500’den fazla tıp öğrencisinin katıldığı yeni bir çalışma yayınlandı. Akademik Radyoloji, öğrencilerin, yapay zeka gibi gelişmekte olan teknolojilerin iş olanaklarını azaltacağını düşündüklerini tespit etti. patoloji, teşhis radyolojisi ve anesteziyoloji.
Uzmanlar, bu algının yalnızca doğru olmadığını, aynı zamanda küresel sağlık sektörü için tehlikeli olabileceğini söylüyor. Halihazırda ciddi bir patolog eksikliği var ve sonuçların ve tedavilerin gecikmesine yol açıyor. Aslında, bir JAMA Open araştırması, ABD’de patolog sayısının 2007 ile 2017 arasında yaklaşık %18 oranında azaldığını ortaya koydu.
Bu nedenle ilacı kişiselleştirmeyi amaçlayan bir sağlık BT şirketi olan PreciseDx’in kurucu ortağı ve baş tıbbi sorumlusu Dr. Michael Donovan ile konuştuk. yapay zeka. Donovan, sağlık hizmetlerinde yapay zekanın gizemini çözmeye çalışıyor.
Donovan, Miami Üniversitesi’nde patoloji bölümünde translasyonel araştırma başkan yardımcısı ve profesörüdür. Harvard Medical School ve Boston Children’s Hospital’daki önceki akademik kariyerine ek olarak Donovan, biyoteknoloji endüstrisinde çeşitli üst düzey yöneticilik görevlerinde bulunan 20 yılı aşkın deneyime sahiptir.
Donovan, Rutgers Üniversitesi’nden Zooloji alanında lisans derecesi, Endokrinoloji alanında yüksek lisans derecesi ve Hücre ve Gelişim Biyolojisi alanında doktora derecesi aldı. Tıp diplomasını Rutgers New Jersey Tıp Okulu’ndan aldı.
S. Tıp öğrencileri üzerinde yapılan yeni bir araştırma, yapay zeka gibi gelişmekte olan teknolojilerin patoloji, tanısal radyoloji ve anesteziyoloji için iş olanaklarını azaltacağını düşündüklerini ortaya çıkardı. Bu algı doğru değil diyorsunuz. Neden? Niye?
A. Yapay zeka gibi gelişmekte olan teknolojiler, özellikle patoloji, radyoloji ve hatta anesteziyoloji gibi hizmet odaklı uzmanlık alanlarında, gelişmiş tıbbın ön saflarında yer alacakları için, aslında hem yeni hem de yerleşik doktorlar için fırsatlar sunuyor.
Bugün, çoğu hekimin ‘verimlilik’ veya ‘karar destek araçları’ ve ‘makine öğrenimi’ gibi sözcükleri duyduklarında sahip oldukları refleks tepkisi, bir yazılım paketinin sağlamak üzere eğitildiklerinin yerini alacağı şeklindedir. Bir montaj hattındaki robotlardan veya bir akıllı telefon oluşturmak için gerekli bileşenleri izleyen ve kataloglayan tedarik zinciri yönetim araçlarının kullanımından çok da farklı değil.
Yani algı çok doğru; ancak gerçek oldukça farklıdır. Yapay zeka ve makine öğreniminin radyolojiye dahil edilmesi, yalnızca radyolog için değil aynı zamanda hasta için de acil faydaların muhtemelen en iyi örneğidir.
Çoğu zaman unutulan şey, radyologların dikkatini bir görüntüdeki belirli bir anatomik bölgeye veya lezyona odaklamaya yardımcı olabilecek, insanın yorulmadan ve hata yapmadan güvenilir ve tutarlı bir şekilde sağlayamayacağı bir doğruluk ölçüsü sağlayan bir aracın mevcudiyetidir.
