ความเสี่ยงและความท้าทายในการใช้ปัญญาประดิษฐ์ในกุมารเวชศาสตร์
โมเดลภาษาขนาดใหญ่มีแนวโน้มที่จะ “sycophancy” หรือความปรารถนาที่จะทำให้ผู้ใช้พอใจที่ยุยง เช่นเดียวกับภาพหลอนที่เกี่ยวข้องกับการค้นพบที่ประดิษฐ์ขึ้น Desai อธิบาย
เขาตั้งข้อสังเกตว่าการใช้ปัญญาประดิษฐ์ในกุมารเวชศาสตร์ยังทำให้เกิดความท้าทาย เนื่องจากโรคในเด็กจำนวนมากพบได้ยาก ดังนั้นจึงยากที่อัลกอริทึมจะคาดการณ์ได้
“นี่เป็นข้อจำกัดทางชีวสถิติล้วนๆ ประสิทธิภาพของอัลกอริทึมในชีวิตจริงขึ้นอยู่กับความชุกของภาวะนั้นเป็นอย่างมาก ยิ่งสภาวะพบบ่อยมากเท่าใด อัลกอริธึมก็จะยิ่งแม่นยำมากขึ้นเท่านั้น” Desai อธิบาย “ในทางกลับกัน ยิ่งเงื่อนไขยิ่งหายาก อัลกอริธึมก็จะยิ่งทำงานได้แย่ลง”
แม้ว่านักวิจัยจะใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อระบุสภาวะในเด็กที่พบไม่บ่อย เช่น โรคภูมิคุ้มกันบกพร่องขั้นต้น แต่ก็ยังสร้างผลลัพธ์ “ผลบวกลวง” จำนวนมาก ตามที่ Desai กล่าว จากนั้นเด็กๆ จะมีส่วนร่วมในการทดสอบที่ไม่จำเป็นและมีราคาแพงมากมาย เขากล่าว
อ่านเพิ่มเติม: ปัจจุบัน AI ถูกนำมาใช้ในการดูแลสุขภาพในรูปแบบต่างๆ มากมาย
“นั่นทำให้อัลกอริธึมเหล่านี้ยากมากที่จะนำไปใช้ ณ จุดที่ต้องดูแล” Desai กล่าว
นอกจากนี้ ความผิดปกติของการออกกำลังกายยังก่อให้เกิดความเสี่ยงในกุมารเวชศาสตร์
“ผู้ป่วยบางกลุ่มอาจไม่ได้มีบทบาทในข้อมูลการฝึกอบรม ดังนั้นการคาดการณ์ของแบบจำลองเกี่ยวกับผู้ป่วยเหล่านี้จึงไม่ถูกต้อง” Desai กล่าว
เพื่อจัดการกับความเสี่ยงของ AI Texas Children’s ได้จัดตั้งคณะกรรมการกำกับดูแลและกำกับดูแล AI เทเรซา ตันทัท รองประธานของโรงพยาบาลและผู้ร่วม CIO กล่าว
คณะกรรมการกำกับดูแลให้แน่ใจว่าผลลัพธ์ของแบบจำลอง AI ทั้งหมดจำเป็นต้องมี “มนุษย์ที่อยู่ตรงกลาง” ในการตรวจสอบข้อมูลก่อนตัดสินใจของผู้ป่วย Tonthat กล่าว คณะกรรมการยังกล่าวถึงข้อกังวลเกี่ยวกับข้อกำหนดด้านกฎระเบียบ อคติ และภาพหลอนของ AI เธอกล่าวเสริม
เนื่องจากระบบสุขภาพทำงานร่วมกับข้อมูลเกี่ยวกับเด็ก Texas Children’s จึงให้ความรู้แก่ทีมดูแลเกี่ยวกับการลงนามผ่าน MyChart ของ Epic และทำงานร่วมกับผู้ขาย เช่น Microsoft เพื่อหารือเกี่ยวกับวิธีใช้ประโยชน์และปกป้องข้อมูลผู้ป่วย Tonthat กล่าว
