ต่อไปนี้เป็นบทความแขกของ Daniel Vreeman, DPT, หัวหน้าเจ้าหน้าที่พัฒนามาตรฐานและหัวหน้าเจ้าหน้าที่ AI ที่ HL7 International
ก้าวของนวัตกรรม AI ในระบบการดูแลสุขภาพกำลังเคลื่อนไหวเร็วกว่าการพัฒนากฎระเบียบการกำกับดูแลโครงสร้างพื้นฐานและความไว้วางใจโดยเฉพาะอย่างยิ่งในการดูแลสุขภาพ เมื่อระบบสุขภาพทำงานเพื่อรวม AI กำเนิดและแบบจำลองที่คาดการณ์ได้เข้ากับเวิร์กโฟลว์ทางคลินิกกรอบพื้นฐานของคุณภาพข้อมูลและความปลอดภัยยังคงติดตามได้ หลุมนี้ไม่เพียง แต่สร้างการยอมรับที่ไม่สอดคล้องกันทั่วทั้งองค์กร แต่ยังเพิ่มความเสี่ยงต่อการบาดเจ็บจากอุบัติเหตุทั้งผู้ป่วยและแพทย์
เมื่อปีที่แล้วเพียงอย่างเดียวเราเห็นระบบสุขภาพที่ทดลองกับทุกสิ่งตั้งแต่แบบจำลองภาษาขนาดใหญ่ในเอกสารประกอบไปจนถึง triage ที่ขับเคลื่อนด้วยอัลกอริทึมในการดูแลเสมือนจริง แต่หากไม่มีความคาดหวังร่วมกันว่าเครื่องมือเหล่านี้ได้รับการพัฒนาตรวจสอบและตรวจสอบอย่างไรเรากำลังมุ่งหน้าไปสู่อนาคตที่กระจัดกระจายซึ่งความไว้วางใจในระบบสุขภาพดิจิทัลกัดเซาะแม้ว่าการเข้าถึงของพวกเขาจะขยายออกไป
มาตรฐานไม่ได้เป็น ‘Back Office’ อีกต่อไปพวกเขาเป็นโครงสร้างพื้นฐานสาธารณะ
ความต้องการด้านสุขภาพในขณะนี้เทียบเท่ากับรูปแบบการจัดหาสาธารณะสำหรับโครงสร้างพื้นฐานดิจิตอล: ไม่ได้ควบคุมรัฐบาล แต่ควบคุมโดยรวมโดยผลประโยชน์สาธารณะ มาตรฐานมักจะถือว่าเป็นเทคโนโลยีแบ็คออฟฟิศที่สำคัญ แต่มองไม่เห็น ความจริงก็คือพวกเขาเป็นกระดูกสันหลังของ AI ที่เชื่อถือได้: การอธิบายความปลอดภัยความปลอดภัยการพกพาและความโปร่งใส
เช่นเดียวกับถนนและน้ำสะอาดเป็นพื้นฐานของสุขภาพร่างกายระบบข้อมูลที่ทำงานร่วมกันและกฎที่ใช้ร่วมกันสำหรับพฤติกรรม AI นั้นเป็นพื้นฐานของสุขภาพดิจิทัล หากไม่มีพวกเขาแต่ละรุ่นจะเป็นกล่องดำของตัวเองการรวมกันแต่ละครั้งคือการเข้ารหัสที่กำหนดเองและแต่ละวิธีในการเฝ้าระวังโมเดล AI เป็นไซโล ความคืบหน้าช้าลงแนะนำความเสี่ยงและทำให้เครื่องมือขยายขนาดที่ตรงข้ามกับระบบสุขภาพขนาดใหญ่และเล็ก
บทเรียนจาก Tefca และสิ่งที่ AI สามารถเรียนรู้ได้จากมัน
กรอบการแลกเปลี่ยนที่เชื่อถือได้และข้อตกลงร่วม (TEFCA) ได้แสดงให้เห็นแล้วว่าเป็นไปได้ที่จะปรับนโยบายของรัฐบาลกลางมาตรฐานทางเทคนิคและการมีส่วนร่วมในภาคเอกชนกับวิสัยทัศน์ที่ใช้ร่วมกัน: เพื่อรับการแลกเปลี่ยนข้อมูลทางคลินิกสำหรับทุกคนไม่ใช่แค่ทรัพยากรมากที่สุด รูปแบบ TEFCA ไม่สมบูรณ์แบบ แต่มีการศึกษาที่สำคัญสำหรับ AI ในการดูแลสุขภาพ
เพื่อให้ประสบความสำเร็จเราจำเป็นต้องเปิดกรอบการทำงานตามฉันทามติที่ช่วยให้เกิดความโปร่งใสตลอดวงจรชีวิต AI ทั้งหมด: จากข้อมูลการฝึกอบรมไปจนถึงการดำเนินการเพื่อการประเมินและการติดตาม เราต้องการวิธีการมาตรฐานตามมาตรฐานเพื่อกำหนดวิธีการเลือก horts ข้อมูลวิธีการที่อัลกอริทึมถูกกำหนดเวอร์ชันและติดตามวิธีการส่งออกโมเดลจะมีการระบุว่าการตีความทางคลินิกและวิธีที่เราตรวจสอบประสิทธิภาพของแบบจำลองอย่างต่อเนื่องสำหรับการทำงานผลที่ไม่ได้ตั้งใจและอคติ หลักการเหล่านี้ไม่ได้เป็นทฤษฎี พวกเขาทำงานและอยู่ในระบบสุขภาพและ API ที่ดำเนินงานด้านการดูแลสุขภาพในปัจจุบัน
