การค้นพบทางการแพทย์ที่ไม่คาดฝัน: กรณีที่แปลกประหลาดของสมาคมที่ผิดปกติ

ปัญญาประดิษฐ์ (AI) สามารถดำเนินการมากมายของสิ่งที่น่าอัศจรรย์ในพื้นที่ทางการแพทย์ตั้งแต่งาน triage และงานบริหารอัตโนมัติไปจนถึงการช่วยเหลือด้านสุขภาพจิตและการวิเคราะห์ภาพทางการแพทย์ เหนือสิ่งเหล่านี้บางครั้ง AI ทำให้การค้นพบทางการแพทย์ที่อยากรู้อยากเห็นและค้นพบสิ่งต่าง ๆ ที่ดีที่สุดในความรู้ของมนุษย์ – ไม่ควรตรวจพบจากข้อมูลอินพุต

สมาคมที่ผิดปกติเหล่านี้นำเสนอความท้าทายใหม่ล่าสุดสำหรับผู้เชี่ยวชาญด้านการแพทย์ที่ต้องการทำความเข้าใจกับอัลกอริทึมที่ชาญฉลาดว่าได้ข้อสรุปที่หลีกเลี่ยงผู้คนมานานหลายทศวรรษ ในบทความนี้เราพิจารณาตัวอย่างที่โดดเด่นของ AI ที่พบการเชื่อมต่อที่อาจยังคงมองไม่เห็นกับผู้เชี่ยวชาญของมนุษย์ การสังเกตดังกล่าวเน้นถึงศักยภาพของเทคโนโลยีและวิธีที่จะทำให้เราประหลาดใจในอีกไม่กี่ปีข้างหน้า

debiasing และเร่งการถ่ายภาพรังสี

ด้วยเครื่องมือ AI การแพทย์ที่ได้รับการรับรองจาก FDA ส่วนใหญ่ที่กำหนดเป้าหมายการใช้รังสีจึงไม่น่าแปลกใจที่เทคโนโลยีได้พบความสัมพันธ์ที่ผิดปกติในพื้นที่นี้

ในการศึกษาที่น่าสนใจนักวิจัย MIT แสดงให้เห็นว่าอัลกอริทึมการเรียนรู้อย่างลึกซึ้งสามารถทำนายการแข่งขันที่รายงานด้วยตนเองสำหรับผู้ป่วยจากภาพรังสีเพียงอย่างเดียว นี่เป็นความสำเร็จแม้แต่แพทย์ที่มีประสบการณ์มากที่สุดก็ไม่สามารถทำได้และยังไม่ชัดเจนว่าโมเดลนั้นสามารถทำสิ่งนี้ได้อย่างไร ข้อมูลเชิงลึกดังกล่าวสามารถใช้งานได้จริงเนื่องจากช่วยตอบโต้อคติที่เกี่ยวข้องกับรายการทางการแพทย์

ที่ UMass Memorial Health เครื่องมือ AI อย่างน้อย 40 ตัวช่วยในการทำงานทางคลินิกการจัดการงานเช่นการได้รับผลลัพธ์สำหรับผู้ป่วยที่สำคัญเร็วขึ้นและช่วยออกใบแจ้งหนี้ พวกเขายังช่วยปรับแต่งคุณภาพของภาพรังสี สิ่งนี้เกี่ยวข้องกับผู้ป่วยที่ใช้เวลาน้อยลงในเครื่อง MRI กระบวนการสแกนจึงเป็นที่ยอมรับได้มากขึ้นและผู้ป่วยรู้สึกกังวลน้อยลง

“ MRIs นั้นยาวไม่เป็นที่พอใจและดัง แต่พวกเขามีค่ามากสำหรับการตัดสินใจทางการแพทย์” ดร. อลิซาเบ ธ การ์วู้ดจาก UMass Memorial Health อธิบาย “อัลกอริทึมการเร่งความเร็วที่ UMass ทำให้ MRIs ของเราเร็วขึ้น 25 เปอร์เซ็นต์และมันแฮ็คประสบการณ์ผู้ป่วยที่พวกเขาอยู่ใน MRI ในเวลาน้อยลง”