“การยอมรับความเสี่ยงของเราต่ำมากเมื่อพูดถึงข้อมูลเกี่ยวกับผู้ป่วยเด็กของเรา” Tonthat กล่าว
แม้จะมีความเสี่ยง แต่ AI ก็นำโอกาสในการแก้ไขปัญหาทางคลินิกและปรับปรุงประสิทธิภาพขั้นตอนการทำงาน
AI สำหรับรังสีวิทยาและการวินิจฉัยในกุมารเวชศาสตร์
Texas Children’s ใช้ปัญญาประดิษฐ์มานานกว่าทศวรรษ โดยหันมาใช้การสร้างแบบจำลองเชิงคาดการณ์ ระบบอัตโนมัติ การเรียนรู้เชิงลึก และการเรียนรู้ของเครื่องเพื่อแก้ปัญหาทางคลินิก Tonthat กล่าว โรงพยาบาลได้สำรวจปัญญาประดิษฐ์เชิงสร้างสรรค์ในช่วงสองปีที่ผ่านมา โดยเฉพาะอย่างยิ่งกับโมเดลที่ปรับปรุงขั้นตอนการทำงานของทีมผู้ดูแล ความสนใจต้องใช้เวลาในการสร้างทีมคลินิกที่ Texas Children’s แต่ตอนนี้เจ้าหน้าที่พร้อมที่จะขยายขนาดแล้ว เธอกล่าว
Texas Children’s สร้างแบบจำลอง AI สำหรับนักรังสีวิทยาเพื่อทำนายอายุกระดูก แบบจำลองนี้ได้รับการฝึกฝนเกี่ยวกับภาพเอ็กซ์เรย์มือเด็กหลายล้านภาพ
“เนื่องจากเรามีภาพเอ็กซ์เรย์มือนับล้านภาพ เราจึงฝึกแบบจำลองเพื่อบอกพวกเขาภายในไม่กี่วินาทีว่ามือของเด็กนั้นอายุเท่าใดจากมุมมองความหนาแน่นของกระดูก” Tonthat กล่าว
Tonthat ระบุด้วยการใช้แบบจำลองการทำนายอายุกระดูกด้วย AI โดย Texas Children’s สามารถปรับปรุงเวลาในการรักษาได้ถึง 50% ด้วยการบูรณาการ AI เข้ากับขั้นตอนการทำงานทางคลินิกของนักรังสีวิทยา แบบจำลอง AI เป็นความร่วมมือระหว่างแผนกรังสีวิทยาและข้อมูลของโรงพยาบาลกับคณะกรรมการกำกับและแนะแนว AI
CHOP ยังใช้ AI ในด้านรังสีวิทยาอีกด้วย
“ในการวิจัย ผู้ตรวจสอบที่ CHOP กำลังมองหา AI เพื่อปรับปรุงการวินิจฉัยทางรังสีวิทยา การตรวจจับข้อผิดพลาดในห้องปฏิบัติการ เร่งการวินิจฉัยจากสไลด์พยาธิวิทยา และอื่นๆ อีกมากมาย” เขากล่าว
หากแพทย์พบผู้ป่วยที่ควบคุมโรคหอบหืดได้ไม่ดี เครื่องมือ AI จะสามารถดึงประวัติโรคหอบหืดของผู้ป่วยได้โดยอัตโนมัติ สรุปการเข้ารับการตรวจที่เกี่ยวข้องกับโรคหอบหืดครั้งก่อน และแจ้งให้แพทย์ทราบหากผู้ป่วยมีความเสี่ยงสูงต่อไข้หวัดใหญ่ Desai กล่าว จากนั้นจะตรวจสอบว่าแผนประกันของผู้ป่วยครอบคลุมยาใดบ้าง และเริ่มเขียนคำสั่งไปยังผู้ควบคุมโรคหอบหืดได้ Desai กล่าว