Pse është kaq e vështirë që të miratohen me sukses teknologjitë e AI në kujdesin klinik?

Një vështrim në një punim rishikues shkencor që e bëri atë pyetje dhe gjeti përgjigje

Inteligjenca artificiale (AI) po bëhet gjithnjë e më e përhapur në jetën tonë të përditshme. Nga sistemet e rekomandimeve në pothuajse çdo dyqan në internet, tek përkthimi automatik i gjuhëve të huaja në faqet e internetit që vizitoni. Për disa industri ky tranzicion duket se po shkon më mirë se për të tjerat. Fusha mjekësore duket të jetë veçanërisht sfiduese për t'u futur, por pse? Ka kaq shumë aktivitet akademik kushtuar AI në hapësirën mjekësore, kështu që çfarë i pengon këto përparime teknologjike të kenë ndikim të prekshëm në kujdesin shëndetësor? Sendak etj. u përpoqën të gjenin një përgjigje për këtë pyetje në punimin e tyre rishikues ""Një rrugë për përkthimin e produkteve të mësimit të makinerisë në ofrimin e kujdesit shëndetësor"" (2020). Gjetjet e tyre rezonuan vërtet me atë që unë di nga përvoja në "UbiOps" në "punën me startup-et e MedTech", kështu që në këtë artikull do t'ju tregoj në punimin e tyre.

Gjendja aktuale e mësimit të makinerive në kujdesin shëndetësor

Përpara se të gërmojmë në vetë letrën, le të hedhim një vështrim të shpejtë në gjendjen aktuale të mësimit të makinerive në fushën mjekësore. Entuziazmi dhe entuziazmi për mundësitë e mësimit të makinerive në fushën mjekësore kanë qenë të pamasë, duke çuar në një sasi të mahnitshme literaturë për këtë temë. Çdo javë tjetër mund të lexoni për një studim të ri që është bërë mbi përdorimin e ML për zbulimin e kancerit, dhe përdorimi i ML për zbulimin e drogës gjithashtu duket të jetë një temë e nxehtë. Një mori konferencash, organizatash dhe revistash akademike janë krijuar për të shpërndarë njohuritë rreth temës së ML në kujdesin shëndetësor.

Edhe pse kërkimi po përhapet me shpejtësi, provat e ndikimit të prekshëm klinik mbeten të pakta. Ju mund të mendoni "Oh, por gjithmonë duhet një kohë përpara se teknologjitë e reja të bëhen mjaft të pjekura për t'u zbatuar në praktikë", por në të njëjtën kohë mund të shohim se gjetjet e reja në përdorimin e ML për mbajtje më të mirë të përdoruesve miratohen shpejt nga TikTok. , Instagram dhe LinkedIn. Panch et al e përshkruan me elokuencë këtë "të vërtetë të papërshtatshme" të mësimit të makinerive në kujdesin shëndetësor si

"aktualisht algoritmet që shfaqen dukshëm në literaturën kërkimore nuk janë në fakt, në pjesën më të madhe, të ekzekutueshme në vijën e parë të praktikës klinike."

Për fat të mirë ka disa kompani të kujdesit shëndetësor që kanë arritur me sukses të integrojnë AI/ML në produktet e tyre. Kompanitë si Ellogon që ndihmojnë mjekët në përzgjedhjen e pacientit të duhur për imunoterapinë e kancerit tregojnë se është e mundur të bëhet kalimi nga prova e konceptit në një produkt të pjekur që mund të integrohet plotësisht plotësisht në protokollet ekzistuese mjekësore.

Çfarë është ajo që i dallon produktet ML që janë integruar me sukses në kujdesin shëndetësor, nga ato që nuk e kalojnë kurrë atë fazë të provës së konceptit? Le t'i hedhim një vështrim hulumtimit nga Mark Sendak et al. për të zbuluar.

Hulumtimi i Sendak et al.

Mark Sendak dhe kolegët e tij filluan të kryejnë një rishikim narrativ që mund të ndihmojë të kuptojmë se si të përkthehet mësimi i makinës në kujdesin shëndetësor. Ata kombinuan përvojat e tyre të dorës së parë në ndërtimin e produkteve të mësimit të makinerive me 21 raste studimore të modeleve të mësimit të makinerive që arritën me sukses në kujdesin klinik. Dhe kjo është pikërisht ajo që më duket kaq interesante në kërkimin e tyre, fakti që ata u përpoqën të mësonin nga ata që në të vërtetë bënë hapin drejt prodhimit.