การทำงานร่วมกันที่แท้จริงต้องใช้มากกว่าการเชื่อมต่อ
การทำงานร่วมกันสำหรับ AI ไม่ได้เกี่ยวกับการเข้าถึงเท่านั้น แต่ยังเกี่ยวกับสถาปัตยกรรม ข้อมูลที่เผาวงจรชีวิต AI จะต้องสอดคล้องเข้าใจได้และออกแบบมาเพื่อการบริโภคเครื่องจักรที่ปลอดภัย
ใช้แบบจำลองการทำนายทางคลินิกในหลายสถาบันที่มีการเชื่อมต่อข้อมูลที่แตกต่างกันเล็กน้อยและคุณสามารถคาดหวังสิ่งที่ไม่คาดคิด เอาท์พุทคดเคี้ยว บุคคลที่ไม่รู้จักเกิดขึ้น ประสิทธิภาพสามารถคาดเดาได้น้อยลง หากไม่มีการนำเสนอข้อมูลที่สอดคล้องกันความสามารถในการอธิบายจะพังทลายลง
ดังนั้นมาตรฐานทางเทคนิคสำหรับข้อมูลเมตาการทำความเข้าใจข้อมูลและบริบทแบบจำลองจะต้องเป็นส่วนหนึ่งของการสนทนาเกี่ยวกับโครงสร้างพื้นฐาน AI ของเราไม่เพียง แต่สำหรับการพัฒนาแบบจำลองหรือการอนุมัติตามกฎระเบียบ
ความยุติธรรมขึ้นอยู่กับการใช้งานไม่เพียง แต่นวัตกรรม
หนึ่งในความเสี่ยงที่ใหญ่ที่สุดใน AI คือศักยภาพในการขยายความแตกต่างที่มีอยู่ในการดูแลสุขภาพ ระบบสุขภาพขนาดใหญ่และศูนย์การศึกษาสามารถมีความเชี่ยวชาญและทรัพยากรในการใช้งานและตรวจสอบ AI ได้อย่างปลอดภัย แต่โรงพยาบาลในคลินิกในชนบทและสังคมมักจะไม่ทำ หากไม่มีความพยายามอย่างมีสติในการทำให้โครงสร้างพื้นฐาน AI พร้อมใช้งานและสามารถนำไปใช้งานได้ในการตั้งค่าเรามีความเสี่ยงที่จะทำซ้ำช่องทางดิจิตอลแบบเดียวกันที่มาพร้อมกับความละเอียดของ EHR
AI ที่เท่าเทียมกันไม่เพียง แต่เกี่ยวกับข้อมูลที่เข้ามา แต่เป็นเรื่องเกี่ยวกับผู้ที่ต้องการเครื่องมือเหล่านี้ภายใต้เงื่อนไขใดและด้วยมาตรการป้องกันในสถานที่ มาตรฐานมีบทบาทสำคัญในความพยายามนี้ – เพื่อวางแผนการติดตามเกมเพื่อให้ความปลอดภัยความโปร่งใสและความน่าเชื่อถือไม่ได้ขึ้นอยู่กับรหัสไปรษณีย์หรืองบประมาณขององค์กร
การเรียกร้องให้มีการดำเนินการโดยรวม
ภาครัฐและเอกชนทั้งคู่มีบทบาทสำคัญในการเล่น รัฐบาลสามารถสร้างสิ่งจูงใจสร้างราวและปรับนโยบาย อย่างไรก็ตามความสำเร็จต้องมีความรับผิดชอบร่วมกัน: นักพัฒนาผู้ให้บริการผู้จ่ายเงินและซัพพลายเออร์ที่สร้างวิสัยทัศน์ที่ใช้ร่วมกันเพื่อความยั่งยืนและปลอดภัย AI
ข่าวดีก็คือมีการสร้างบล็อกจำนวนมากอยู่แล้ว สิ่งที่จำเป็นในตอนนี้คือภาระผูกพันในการปรับตัวใช้งานพวกเขาอย่างสม่ำเสมอและปรับขนาดให้เป็นธรรม การประชุมที่เป็นกลางที่เชื่อถือได้สามารถเปลี่ยนฉันทามติให้เป็นมาตรฐานทางเทคนิคแบบเปิดได้ การเชื่อมช่องว่างจากหลักการระดับสูงไปยังเครื่องมือที่ทำงานร่วมกันได้ทำให้ AI ในระบบการดูแลสุขภาพมีความน่าเชื่อถือและเชื่อถือได้มากขึ้น
เกี่ยวกับ Daniel Vreeman
Daniel Vreeman, DPT เป็นหัวหน้าเจ้าหน้าที่พัฒนามาตรฐานและหัวหน้าเจ้าหน้าที่ AI ของ HL7 International ซึ่งเป็นหน่วยงานระดับโลกของการทำงานร่วมกันในด้านเทคโนโลยีสารสนเทศด้านสุขภาพ