее точны для более темных тонов кожи, потому что они в основном были обучены обнаруживать симптомы на светлых тонах кожи. Выявление и устранение предубеждений имеет решающее значение и является единственным способом надежного использования ИИ в здравоохранении.
3. Проблемы при установлении операционных стандартов
Совместимость данных - важное слово, которое следует помнить в здравоохранении. Как вы знаете, здравоохранение - это экосистема, состоящая из разнообразных элементов. У вас есть клиники, диагностические центры, реабилитационные центры, аптеки, отделения НИОКР и многое другое. Часто более чем одному из этих элементов требуются данные для работы по их прямому назначению. В таких случаях собираемые данные должны быть единообразными и стандартизированными, чтобы они выглядели и читались одинаково, независимо от того, кто на них смотрит.
В отсутствие стандартизации будет хаос, когда каждый элемент будет поддерживать свою версию одной и той же записи. Таким образом, тот, кто смотрит на набор данных с новой точки зрения, автоматически теряется, и ему требуется помощь соответствующего органа для понимания содержимого набора данных.
Чтобы этого избежать, необходимо сделать стандартизацию более эффективной для разных организаций. Смысл, конкретные форматы, условия и протоколы должны быть четко изложены для обязательного соблюдения. Только тогда эти данные смогут беспрепятственно взаимодействовать.
4. Проблемы в поддержании безопасности
Безопасность — еще одна важная проблема в здравоохранении. Это то, что окажется самым дорогим, когда аспекты, связанные с конфиденциальностью данных, будут восприниматься менее серьезно. Медицинские данные — это сокровищница идей для хакеров и злоумышленников, и в последнее время было зафиксировано множество случаев нарушения кибербезопасности. Программы-вымогатели и другие вредоносные атаки проводились по всему миру.
Даже в условиях пандемии Covid-19, близкой к 37% респондентов в опросе поделились, что подверглись атаке программы-вымогателя. Кибербезопасность является ключевым фактором в любой момент времени.
Подводя итог
Проблемы с данными в здравоохранении не ограничиваются только этим. По мере того, как мы понимаем расширенную интеграцию и работу ИИ в здравоохранении, проблемы становятся все более сложными, перекрывающимися и переплетающимися.
Как всегда, мы найдем способ решить проблемы и уступим место сложным системам искусственного интеллекта, которые обещают сделать здравоохранение AI точнее и доступнее.