Bazuar në analizën e tyre të këtyre 21 rasteve studimore, autorët identifikuan fazat dhe sfidat thelbësore kur kaloni drejt një produkti të pjekur në botën e kujdesit shëndetësor.

"Rruga e përkthimit"

Autorët arritën t'i kthejnë të 21 historitë e suksesit në atë që ata i referohen si "Rruga e përkthimit" (shih figurën). Ata vërejnë se, duke kaluar nga prova e konceptit në produktin e duhur me ML, ekzistojnë katër faza kryesore. Këto faza janë:

  1. Dizajnoni dhe zhvilloni:Procesin e identifikimit të problemit të duhur për t'u zgjidhur, dhe dizajnimin dhe zhvillimin e një vegle të Mësimit të Makinerisë që mund të krijojë vështrime vepruese.
  2. Vlerëso dhe vërteto:Vlerëso nëse produkti mund të përmirësojë vërtet kujdesin klinik dhe rezultatet e pacientit, nëse është i saktë dhe i besueshëm dhe nëse ka një rast biznesi që duhet bërë për produktin.
  3. Përhapja dhe shkallëzimi:Ky hap përshkruan procesin ku një provë e konceptit është me të vërtetë shkallëzuar deri në një produkt të integruar. Kërkon shkallëzimin e vendosjes së modelit dhe shpërndarjen e tij tek adoptuesit e hershëm.
  4. Monitorimi dhe mirëmbajtja e vazhdueshme:Është e rëndësishme të theksohet se asnjë produkt ML nuk ka përfunduar ndonjëherë. Modelet duhet të monitorohen dhe përditësohen vazhdimisht për të shmangur sjelljen e gabuar. Sidomos në shëndetësi kjo e fundit mund të ketë pasoja të rënda.

Këto faza nuk janë domosdoshmërisht të njëpasnjëshme, dhe ekipet mund ta gjejnë veten duke lëvizur përpara dhe mbrapa midis tyre në një mënyrë përsëritëse. Shihni figurën më poshtë për më shumë detaje mbi rrugën e përkthimit.

Pengesat kryesore

Rishikimi bën një punë të shkëlqyer për të përshkruar sfida të shumta dhe pika zhgënjimi kur bëhet fjalë për krijimin e produkteve me fuqi ML në kujdesin shëndetësor, nga sfidat e infrastrukturës teknike deri te rreziqet etike. Nuk do t'i kaloj të gjitha, por dua të nënvizoj disa pika që kam njohur.

Njohuria e domenit kundrejt njohurive të prodhimit

Kur zhvillohen mjete medtech, ekziston gjithmonë një tension midis njohurive të fushës dhe njohurive të prodhimit. Ju mund të keni vetëm kaq shumë njerëz në ekipin tuaj, dhe në të njëjtën kohë ju duhet të siguroheni që të përfshihen mjaft ekspertë mjekësorë, por edhe njerëzit e duhur që mund të ndërtojnë dhe vendosin në të vërtetë zgjidhjen tuaj. Vendi për të vendosur fokusin është shumë i besueshëm, por Sendak dhe të tjerët bëjnë një punë të shkëlqyeshme për të theksuar rëndësinë e të dy këtyre aftësive në ekipin tuaj në një farë mënyre nëse dëshironi të jeni të suksesshëm.

Sigurisht që jo çdo grup aftësish duhet të përfaqësohet nga një person aktual në ekip! Disa gjëra gjithashtu mund të jepen nga jashtë ose mund të sillen mjete që kujdesen për detyrat standarde në mënyrë që ekspertët të mund të fokusohen në atë që është unike për zgjidhjen tuaj. Unë shoh kaq shumë kompani duke u përfshirë në ndërtimin e platformave të tyre me një mori mjetesh me burim të hapur sepse kjo është falas. Por le të mos harrojmë kostot që lidhen me të gjithë njerëzit në ekipin tuaj që duhet të investojnë kohë dhe energji për të vendosur të gjithë atë teknologji! Ndërsa ata janë të zënë duke u përpjekur të funksionojnë një mjet vendosjeje, ju po humbisni kohën që mund ta kishit shpenzuar për të përmirësuar në fakt modelin tuaj dhe vlerën e nxitjes…

Kur është një model "i mirë"?

