Kemajuan besar berikutnya dalam pengobatan adalah penggunaan AI

Selama beberapa dekade terakhir, penelitian medis telah bergeser dari mengobati penyakit sementara menjadi menyembuhkan penyakit jangka panjang. Pekerjaan ini, yang dibangun di atas upaya orang-orang seperti Lister, Pasteur, dan Salk, berjalan lambat dan sulit, dengan banyak obat dan perawatan yang menjanjikan akhirnya gagal dalam uji klinis mereka. Masa kejayaan antibiotik sedang memudar, tetapi kami masih memiliki rancangan untuk memberantas penyakit. Apa berikutnya?

Saya pikir itu kecerdasan buatan.

AI siap untuk bertindak sebagai pengganda kekuatan di setiap bidang kedokteran, karena alih-alih berguna melawan satu jenis penyakit - seperti antibiotik atau radiasi - AI dapat bekerja bersama manusia untuk membuat keputusan yang lebih baik di hari-hari, terlepas dari apa kasus penggunaannya. Dengan cara yang sama bahwa agen antimikroba adalah akibat wajar dan pendamping teori kuman, ada banyak alasan untuk percaya bahwa AI adalah yang akan memungkinkan kita untuk menerapkan pengetahuan kita tentang 'omics”(Genomik, proteomik, metabolomik, dll) untuk kesehatan manusia. Kami sudah mulai berinteraksi langsung dengan informasi yang terkandung dalam genom, jadi masuk akal bahwa lompatan besar berikutnya harus berurusan dengan pemrosesan informasi.



Analisis multivariasi sejauh ini merupakan kekuatan terbesar dari AI, karena memungkinkan jenis kecerdasan pengambilan keputusan kontekstual yang digunakan dalam sistem seperti pikiran manusia, sementara juga mengambil dari memori eidetik hard disk. Tidak diperlukan penguraian emosi, dan tidak ada kelalaian perhatian. AI tidak membutuhkan tidur, dan tidak lelah setelah terlalu lama berfokus pada satu topik. Pada saat yang sama, AI memiliki keuntungan dari pemrosesan paralel yang masif. Kemampuan untuk menangani volume data yang besar memiliki nilai yang meningkat, dan AI dapat meminum api dari api. Dengan memori dan kekuatan pemrosesan yang cukup, AI medis dapat menyimpan seluruh catatan medis keluarga dalam konteksnya, menjelajahi database untuk informasi diagnostik terkait, dan memanggil bank sumber daya medis dan sosial - semuanya pada saat yang bersamaan.

Untuk tujuan diskusi ini, saya mendefinisikan AI sebagai sistem terkomputerisasi yang dapat melakukan tugas yang biasanya membutuhkan kecerdasan manusia, seperti pengenalan suara dan gambar, terjemahan antarbahasa, atau pengambilan keputusan. Tetapi ada beberapa tingkat kecanggihan dalam sistem seperti itu, dan mereka dapat berada di bawah kendali yang kurang lebih terkomputerisasi tergantung pada apa yang saat ini dapat diminta oleh manusia untuk dilakukan komputer dalam waktu polinomial. Saat ini kami tidak cukup mempercayai AI untuk membuatnya menjadi otonom sepenuhnya; Anda akan melihat bahwa bahkan di pesawat dengan autopilot, selalu ada penerbang manusia yang terlatih. Namun ada sistem pintar yang memiliki berbagai tingkat kecerdasan dan otomatisasi, yang beroperasi dalam waktu nyata - seperti mobil tanpa pengemudi dari Google. Pengambilan keputusan berbobot adalah teknik yang memungkinkan perangkat lunak mendekati kesadaran situasional tingkat manusia, bahkan di silico. Sebuah sistem tidak harus HAL untuk menjadi AI. (Mengingat bagaimana hal itu berhasil, mungkin tidak seharusnya demikian).