การปรับปรุงการวินิจฉัยด้วยภาพถ่ายการบันทึกเสียงและการสแกนระบบทางเดินหายใจ

ในตลาดสุขภาพดิจิตอลนักชีวภาพดิจิตอลหรือข้อมูลดิจิตอลชนะที่ให้ข้อมูลเชิงลึกเกี่ยวกับสถานะสุขภาพความนิยมของแต่ละบุคคล แต่ AI ดูเหมือนว่าจะได้รับข้อมูลเชิงลึกจากแหล่งข้อมูลที่ผิดปกติของตัวเอง

นักวิจัยได้ฝึกอบรมแบบจำลองเพื่อวิเคราะห์การบันทึกเสียงยาว 10 วินาทีเพื่อวินิจฉัยโรคเบาหวานประเภท 2 ตามฟังก์ชั่นอะคูสติกบางอย่าง แม้ว่ามันจะไม่ได้แสดงประสิทธิภาพในอุดมคติ แต่โมเดลก็ให้ผลลัพธ์ที่ดีกว่าที่ดีกว่าการสุ่มเพื่อระบุผู้ป่วยโรคเบาหวานอย่างเหมาะสม การพัฒนานี้ทำให้สถานการณ์ของความสามารถในการตรวจจับระดับน้ำตาลในเลือดจากสมาร์ทโฟนค่อนข้างเป็นไปได้

Dr. Jude Kong ผู้เป็นผู้นำของ AID AID AI และ Data Innovation Consortium และ Global South AI สำหรับเครือข่ายการแพร่ระบาดของโรคระบาดและการแพร่ระบาด

ตัวอย่างเช่นแบบจำลองที่ใช้ในเอธิโอเปียสามารถช่วยตรวจสอบว่าอัมพาตของผู้ป่วยเป็นสัญญาณของโปลิโอตามภาพถ่ายหรือไม่ ในเปรูพวกเขาสร้างเครื่องช่วยหายใจที่ใช้ประโยชน์จากเทคโนโลยี AI เพื่อช่วยวินิจฉัยโรคทางเดินหายใจ

นักวิจัยของ Google ยังใช้ AI เพื่อตรวจจับความเสี่ยงต่อสุขภาพจากภาพ โดยเฉพาะอย่างยิ่งได้รับการฝึกฝนรูปแบบการเรียนรู้อย่างลึกซึ้งเพื่อระบุตัวละครที่แสดงถึงความเสี่ยงของหลอดเลือดหัวใจระยะยาวจากภาพเรตินา

ตามเนื้อผ้าเพื่อประเมินความเสี่ยงเหล่านี้แพทย์จะต้องดูเรตินาด้วยตนเองทำการตรวจเลือดและพิจารณาปัจจัยอื่น ๆ เช่นอายุและ BMI น่าประทับใจ AI เรียนรู้สิ่งที่จะมองหาในภาพเรตินาเพียงอย่างเดียวหลังจากตรวจสอบข้อมูลเพียงพอที่จะระบุรูปแบบที่พบในสายตาของคนที่มีความเสี่ยง

เทคโนโลยีดังกล่าวอาจพิสูจน์ได้ว่าเป็นการช่วยชีวิตโดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงความจริงที่ว่าประมาณ 17 ล้านคนเสียชีวิตจากหัวใจ -ริม -ทุกปี มันสามารถช่วยแพทย์และแม้กระทั่งผู้ป่วยทำการทดสอบการคัดกรองอย่างรวดเร็วและประเมินความเสี่ยงและดำเนินการป้องกันที่ตามมา

การปรับปรุงการดูแลทางจิตเวชด้วยคลื่นสมองการตรวจจับของอัลไซเมอร์ในช่วงต้นและการประเมินอาการโคม่า -ยีนที่คดเคี้ยว

การดูแลจิตเวชย่อมาจากการเพิ่มความช่วยเหลือจาก AI น่าแปลกใจที่มันอาจฟังดูการรักษาตัวเลือกการรักษาสำหรับยากล่อมประสาทมักจะขึ้นอยู่กับตัวอย่างและข้อผิดพลาด นี่คือเหตุผลที่มีเพียง 30% ของผู้ป่วยที่ตอบสนองได้ดีกับยากล่อมประสาทที่กำหนดเป็นครั้งแรก แต่การป้อนข้อมูลของ AI สามารถให้วิธีที่มีประสิทธิภาพมากขึ้น

