Ville du stole på AI med dit helbred?

Ville du stole på AI med dit helbred?

Det følgende er et uddrag af Dyb medicin: Hvordan kunstig intelligens kan gøre sundhedsvæsenet menneskeligt igen af Eric Topol

Bedre forudsigelse af en vigtig diagnose i realtid er en anden retning af AI-indsatsen, som vi har set, og dette spørgsmål er af enorm betydning på hospitaler, da en af ​​de store udfordringer, som hospitaler står over for, er at behandle infektioner, som patienter får, mens de er indlagt. Sepsis, en dødelig infektion, der er almindelig på hospitaler, er ansvarlig for 10 procent af indlæggelser på intensivafdelinger i USA. At behandle det koster mere end 10 milliarder dollars om året, og behandlingen mislykkes ofte: sepsis tegner sig for 20 til 30 procent af alle dødsfald blandt hospitalsindlagte patienter i USA.



Køb bogen

Dyb medicin: Hvordan kunstig intelligens kan gøre sundhedsvæsenet menneskeligt igen

Købe

Rettidig diagnose er afgørende, da patienter kan forværres meget hurtigt, ofte før passende antibiotika kan vælges, endsige administreres og træder i kraft. En retrospektiv undersøgelse af Suchi Saria ved Johns Hopkins Medicine brugte data fra 53.000 hospitalsindlagte patienter med dokumenteret sepsis, sammen med deres vitale tegn, elektroniske lægejournaler, laboratorier og demografi, for at se, om tilstanden kunne opdages hurtigere, end den havde været. Desværre var nøjagtigheden af ​​algoritmen (ROC ~.70) ikke særlig opmuntrende.En anden dødelig hospitalserhvervet infektion, Clostridium difficile eller C. diff , er også et mål for AI. Dataene til dato ser en smule mere positive ud. C. diff dræber omkring 30.000 mennesker hvert år i USA, ud af mere end 450.000 diagnosticerede patienter.Erica Shenoy og Jenna Wiens udviklede en algoritme til at forudsige risikoen fra 374.000 indlagte patienter på to store hospitaler ved hjælp af mere end 4.000 strukturerede EPJ-variabler for hver. Deres ROC'er var 0,82 og 0,75 for de to hospitaler, med mange funktioner, der var specifikke for hver institution.Med automatiske advarsler til klinikere med høje niveauer C. diff risiko, er det håbet, at forekomsten af ​​denne livstruende infektion kan reduceres i fremtiden.

Forebyggelse af nosokomiale infektioner, som en ud af hver femogtyve patienter vil få fra en omsorgsperson eller miljøet, er også envigtig udfordring for sygehusene. For eksempel ved vi, at manglende eller suboptimal håndvask er en væsentlig determinant for hospitalserhvervede infektioner. I et papir med titlen 'Towards Vision-Based Smart Hospitals' brugte Albert Haque og kolleger ved Stanford University dyb læring og maskinsyn til diskret at spore håndhygiejnen hos klinikere og kirurger på Stanford University hospital med videooptagelser og dybdesensorer. Teknologien var i stand til at kvantificere, hvor rene deres hænder var med nøjagtighedsniveauer på over 95 procent. Sådanne sensorer, som bruger infrarødt lys til at udvikle silhuetbilleder baseret på afstanden mellem sensorerne og deres mål, kan i fremtiden installeres på hospitalsgange, operationsstuer og ved patientens sengekanter for at udnytte computersynets årvågenhed.

Maskinsyn har faktisk et særligt løfte om dybe læringsmønstre i hospitalernes dynamiske, visuelle verden. Intensivafdelingen er et andet primært mål for maskinsynsstøtte. Forstærkende læring er blevet brugt som et datadrevet middel til at automatisere fravænning af patienter fra mekanisk ventilation, hvilket tidligere har været en besværlig og uregelmæssig klinisk styret proces.