Tercanggih

Aplikasi kesehatan perangkat lunak AI tampaknya berasal terutama dari kemampuannya untuk mengingat dan menghubungkan berbagai hal, tetapi juga dari kemampuannya untuk mempersonalisasi pengobatan, bekerja dengan lancar dalam bahasa alami, dan menangani data besar. Manusia menggunakan konteks untuk menentukan arti kata atau peristiwa yang ambigu, dan dengan pemrosesan bahasa alami, begitu pula AI. Dan sistem ini digunakan saat ini. Beberapa contoh berharga adalah kemitraan antara IBM Watson dan Sloan-Kettering, dan AI medis yang disebut Praxis.

Watson menjadi berita karena penampilannya baru-baru ini di Jeopardy dan catur. Ia sangat ahli dalam teori permainan, tetapi juga mampu mempelajari dan menganalisis informasi baru, dan sekarang dia menerapkan bakatnya sebagai ahli diagnosa. Watson juga bekerja dengan kelompok bernama Wellpoint, dan Samuel Nessbaum dari Wellpoint juga melakukannya kata bahwa dalam tes, Watson mendapat 90% tingkat diagnosis yang benar untuk kanker paru-paru, sedangkan dokter hanya mendapatkan 50%. IBM, Sloan-Kettering dan Wellpoint sedang mencoba melatih Watson sebagai alat bantu diagnosis berbasis cloud, tersedia untuk dokter atau rumah sakit mana pun yang bersedia membayar.

Model pembelajaran yang digunakan Praxis untuk membangun jaring semantiknya

Tetapi bahkan Watson, dengan bakatnya yang luar biasa, tidak dibangun untuk pengobatan. Untuk melihat AI medis di lapangan, lihat praktek: bagian dari perangkat lunak penanganan rekam medis, dibangun di sekitar konsep pemrosesan AI. Ini menggunakan model pembelajaran yang merekam vokal dokter atau input yang diketik, dan kemudian mengklasifikasikannya ke dalam jaringan node semantik, berdasarkan seberapa dekat kata atau frasa terkait dengan konsep yang telah dilihat program. Praxis juga mengingat hubungan itu, sehingga semakin banyak digunakan, ia menjadi lebih pintar dan lebih cepat.

Ngomong-ngomong, jika Anda pernah bertanya-tanya apakah ada cara untuk melakukan apa yang 23andMe ingin lakukan sehubungan dengan menyesuaikan perawatan pasien dengan hubungan faktor risiko yang ditemukan dalam genom, mungkin ada. 23andMe sangat ambisius dalam hal apa yang mereka coba klaim, itulah sebabnya mereka mendapat masalah dengan FDA, tetapi premis dasarnya masuk akal. Obat yang dipersonalisasi secara genetik sudah dapat menjelaskan mutasi nukleotida tunggal yang mengganggu fungsi obat, seperti yang ditunjukkan dalam desain obat yang berbeda untuk tahap yang berbeda dalam perkembangan CML, suatu bentuk leukemia. Sistem rumah sakit Geisinger di Pennsylvania, yang merawat sekitar tiga juta orang, adalah berpartisipasi dengan perusahaan bernama Regeneron(PDF) dalam studi genomik longitudinal besar yang akan bekerja dengan data anonim pada eksom pasien dari sampel DNA yang mereka tawarkan secara sukarela. Mereka bermaksud menggunakan data yang tidak diubah untuk menyesuaikan perawatan kesehatan dengan pasien dalam studi tersebut. Sebagai pionir di bidangnya, tidak diragukan lagi mereka akan mengalami masalah dan kemunduran, namun contoh yang ditetapkan Geisinger akan menjadi bukti konsep yang penting.

AI yang terintegrasi dan berkembang

Hal penting tentang pengganda gaya, pada akhirnya, adalah mereka mengurangi jumlah energi yang harus Anda keluarkan untuk menyelesaikan pekerjaan. Di sinilah AI benar-benar bisa unggul: memindahkan pekerjaan dari otak ke silikon. Programmer telah menempuh perjalanan panjang untuk menciptakan perangkat lunak yang konsisten secara logis yang kompatibel dengan kontrol eksternal. Apa yang kita butuhkan sekarang adalah beralih ke sistem kontrol terkomputerisasi yang lebih dan lebih independen dan andal yang dapat dengan lancar mengintegrasikan masukan lingkungan, arahan manusia, dan kontrol perangkat lunaknya sendiri. Keadaan seni dalam AI sudah cukup seksi, semua hal dipertimbangkan, tetapi saya ingin sedikit prognostik tentang bagaimana kita dapat mengembangkan AI dari sini.