Shpesh është e paqartë se çfarë e dallon një model të mirë nga një i keq dhe për çfarë performance duhet të përpiqeni në rastin tuaj specifik. Nëse lihet pa u diskutuar, kjo mund të çojë në një mospërputhje në pritshmëri dhe realitet. E rëndësishme të theksohet këtu është se kjo nuk ka të bëjë vetëm me saktësinë e modelit, por edhe përdorshmërinë dhe performancën e mundshme ekonomike. Një model që ka saktësi të mahnitshme, por kërkon 10 orë për t'u përdorur, ndoshta nuk do të jetë shumë i dobishëm dhe as i përballueshëm. Çdo rast është i ndryshëm dhe është thelbësore që një bisedë të bëhet herët për të identifikuar dhe rënë dakord mbi metrikat përkatëse të performancës së modelit.

Demonstrimi i vlefshmërisë së produktit në një kontekst të izoluar nuk është i mjaftueshëm

Vetëm për shkak se produkti performoi mirë në mjediset e kontrolluara të testimit dhe grupet e të dhënave të testimit, nuk do të thotë se produkti do të funksionojë mirë në një mjedis të jetës reale. Është e rëndësishme të merren të dhënat e jetës reale të furnizuara përmes produktit dhe t'i përdorin ato për të vlerësuar performancën e tij. Në UbiOps ne fokusohemi në vendosjen dhe shërbimin dhe kemi parë shumë herë që performanca mund të ndryshojë jashtëzakonisht pasi modeli të prezantohet me të dhënat aktuale të prodhimit! Është e rëndësishme të arrish në atë fazë herët, edhe nëse është vetëm si një vendosje hije.

Integrimi në mjediset e prodhimit është i vështirë

Autorët vërejnë se shpesh ka një ndryshim masiv midis mjedisit aktual të prodhimit dhe mjediseve të zhvillimit/ruajtjes së satës. Në të gjitha rastet e shembujve që ata hetuan, ata zbuluan se shpesh nevojiteshin përpjekje dhe investime të konsiderueshme për të integruar produktet në sistemet ekzistuese. "Një studim" vlerësoi koston për të vërtetuar dhe integruar ekuacionin e rrezikut të dështimit të veshkave në flukset klinike të punës në një vend të vetëm në afro 220,000 dollarë. Ky është vetëm një faqe e vetme!

Të dhënat shpërndahen në mjediset cloud dhe OnPremise

Një çështje e rëndësishme që nxjerr në dritë ky rishikim, është fakti që të dhënat shpërndahen nëpër zgjidhje të ndryshme cloud dhe në qendrat e të dhënave premisë. Kjo zakonisht fillon të shkaktojë probleme në fazën e shkallëzimit. Të qenit i vetëdijshëm për këtë ndërsa dizajnoni produktin dhe arkitekturën tuaj mund të përfitojë shumë nga kalimi nga prova e konceptit në produktin e lëshuar siç duhet.

Korniza rregullative në ndryshim të vazhdueshëm

Një sfidë tjetër e madhe lidhet me pajtueshmërinë, sigurinë e të dhënave dhe sasinë e madhe të rregulloreve dhe certifikimit të kërkuar për pajisjet dhe programet mjekësore. Për të mos përmendur faktin që rregullat po ndryshojnë vazhdimisht. Është e vështirë të qëndroni në krye të gjithçkaje dhe të siguroheni që çdo pjesë e produktit tuaj të jetë plotësisht në përputhje. Siguria e të dhënave është veçanërisht një pengesë, pasi të dhënat janë kaq të ndjeshme.

Po tani?

Unë ju kam ecur nëpër rrugën e përkthimit dhe pengesat kryesore të saj, kështu që çfarë tani? Unë mendoj se gjithçka fillon me ndërgjegjësimin dhe diskutimin e hapur kur ju vendosni të krijoni një produkt të ri me fuqi ML në sektorin e kujdesit shëndetësor. Njihuni me sfidat e atyre që kanë kaluar para jush, si mund të mësoni nga gabimet e tyre?