โดยการศึกษาคลื่นสมองในผู้ป่วยนักวิจัยใช้อัลกอริทึมการเรียนรู้ของเครื่องเพื่อระบุยาแก้ซึมเศร้าที่ดีที่สุด: เซเรตาลีนในกรณีนี้ ผลการศึกษาของพวกเขาแสดงให้เห็นว่า 65% ของผู้ป่วยที่มีรูปแบบคลื่นสมองโดยเฉพาะบ่งบอกถึงการตอบสนองที่แข็งแกร่งต่อ sertraline หนึ่งในนักวิจัยชี้ให้เห็นว่าวิธีนี้ “ดีกว่า” มากกว่าการพึ่งพาปัจจัยทางคลินิกเช่นอาการบางอย่างเพื่อพยายามคาดเดาว่ายาจะมีผลดีต่อผู้ป่วยหรือไม่

สำหรับเงื่อนไขเช่นอัลไซเมอร์ผู้ป่วยมักจะได้รับการวินิจฉัยว่าเป็นอาการหลังจากอาการดัง สิ่งเหล่านี้อาจทำให้ร่างกายทรุดโทรมมากเช่นการสูญเสียความจำการเปลี่ยนแปลงบุคลิกภาพและภาวะซึมเศร้า ทีมวิจัยที่มหาวิทยาลัยแคลิฟอร์เนียในซานฟรานซิสโกได้ฝึกอัลกอริทึมเพื่อค้นหาสัญญาณบ่งบอกถึงอัลไซเมอร์จากอีกมุมหนึ่ง

นักวิจัยได้ฝึกอัลกอริทึมการเรียนรู้อย่างลึกซึ้งเกี่ยวกับการสแกน FDG-PET ซึ่งเป็นวิธีที่ใช้ในการตรวจสอบกิจกรรมการเผาผลาญของเซลล์สมอง สิ่งนี้ได้เรียนรู้ AI เพื่อรับรู้รูปแบบการเผาผลาญที่เกี่ยวข้องกับโรคอัลไซเมอร์ ในการทดสอบครั้งต่อไป AI ค้นพบเงื่อนไขที่มีความไว 100% โดยเฉลี่ยมากกว่าหกปีก่อนการวินิจฉัยขั้นสุดท้าย!

การอยู่ในอาการโคม่าหรือพืชอาจเป็นหนึ่งในปัญหาการเก็บภาษีทางจริยธรรมมากที่สุดในการดูแลสุขภาพ ตามคำแนะนำของแพทย์ญาติของผู้ป่วยดังกล่าวอาจตัดสินใจว่าพวกเขาต้องการให้การสนับสนุนชีวิตสำเร็จหรือไม่ มันเป็นคำถามที่เป็นที่ถกเถียงกันมากว่าการตัดสินใจจะขยายออกไป: ชีวิตหรือความทุกข์ของผู้ป่วยในขณะที่ค่าใช้จ่ายทั้งญาติและระบบการดูแลสุขภาพ อย่างไรก็ตาม AI สามารถช่วยตัดสินใจได้มากขึ้นในกรณีเหล่านี้ซึ่งคาดการณ์ได้อย่างถูกต้องว่าจะได้รับสติแม้หลังจากแพทย์สรุปการปรับปรุงที่ไม่น่าจะเกิดขึ้น

ระบบ AI ดังกล่าวได้รับการพัฒนาโดยสถาบันวิทยาศาสตร์จีนและโรงพยาบาล PLA ทั่วไปในปักกิ่ง อัลกอริทึมของพวกเขารายงานว่าได้รับประมาณ ความแม่นยำ 90 เปอร์เซ็นต์ของการประเมินการพยากรณ์โรค ซอฟต์แวร์วิเคราะห์การสแกนสมองเพื่อประเมินการตัดสินใจของแพทย์อีกครั้ง ในกรณีอย่างน้อย 7 กรณีที่แพทย์มั่นใจว่าผู้ป่วยจะไม่ฟื้นคืนสติ AI ตรงข้ามพวกเขาและในความเป็นจริงผู้ป่วยเหล่านี้ตื่นขึ้นมาภายใน 12 เดือนของการสแกนสมอง “เครื่องจักรของเราสามารถ” เห็น “สิ่งที่มองไม่เห็นต่อดวงตาของมนุษย์” ดร. ซงหมิงผู้เขียนคนแรกของการศึกษา

