Zdravstvena oskrba je v neskladju podatkov. Temeljno neravnovesje med zbiranjem in uporabo obstaja prek sistemov in geopolitičnih meja. Zbiranje podatkov je bil vsestranski napor z dobrim namenom, vendar nezadostni rezultati pri spreminjanju podatkov v dejanja. Po močnem desetletju se zdi, da so podatki nedosledni, neurejeni in nezaupljivi. Najnaprednejši zdravstveni sistemi na svetu ostajajo zmedeni zaradi tega, kar so zbrali: kopice podatkov brez jasne poti do vpliva. Umetna inteligenca (AI) lahko vidi skozi mrak, odstrani hrup in najde pomen v obstoječih podatkih, ki ne zmorejo nobenega človeka ali druge tehnologije.
AI je izraz za tehnologije ali stroje, ki imajo sposobnost prilagajanja in učenja. To je temeljni pomen vodenja podatkov, da lahko merimo razpoložljive podatke in izvedemo dejanje ali si premislimo. Strojno učenje je v središču umetne inteligence – uči stroje, da se učijo iz podatkov, namesto da zahtevajo trdo kodirana pravila (kot so to storili stroji v preteklosti).
Nobena domena si ne zasluži bolj smiselno umetno inteligenco kot zdravstvo. Zdravstveno varstvo je nedvomno najkompleksnejša panoga na svetu, ki deluje na povezavi razvijajoče se znanosti, poslovanja, politike in živega človeškega vedenja. Ti vplivi potiskajo in vlečejo v večno protislovje.
Zdravstvena oskrba – še posebej psihologija – je mati strojnega učenja. Leta 1949 je dr. Donald Hebb ustvaril model interakcije možganskih celic , ali sinaptična plastičnost, ki tvori starodavno arhitekturo umetnih nevronskih mrež, ki danes prežemajo AI. Matematika za razlago človeškega vedenja je postala matematika za posnemanje in preseganje človeškega intelekta. AI je zdaj na robu vrnitve na področje zdravstvenega varstva.
koliko je trenutnih misij na mars?
Za dosego velikega učinka je treba strojno učenje uporabiti v najbolj in najmanj naprednih zdravstvenih sistemih na svetu. Vsaka dostojna tehnologija bi morala ostati odporna zunaj zidov akademskih krogov in nedotaknjenih podatkovnih okolij tehnoloških velikanov. Umetna inteligenca se lahko uči iz številnih razsežnosti podatkov – fotografij, naravnega jezika, tabeličnih podatkov, satelitskih posnetkov – in se lahko prilagaja, uči se iz podatkov, ki so na voljo. Sposobnost prilagajanja je tisto, kar opredeljuje AI. Umetna inteligenca je v najboljšem primeru zasnovana za reševanje kompleksnih problemov - ne preferenc v garderobi. Zdaj je čas, da umetno inteligenco prenesemo v zdravstveno varstvo.
COVID-19 je največja globalna kriza našega časa: neposreden zdravstveni izziv in še neznanega trajanja izziv za ekonomsko in psihološko blaginjo naše družbe. Pomanjkanje odločanja, ki temelji na podatkih, in odsotnost prilagodljive in napovedne tehnologije sta podaljšala in še poslabšala posledice bolezni COVID-19. Sprejetje teh tehnologij nam bo pomagalo obnoviti zdravje in družbo. Umetna inteligenca je že oblikovala nove rešitve za odziv na COVID-19 in pospešen razvoj zdravstvenega varstva. Modeli strojnega učenja MIT za hitrosti prenosa so v nekaterih primerih ustvarili impresivno natančnost zmanjšanje stopnje napak za 70 odstotkov . Raziskovalci na Mount Sanai v New Yorku so dokazali sposobnost zmanjšanja testiranja z dveh dni na skoraj takojšen s kombiniranjem modelov AI z računalniško tomografijo prsnega koša (CT), kliničnimi simptomi, anamnezo izpostavljenosti in laboratorijsko testiranje — zmanjševanje napake lažnih negativnih rezultatov. Modeli AI – za razliko od testnih kompletov – lahko takoj potujejo do novih uporabnikov, niso omejeni v proizvodnji in ne zahtevajo dodatnega usposabljanja in dopolnilne opreme.
Umetno inteligenco je treba sprejeti v skladu z obstoječimi sistemi in rešitvami. Epidemiološki modeli v povezavi s tehnologijo AI se prilagajajo in učijo v realnem času – z integracijo novih podatkov, ki pomagajo razložiti pomožne elemente zdravstvenih rezultatov. Vendar je bilo sodelovanje med epidemiologijo in strojnim učenjem omejeno. Pomembni epidemiološki modeli ne vključujejo dinamičnega strojnega učenja. Brez strojnega učenja se epidemiološki modeli posodabljajo tedensko, kar izgublja dragocen čas in daje zelo netočne napovedi, ki so bile široko kritiziran . Človeška pristranskost je v teh modelih zapisana velika – spremenljivo pomembnost določijo strokovnjaki in ne naučeni in izpeljani iz podatkov.
zakaj sta kralj Ferdinand in kraljica Izabela plačala Kolumbovo potovanje
Modeli umetne inteligence lahko iz razpoložljivih podatkov izpeljejo implicitne in eksplicitne funkcije, da povečajo natančnost in prilagodljivost napovedi prenosa. Organizacije, kot je Metabiota, so preslikale na tisoče pandemij, da bi ustvarile model tveganja. Obstoječi elektronski informacijski sistemi (EIS) hranijo dragocene zgodovinske zdravstvene podatke, ko so na voljo – tako modeli pandemije kot EIS so odlična vira za motorje umetne inteligence, usmerjene v optimizacijo odziva na pandemijo v velikem obsegu.