Sipas mendimit tim, gjëja më e rëndësishme është të mos kesh frikë të arrish në atë hap të përhapur dhe të shkallës. Është absolutisht thelbësore të dilni nga ai mjedis zhvillimi dhe t'i drejtoni gjërat në prodhim, megjithëse në një modalitet hije. Vetëm pasi të keni bërë atë hap, mund të filloni të lëvizni drejt një produkti që në fakt ka ndikim dhe vlerë.

Pra, si të siguroheni që mund t'i drejtoni gjërat në prodhim? Epo, sigurohuni që të investoni në një infrastrukturë që ju ndihmon të përsërisni shpejt dhe që ju lejon të përqendroheni në atë që jeni të mirë: ndërtimi i modeleve për rastet e përdorimit mjekësor. Investimi në mjetet MLOps që mund t'ju ndihmojnë të vendosni shpejt dhe të monitoroni atë që po ndodh, mund të ndihmojë vërtet për t'u siguruar që mund të fokusoheni në sfidat aktuale në fjalë, në vend të sfidave standarde të infrastrukturës. Unë shoh kaq shumë kompani duke u përfshirë në ndërtimin e platformave të tyre me një mori mjetesh me burim të hapur sepse kjo është falas. Por le të mos harrojmë kostot që lidhen me të gjithë njerëzit në ekipin tuaj që investojnë kohë dhe energji për të vendosur të gjithë atë teknologji! Ndërsa ata janë të zënë duke u përpjekur të funksionojnë një mjet vendosjeje, ju po humbisni kohën që mund ta kishit shpenzuar për të përmirësuar në fakt modelin tuaj dhe vlerën e nxitjes…

Kur bëhet fjalë për sigurinë e të dhënave, mund të ndihmojë për të siguruar që veglat që po përdorni të kenë tashmë certifikatat e duhura (si certifikatat ISO). Në mënyrë të veçantë në Evropë, mund të ketë kuptim të punohet me më shumë ofrues të specializuar të reve kompjuterike sesa me tre të mëdhenjtë. Duke punuar me një ofrues cloud të specializuar në të dhënat mjekësore, do të keni shumë më pak dhimbje koke për të vërtetuar se jeni në përputhje me të gjitha rregullat.

Shkurtimisht

Ka shumë faktorë në lojë kur bëhet fjalë për adoptimin e AI në kujdesin klinik rutinë. Nga rregulloret, te problemet e arkitekturës, madje edhe thjesht përfshirja e njerëzve të duhur. Sendak etj. arriti të kapte shkurtimisht të gjitha fazat dhe pengesat në “rrugën e tyre përkthimore”. Të qenit i vetëdijshëm për katër fazat e veçanta të kësaj rruge përkthimi dhe pengesat e ndryshme që mund t'ju dalin në rrugën tuaj do t'ju ndihmojnë padyshim që t'ju përgatitni për sukses.

Dëshironi të diskutoni rreth konfigurimeve të arkitekturës për ML në kujdesin shëndetësor?

Nëse ju pëlqeu përmbajtja e këtij artikulli dhe dëshironi të zhyteni më thellë në konfigurimet e arkitekturës për ML në këtë fushë, mos hezitoni të më kontaktoni! Unë jam gjithmonë i lumtur të diskutoj për MLO-të. Mund të më kontaktoni në seksionin e komenteve, ose thjesht mund të më kontaktoni në LinkedIn.

Referencat

Panch T et al. "E vërteta e papërshtatshme" për AI në kujdesin shëndetësor. npj Mjekësi Dixhitale. 2019

Sendak, MP etj. "Një rrugë për përkthimin e produkteve të mësimit të makinerisë në ofrimin e kujdesit shëndetësor". Rishikimet e EMJ. 2020

Sendak MP etj. "Pengesat për arritjen e ekonomive të shkallës në analizën e të dhënave EHR: një përrallë paralajmëruese". Informatikë Klinike e Aplikuar. 2017

Xiao C et al. "Mundësitë dhe sfidat në zhvillimin e modeleve të të mësuarit të thellë duke përdorur të dhënat elektronike të të dhënave shëndetësore: një rishikim sistematik". J Am Med Inform Assoc. 2018