นี่เป็นเพราะการประเมินผลของผู้ป่วยดำเนินการโดยใช้การสแกนสมองด้วยภาพเรโซแนนซ์แม่เหล็กที่ใช้งานได้และกิจกรรมประสาทที่พัฒนาอย่างรวดเร็วอาจพิสูจน์ได้ว่าเป็นความท้าทายสำหรับแพทย์ในการตรวจจับ ในทางกลับกันอัลกอริทึมการเรียนรู้ของเครื่องอาจตรวจจับการเปลี่ยนแปลงนาทีที่แนะนำการปรับปรุงอย่างต่อเนื่อง สิ่งนี้สามารถช่วยให้แพทย์และญาติทำการตัดสินใจได้มากขึ้นเมื่อพูดถึงผู้ป่วยดังกล่าว

ช่วยในการระบุและรักษาโรคที่หายาก

หากโรคหายากการระบุและการรักษาเป็นสิ่งที่ท้าทาย ทุก ๆ ปีมีเด็กประมาณครึ่งล้านคนเกิดมาพร้อมกับโรคทางพันธุกรรมที่หายากทั่วโลก อย่างไรก็ตามหลายกรณีเหล่านี้มีคุณสมบัติทางกายภาพเฉพาะที่สามารถช่วยในการระบุตัวตนของพวกเขา แพทย์อาจพลาดสิ่งเหล่านี้เนื่องจากความจริงที่ว่าพวกเขาไม่เคยเห็นกรณีดังกล่าว นอกจากนี้เนื่องจากความหายากในกรณีเช่นนี้ตัวเลือกการรักษามักจะเข้าใจ อย่างไรก็ตามไม่มีอะไรหนีออกมาจากสายตาของ AI อย่างระมัดระวัง

นักวิจัยจากมหาวิทยาลัยเพนซิลเวเนียใช้เครื่องมือ AI ที่คาดการณ์ได้เพื่อระบุยาที่เหมาะสมเพื่อช่วยชีวิตผู้ป่วยที่มีโรค Castleman (IMCD) ที่ไม่ทราบสาเหตุ (IMCD) สถานะที่หายากนี้มีลักษณะเป็นอัตราการรอดชีวิตที่ไม่ดีและขาดการรักษา

อย่างไรก็ตามหลังจากวิเคราะห์ยาที่มีอยู่นับพันระบบ AI คาดการณ์ว่าโมโนโคลนอลแอนติบอดีที่ได้รับการรับรองจาก FDA ที่ใช้ในการรักษาเงื่อนไขอื่นอาจใช้ได้กับ IMCD และมันก็ทำ ขณะนี้ผู้ป่วยอยู่ในระยะเวลาเกือบสองปีในการให้อภัยและวิธีการนี้อาจใช้กับโรคที่หายากอื่น ๆ ได้

นักวิจัยที่อยู่ในประเทศเยอรมนีพัฒนาและฝึกอัลกอริทึมเพื่อช่วยในการระบุโรคที่เกิดจากการเปลี่ยนแปลงในยีนเดียว สิ่งเหล่านี้รวมถึงเงื่อนไขเช่น mucopolysaccharidosis, Mabry Syndrome และ Kabuki Syndrome ซึ่งได้รับผลกระทบมีลักษณะใบหน้าที่ได้รับผลกระทบ

นักวิจัยได้ฝึกอบรมเครือข่ายประสาทที่ลึกล้ำด้วยภาพถ่ายบุคคล 30,000 ภาพของพวกเขาด้วยเงื่อนไขที่หายากเช่นนี้ “ เมื่อรวมกับการวิเคราะห์ใบหน้าเป็นไปได้ที่จะกรองปัจจัยทางพันธุกรรมที่สำคัญและจัดลำดับความสำคัญของยีน” ศาสตราจารย์ Krawitz ผู้ทำงานในการศึกษานี้กล่าว “การหลอมรวมของข้อมูลลงในเครือข่ายเซลล์ประสาทช่วยลดเวลาการวิเคราะห์ระยะเวลาและนำไปสู่ความเร็วในการวินิจฉัยที่สูงขึ้น”

ผลลัพธ์ของพวกเขาแสดงให้เห็นว่าการใช้ AI นั้นมีความแม่นยำมากขึ้นในการระบุโรคที่หายาก การใช้เทคนิคนี้สามารถติดตามการระบุและการรักษาผู้ที่ได้รับผลกระทบตั้งแต่ต้น