Bayangkan menggunakan AI untuk bekerja pada database Geisinger / Regeneron. Sistem ini hanya meminta AI kontrol - membiarkan teknisi lab secara manual menjelajahi urutan DNA hanya kejam dan tidak biasa, bahkan jika mereka entah bagaimana berbicara Python. Kontrol database AI akan menyimpan urutan DNA yang sebenarnya, tentu saja, tetapi juga dapat melacak statistik urutan DNA apa yang cenderung mengarah pada penyakit apa, dan bahkan menghubungkannya dengan situasi hidup, paparan lingkungan, dan kelompok penyakit yang diketahui. Ini bisa menghasilkan visualisasi data untuk para ilmuwan dan dokter yang menanyakan database. Sistem seperti itu akan menjadi langkah yang solid menuju manajemen rekam medis otonom AI yang akan melepaskan sejumlah besar pekerjaan dari manusia, membebaskan jam kerja yang sangat dibutuhkan di lembaga medis.

Bayangkan perangkat lunak Praxis yang disebutkan di atas, tetapi bayangkan ia berteman dengan pengendali AI yang mengelola basis data genetika Geisinger / Regeneron. Itu bisa mendengarkan narasi pasien, menambahkannya ke bagan pasien, dan menyarankan diagnosis untuk mendukung dokter. AI kemudian dapat menggunakan data tersebut untuk melacak kelompok geografis masalah medis, atau mendiagnosis dan mempelajari sindrom dengan gejala perilaku. Perangkat lunak semacam itu bisa sangat memberdayakan perempuan dan minoritas; memberikan jalan rahasia untuk diagnosis yang bebas dari paternalisme medis, dan terlepas dari bias dokter mana pun. Lebih lanjut, ini dapat mengurai deskripsi gejala, menghubungkannya dengan genom pasien dan rekam medis, dan membandingkannya dengan database rumah sakit untuk melaporkan setiap hubungan yang ditemukan.

Apakah Anda puas dengan perawatan Anda?

Ketika datang ke AI perangkat keras, ada beberapa cara yang bisa dilakukan. Beberapa sistem tampaknya dirancang dengan indah untuk mengintegrasikan AI. Meskipun saya bukan penggemar berat Internet of Things, ada banyak potensi yang belum tergali dalam hal bagaimana barang-barang Anda dapat melayani kesehatan Anda. Bayangkan persilangan antara Jarvis dan BayMax. Misalkan rumah pintar nenek Anda menyadari masalah kesehatan khususnya - misalnya, dia berisiko mengalami stroke, yang membuatnya berisiko jatuh. Gelang bergaya FitBit dengan akselerometer dan gyro enam sumbu dapat berkolaborasi dengan sistem deteksi gerakan rumahnya untuk menggunakan asisten perawatan kesehatan pribadinya dan memperingatkan layanan darurat jika dicurigai dia terjatuh. Tapi itu juga bisa memantau detak jantung dan konduktansi kulitnya dengan cermat, à la the Merangkul, dan menambahkan data cap waktu itu ke rekam medisnya. Dia dapat memilih untuk mengizinkan dokter perawatan primernya merilis data anonim itu ke studi yang dirancang untuk mengembangkan diagnosis yang lebih cepat dan lebih akurat.

Pencitraan medis adalah tempat lain di mana perangkat keras dan perangkat lunak dapat bekerja sama dengan profesional medis untuk membuat sistem lebih besar daripada jumlah bagian-bagiannya. Kami sedang berupaya untuk menggabungkan matematika yang lebih baik dengan pencitraan medis modern, untuk mendapatkan interpretasi yang lebih baik dan lebih akurat dari gambar yang kami dapatkan dari MRI. Pengumpulan data lingkungan pribadi secara longitudinal, dikombinasikan dengan sistem yang menggabungkan hasil pasien dengan serangkaian gambar medis yang diambil dari waktu ke waktu, dapat menghasilkan keakuratan diagnostik yang lebih baik dan berkontribusi pada deteksi dini.