Acil ve uzun vadeli faydalar arasında, radyoloğun teşhis becerilerini geliştirirken yönetim kararlarını yönlendirmek için bir teşhisin ilerletilmesi yer alır. Bu senaryo, dijitalleşmenin yavaş yavaş tüm alanı ele geçirmeye başladığı ve radyolojinin gerisinde olmasına rağmen birçok cephede avantajlı olduğu patoloji için de geçerlidir.
Dokuların veya sitoloji numunelerinin görüntülerindeki ‘sıcak noktaları’ daha fazla değerlendirme için vurgulayabilen ve aynı zamanda önemli bir işlemi kaçırma riskinin bir kısmını azaltabilen makine öğrenimi görüntü analiz cihazları, vaka yükü ve slayt hacmi aşılmaz hale geldiğinde kritik öneme sahiptir. Her iki ortamda da doktorlar, hızla değişen bir alanda güncel ve önde kalırken daha iyi teşhis uzmanları haline gelirler.
Anesteziyolojide AI ve makine öğreniminin rolü karşılaştırılabilir, ancak radyolog ve patoloğun altta yatan bir hastalığı anlamak için hasta tarafından sağlanan parametreleri kullandığı farklı veri akışlarıyla birincil odak noktaları önlerindeki görüntüdür.
Anestezi uzmanı için, klinik ve laboratuvar değerlerinin daha uyumlu bir şekilde özümsenmesi, uygun ağrı yönetimi ve işlem sırasında veya sonrasında komplikasyonsuz olaysız bir ameliyat için tanımlanmış ve acil bir klinik ihtiyaçtır.
Kontrendikasyonlardan kaçınırken, hastanın komorbiditeleri ve mevcut fizyolojik durumu ile birlikte iyileştirilmiş ilaçların yeni gelişimi, çoğu pratisyenin kapsamı dışında olan gerçek zamanlı gelişmiş veri analitiği gerektirir. Bu ortamda makine öğrenimi ve yapay zeka, anestezistin bilgi ve becerilerini paralel olarak geliştirirken hasta yönetimini sağlamaya ve riski azaltmaya yöneliktir.
Kilit nokta, AI tarafından hekime sağlanan bakımın bu avantajları ve verimlilikleri aracılığıyla, teşhis, etik ve tıbbi yasal bakış açısından nihai hakemin hekim olmasıdır. Örneğin, yapay zeka tek başına radyografik taramada nihai tanıyı koyamaz veya bir hastanın iğne biyopsi örneğinin görüntüsü üzerinde kesin tanı sağlayamaz.
Alet ilaçları hastaya da vermez. Bu hizmet sağlayıcı mesleklerden herhangi birini düşünen tıp öğrencilerine mesaj şudur – bu nihai kararları yalnızca hekim verebilir, böylece ‘rolünüz’ değiştirilmez, bilginizi ilerletirken ve becerilerinizi geliştirirken daha az riskle daha iyi hale getirilir ve desteklenir. mesai.
S. Bir dijital patoloji uzmanı olarak, yapay zekanın ileriye dönük büyük bir fırsat olduğuna neden inanıyorsunuz?
A. Dijital patoloji, slaytlar ve/veya bloklar eksik olsa bile herhangi bir vakanın erişilebilir bir kaydını oluştururken vakaların oturumunun kapatılmasını kolaylaştıran bir mekanizma sağlayarak klinik dijital arşivler oluşturmak için önemli avantajlar göstermiştir. Meydan okuma, bununla birlikte, herhangi bir görüntüde neyin kritik olduğuna odaklanarak ve hastalık sürecinin fenotipik karakterizasyonunu ilerletirken teşhis doğruluğunu teşvik ederek ilk değerlendirmeyi nasıl iyileştireceğimizdir.
Makine öğrenimi ve yapay zeka, belirli bölgelerin dijital ek açıklamaları yoluyla patoloğa teşhis değerlendirme sürecinde yardımcı olmaya hazırdır. Aynı zamanda – meme ve prostat kanseri gibi bazı hastalık durumları için – iyi bilinen histolojik yapılara dayalı, ancak standartlaştırılmış ve nicel bir şekilde kanserleri fenotiplendirebilir ve hatta derecelendirebilir.