ซิงค์ห้องผ่าตัด

ในขณะที่มีอนาคตทางเทคโนโลยีที่มีแนวโน้มสำหรับการผ่าตัดส่วนใหญ่มุ่งเน้นไปที่การช่วยเหลือศัลยแพทย์แทนที่จะเป็นทีมผ่าตัดทั้งหมดที่ทำงานเบื้องหลังด้วยขั้นตอน เพื่อปรับปรุงการทำงานร่วมกันและการซิงโครนัสของทีมผ่าตัด Startup Exex ได้พัฒนาแพลตฟอร์ม AI โดยเฉพาะ มันใช้ชุดหูฟัง Apple Vision Pro เพื่อปรับปรุงการสื่อสารความชัดเจนและการวางแนวภายในชุดผ่าตัด

ผลิตภัณฑ์ของพวกเขารวมรูปแบบภาษาเข้ากับแบบจำลองการมองเห็นคอมพิวเตอร์เพื่อช่วยให้ทีมผ่าตัดตอบคำถามในระหว่างขั้นตอนและช่วยให้พวกเขาปรับทิศทางตัวเองในห้อง

“แอพซึ่งทำงานบนชุดหูฟังมีความสนใจเชิงพื้นที่อย่างเต็มรูปแบบในพื้นที่จริงเวลาและเข้าใจว่าผู้ใช้อยู่ที่ไหนและรู้ว่าผู้ใช้กำลังมองหาอะไร” Nicholas Cambata, COO สำหรับ Exex อธิบาย ตัวอย่างเช่นผู้ช่วยผ่าตัดสามารถสร้างถาดก่อนขั้นตอนและขอเช็คจาก AI เครื่องมือสามารถระบุอุปกรณ์ที่หายไปและแนะนำผู้ใช้ไปยังตำแหน่งที่แน่นอนของห้อง

ระบบจุดเพื่อประเมินความจำเป็นในการรับสมัคร

นี่เป็นข้อกำหนดเบื้องต้นสำหรับโครงการนำร่องจาก Bering Research และ GPS ที่ Axbridge Surgery ใน Somerset ประเทศอังกฤษ อัลกอริทึมถูกนำไปใช้เพื่อทำนายว่าผู้ป่วยรายใดอาจต้องเข้ารับการรักษาในโรงพยาบาลและเพื่อช่วยให้ GPS ทำงานเพื่อลดความเสี่ยง

AI กำหนดคะแนนตามสเกลเปอร์เซ็นต์ตามสภาพสุขภาพพื้นฐานและปัจจัยสนับสนุนเช่นความดันโลหิตสูงหรือพฤติกรรมการสูบบุหรี่ ยิ่งคะแนนสูงเท่าใดผู้ป่วยก็ต้องการการรักษาในโรงพยาบาลมากขึ้นเท่านั้น

เป้าหมายคือการให้ GPS เข้ามาแทรกแซงก่อนหน้านี้ทำการคาดการณ์ที่ถูกต้องเกี่ยวกับการบันทึกของโรงพยาบาลและช่วยเหลือโรงพยาบาลวางแผนจัดสรรทรัพยากรของพวกเขา

ในขณะที่ความสัมพันธ์ที่ผิดปกติเหล่านี้ให้ความหวังแก่ผู้ป่วยหลายล้านคนทั่วโลก แต่เราต้องระมัดระวังเกี่ยวกับวิธีที่เรารับข่าวนี้ การทดลองที่ดำเนินการจะต้องได้รับการตรวจสอบและทำซ้ำในระดับที่ใหญ่ขึ้นภายใต้การพิจารณาของปัจจัยที่มีส่วนร่วมอื่น ๆ เช่น comorbidities

อย่างไรก็ตามมันแสดงให้เห็นว่าปัญญาประดิษฐ์สามารถกลายเป็นส่วนสำคัญของการรักษาผู้ป่วยไม่เพียง แต่ยังระบุความเสี่ยงและการใช้มาตรการป้องกันที่เราไม่เคยคิดมาก่อน

โพสต์ AIS การค้นพบทางการแพทย์ที่ไม่คาดฝัน: กรณีที่แปลกประหลาดของสมาคมที่ผิดปกติเกิดขึ้นครั้งแรกในนักการแพทย์แห่งอนาคต

ดูแหล่งที่มา