Tetapi bayangkan Anda dapat mengintegrasikan semua gagasan ini: kontrol perangkat lunak, perangkat keras yang berguna, dan pencitraan. Ini dapat melengkapi infrastruktur rumah sakit yang diperkecil yang mampu melayani pasien yang membutuhkan perawatan yang lebih intensif daripada yang dapat disediakan oleh bot diagnostik rumah yang lengkap. Benar-benar terdengar seperti sistem yang dapat mendukung BayMax, bukan? Pada level ini, garis antara hardware dan software, antara produk dan produsen, mulai kabur. Saya pikir ke sanalah tujuan kita. Menuju model perawatan kesehatan yang disesuaikan secara pribadi, yang sebagian besar bersifat publik, kurang formal, dan kurang berbasis janji, berfokus pada pencegahan dan dikelola oleh AI.

Orang bodoh bergegas masuk

Saya ingin berbicara tentang implikasi privasi dan keamanan dari sistem seperti ini. Kekuatan yang dipegang oleh AI canggih dengan kecerdasan peka konteks dan akses ke biometrik dan genom Anda benar-benar mengejutkan. Jauh di luar lingkup kepatuhan HIPAA atau pembaca sidik jari iPhone, apa yang terjadi ketika seseorang mencuri identitas Anda melalui pemindaian retinal Anda? Teknologi semacam itu akan menciptakan jalan baru bagi kejahatan. Dan itu mengasumsikan satu-satunya topi hitam adalah penjahat. Transparansi yang sempurna mungkin satu-satunya cara untuk tidak lepas kendali ke dalam distopia Cermin Hitam, di mana 'konten yang disetujui' yang ditargetkan secara genetik dikirim langsung ke saraf optik Anda oleh negara korporat. Siapa yang mengontrol data?

AI yang cukup canggih dapat memanggil sejumlah ingatannya ke dalam konteks, membobotkannya secara tidak memihak, dan melakukannya secara paralel besar-besaran. Ini bisa menghasilkan penilaian dan waktu reaksi manusia super. Ini juga dapat memungkinkan deteksi hubungan yang terlalu jauh terpisah dalam konteks untuk menarik perhatian manusia. Tetapi AI yang cukup maju untuk melakukan hal-hal ini masih bisa menjadi tersembunyi dalam tirani algoritme, dan semakin besar sistemnya, semakin banyak titik kerentanan yang ada. Apa yang terjadi pada pasien jika AI perawatan kritis diretas, rusak, atau salah? Apa yang kita lakukan jika AI yang kita kendalikan cukup positif dan lebih pintar dari kita? Bagaimana jika itu Baik? Seberapa besar kendali yang ingin kita berikan?

Saat penelitian AI memperluas dan menyempurnakan pemahaman kita tentang kecerdasan dan pembelajaran mesin, kita akan melihat semakin banyak aplikasi yang muncul. Beberapa cabang AI akan berguna untuk kompleks industri militer, tidak diragukan lagi. Karena taruhan untuk mengintegrasikan kecerdasan buatan dan kemampuan pengambilan keputusan ke dalam kedokteran sangat tinggi, sistem yang kami kembangkan harus kuat dan akurat. Ini bukanlah revolusi yang akan terjadi dalam satu atau dua tahun.

Namun, dalam jangka panjang, integrasi AI ke dalam berbagai aspek pengobatan dapat menghasilkan revolusi yang belum pernah terlihat sejak penemuan antibiotik atau penemuan teori kuman. Kemampuan untuk memanfaatkan jumlah total pengetahuan manusia dalam bidang tertentu dan kemudian menerapkannya pada genom spesifik individu atau situasi tertentu dapat menghasilkan hasil yang jauh lebih baik daripada yang kita lihat saat ini.

Kami meliput teknologi medis masa depan sepanjang minggu ini; baca sisa cerita Pekan Teknologi Medis kami untuk lebih lanjut. Dan pastikan untuk melihat seri 2007es.com Explains kami untuk liputan yang lebih mendalam tentang topik teknologi terpanas saat ini.

Copyright © Seluruh Hak Cipta | 2007es.com