Optimizacija – v smislu prilagajanja zdravstvenega sistema za ustvarjanje največje vrednosti (na primer pričakovane življenjske dobe) ali minimalne vrednosti (stroški oskrbe) je končni cilj AI za zdravje. Z gledanjem naprej v prihodnost in napovedovanjem povpraševanja, omejitev in vedenja lahko AI kupi čas. Čas za pripravo in zagotovitev, da so viri razporejeni za čim večji učinek vsake enote: finančne, človeške ali blaga. Večina modelov gleda nazaj – kot je vožnja z avtomobilom samo v vzvratno ogledalo – vendar se od njih zahteva, da sprejemajo odločitve za prihodnost. Sizifovsko je zahtevati, da se podedovana analitika pripravi na jutri na podlagi tega, kar je pogosto oddaljena (v najboljšem primeru meseci, tedni ali dnevi) preteklost linearnih podatkov. Optimizacija s tehnologijo strojnega učenja in umetne inteligence prinaša predvidljivost za odločitve in dejanja, ki temeljijo na podatkih, ki so potrebna za učinek. Laboratorijsko testiranje, optimizirano za strojno učenje na MIT je pospešilo odkrivanje novih antibiotikov, za katere je bilo doslej nedosegljivo zaradi znatnega časa in finančnih naložb.
Na ravni zdravstvenega sistema se ukrepanje pospešuje z neposrednim sodelovanjem s tistimi v prvih črtah. Strojno učenje človeka v zanki (HIL) (ML) je proces prejemanja vpogledov, bogatih s podatki, od ljudi, njihove analize v realnem času in povratne izmenjave priporočil. HIL ML je znanost o poučevanju strojev za učenje neposredno iz človeškega vnosa. V Mozambiku, ki naj bi se razširila na Sierra Leone, se tehnologija makro oči uči neposredno od zdravstvenih delavcev na prvi liniji – najpomembnejših strokovnjakov za pogoje oskrbe v skupnostih, ki jim služijo. To postane krepostni krog podatkov visoke vrednosti, pravočasnih vpogledov in pospešenega sodelovanja na mestu oskrbe. Natančnost na ravni objekta iz HIL ML v Sierra Leone bo dopolnjevala motorje za optimizacijo umetne inteligence, ki se uporabljajo za verjetnostno oceno razpoložljivosti bistvenih virov v objektih po vsej državi, upoštevanje novih omejitev virov in priporočilo distribucije virov.
COVID-19 je poudaril potrebo po hitri povezavi med analitiko podatkov in prvimi linijami oskrbe. Ta povezava še vedno ne obstaja v velikem obsegu. Rezultat: oblasti morajo dešifrirati nešteto modelov, ki ocenjujejo prenose in smrti, povezane s COVID-19 v bližnji preteklosti, in ocene za prihodnost, ki ne gradijo znanja ali podatkov od začetka. Ta temeljna prekinitev je desetletja ovirala zdravstveno oskrbo – tisti, ki zagotavljajo oskrbo, imajo najmanj glasu pri zagotavljanju oskrbe. Rešiti ga je mogoče z minimalnimi motnjami z uporabo HIL ML za vključitev izobražene in strastne skupnosti zdravstvenih delavcev.
Umetna inteligenca v zdravju je bila uspešna, a preveč omejena. Nezmožnost zaupanja v tisto, česar ne razumemo popolnoma, napačno predstavljanje strokovnega znanja AI s strani zgodnjih udeležencev in finančna trdnost globalnih mehanizmov financiranja ostajajo ovire za sprejetje. Umetna inteligenca lahko – in bo – eksponentno izboljšala zagotavljanje oskrbe po vsem svetu. Podatki in podatkovna infrastruktura so pripravljeni in zdaj je čas za drzne naložbe. Naložbe se morajo odmakniti od pilotov z nezadostnim obzorjem in predanostjo. Umetna inteligenca v velikem obsegu – kot drzne inovacije preteklosti – bo mogoča le z zavzetim korpusom financerjev, oblikovalcev politik in izvajalskih partnerjev, ki bodo sredstva namenili strokovnjakom za umetno inteligenco, ki rešujejo probleme na temeljih zdravja.
Vendar moramo nadaljevati previdno. Svet je poln rešitev AI in strokovnjakov, ki naj bi rešili planet. Bodite kritični – resničnega talenta za umetno inteligenco je zelo malo, še manj ekip pa ima možnosti za uporabo AI v resničnem svetu. Znanstveniki za umetno inteligenco prihodnosti ne bodo videti kot tisti iz nedavne preteklosti. Programski inženirji so postali strokovnjaki za umetno inteligenco, ki so umetno inteligenco prinesli v digitalno Svet v Silicijevi dolini in akademiki, ki gradijo modele v zaščitenih trezorjih, bodo uzurpirali prilagodljivi inženirji, ki rešujejo težave, z uporabo umetne inteligence za spremembe v skupnostih, ki jim je mar: uvajanje v fizično svetovne smiselne rešitve kompleksnih problemov. Kaj je bolj smiselno kot zdravje?