Dijital patolojide yapay zekanın amacı, önce örüntü tanıma ‘sanatını’ ilerleterek ve dokuya standardizasyon ve kantitasyon kavramlarını – sitolojik değerlendirme sürecini tanıtarak teşhis sürecine yardımcı olmaktır.
S. Sağlayıcı kuruluşlardaki sağlık BT liderleri, bakıcıları yapay zekadan korkmamak yerine onu benimsemeye nasıl ikna edebilir?
A. Çeşitli sağlayıcı kuruluşlardaki sağlık BT liderleri, son kullanıcılar için yapay zeka ve makine öğrenimi sürecini yeniden yapılandırmak için zaman ayırmaktan fayda sağlayacaktır.
İlk olarak, yapay zekayı ve makine öğrenimini tanımlamaları gerekir. Bir sonraki adım, veri işleme, analitik, erişilebilirlik ve elektronik sağlık kaydı sistemlerinde gezinme dahil olmak üzere kuruluşlarında ve klinik uygulamalarında yapay zeka ve makine öğrenimini devreye almanın faydalarını günlük uygulamanın çok pratik örnekleriyle özetlemek olacaktır.
Buna ek olarak, sağlık BT liderleri, nihai hedefin çalışan sayısını azaltmak değil, tüm çalışanlar için daha üretken ve sağlıklı bir ortamı teşvik etmek olduğunu yeniden teyit etmek için zaman harcamalıdır. Ayrıca hekim düzeyinde stresin azaltılması, hasta memnuniyeti, uygun maliyetli bakım ve pozitif sağlık ekonomisini vurgulayan sürekli bir eğitim ve pekiştirme bileşeninin olması gerekir.
S. Lütfen AI’nın bakıcıların işlerini “değiştirmeden” yapmalarına nasıl yardımcı olduğuna dair gerçek dünyadan bazı örnekler verin.
A. Radyoloji ortamında, AI’nın tedaviye yanıtı belirlemede çok aktif bir rol oynadığı çok sayıda örnek vardır. Son gelişmeler – özellikle immünoterapiye bir yanıtın belirlenmesinde – tedavi tipinin ve onun nüanslı yanıtının önemini vurgulamıştır.
Bu, yalnızca BT görüntüsündeki tümörün boyutunda değil, genel görünümünde veya uzaysal heterojenitesinde de bir değişiklik içerir. Bir kez daha, radyolog, belirli bir terapötik ajanla yanıt derecesini daha doğru bir şekilde raporlamak için yapay zeka ve makine öğrenimi tarafından sağlanan verilerden yararlanma konusunda önde ve merkezde yer alırken, aynı zamanda bir alanın taleplerini karşılamak için kendi bilgilerini ilerletiyor. akı.
Diğer pratik gerçek dünya kanıtı örneği, özelliklerin kanserin derecesini ve farklılaşma puanını tanımlamak için kullanılabileceği meme tümörü derecelendirmesinin patolojik değerlendirmesidir.
Şu anda, bu atamalar, hem patologlar içinde hem de patologlar arasında uyumsuzluğa eğilimli, sübjektif olarak değerlendirilen kriterlere dayanmaktadır. Makine öğrenimi görüntü analiz araçları, notun bileşenlerini yapıbozumuna uğrattı ve onları nesnel, standart ve nicel hale getirdi.
Böylece, yakın gelecekte potansiyel olarak invaziv meme kanserli hastaların yönetimine dahil edilecek bir tanısal doğruluk düzeyi oluştururken bir derece vermenin ‘tahmini’ ve öznelliği ortadan kaldırılır.
Bill’in HIT kapsamını LinkedIn’de takip edin: Bill Siwicki
Yazara e-posta: bsiwicki@himss.org
Healthcare IT News, bir HIMSS Media yayınıdır.