Overvågningsvideoer af patienter kan hjælpe med at afgøre, om der er risiko for, at en patient trækker deres endotracheale (åndedræts-) slange og andre parametre ud, der ikke fanges af vitale tegn, hvilket reducerer sygeplejerskens byrde for detektion. ICU Intervene DNN, fra MIT's CSAIL, hjælper læger med at forudsige, hvornår en patient får brug for mekanisk ventilation eller vasopressorer og væskebolus for at understøtte blodtrykket sammen med andre indgreb.En anden CSAIL-algoritme hjælper med at bestemme det optimale tidspunkt for overførsel fra intensivafdelingen med det formål at reducere hospitalsophold og forhindre dødelighed.Andre indsatser centreret om intensivafdelingen reducerer byrden på sygeplejersken ved automatiseret overvågning med kameraer eller algoritmisk behandling af vitale tegn.

Vi er stadig i de tidlige dage af maskinsyn med omgivende sensorer, men der er løfte om, at denne form for AI kan være nyttig til at forbedre patientsikkerheden og effektiviteten. Endnu en almindelig sygehusopgave, som maKinesisk syn vil sandsynligvis have en rolle i ændringen af ​​at placere et centralt venekateter, almindeligvis kendt som en central linje, i en patient. Fordi disse linier er så invasive, medfører de en betydelig risiko for infektion og komplikationer såsom en kollapset lunge eller skade på en større arterie. Ved at overvåge korrekt teknik med hensyn til både sterile forhold og linjeplacering kan sikkerheden forbedres. Operationsrum kan ændre sig, da maskinsynssystemer kontinuerligt sporer personale og instrumenter sammen med arbejdsgangen. Forebyggelse af fald på hospitalet ved at gribe ind i risikable patientbevægelser eller ustabilitet søges også med AI-syn.

En lignende historie for automatiske advarsler om hurtig diagnose og behandling er nu i gang for slagtilfælde. FDA har godkendt algoritmer, udviklet af Viz.ai, der analyserer CT-hjernebilleder for tegn på slagtilfælde, hvilket gør det muligt for neurologer og sundhedsteams hurtigt at lære, om og hvilken type slagtilfælde, der er opstået hos en patient, der skal scannes. Behandlinger til at reducere antallet af hjerneskade, herunder opløsning eller fjernelse af blodpropper (trombektomi), er blevet valideret, så dette AI-værktøj hjælper med at fremskynde tiden til behandling for visse slagtilfælde, der er egnede til intervention. Det er et kritisk mål: vi taber ca2 millioner hjerneceller for hvert minut en blodprop blokerer blodforsyningen. Endnu tidligere i diagnosticeringen af ​​slagtilfælde kan paramedicinere anvende Lucid Robotic System, FDA godkendt i 2018, som er en enhed sat på patientens hoved, der transmitterer ultralydsbølger (via øret) til hjernen, og ved AI-mønstergenkendelse hjælper det diagnosticere slagtilfælde for at advare det modtagende hospital om potentiel koagelfjernelse.

En anden stor ændring, der vil komme til den medicinske arbejdsgang, både inden for og uden for hospitaler, er, hvordan AI vil give ikkelæger mulighed for at påtage sig mere arbejde. Der er omkring 700.000 praktiserende læger i USA suppleret med omkring 100.000 lægeassistenter og 240.000 sygeplejersker - næsten 50 procent af lægens arbejdsstyrke. Med så mange AI-algoritmer, der udvikles til at støtte klinikere, er det naturligt at antage, at der vil være mere lige vilkår i fremtiden for disse tre forskellige grupper, og at PA'er og NP'er vil påtage sig en større rolle i de kommende år.Den kritiske vurdering af udrulning af kunstig intelligens i sundhedssystemer fortjener omtale; det vil kræve brugerforskning, veldesignede systemer og gennemtænkt levering af beslutninger baseret på modeller, der inkluderer risiko og fordele. Dette er i modsætning til udrulningen af ​​EPJ'er til klinisk medicin, hvor mange af disse vitale trin ikke var indarbejdet og havde en alvorlig negativ indvirkning på den daglige pleje af patienter.

Gør hospitalsrum forældede

Vi bliver endnu dristigere med den planlagte 'udryddelse' af hospitalet, i hvert fald som vi kender det i dag.Selvom vi helt klart har brug for intensivafdelinger, operationsstuer og skadestuer, er den almindelige hospitalsstue, som udgør hovedparten af ​​hospitalerne i dag, meget sårbar over for udskiftning. Mercy Hospitals Virtual Care Center i St. Louis giver et glimt af fremtiden.Der er sygeplejersker og læger; de taler med patienter, ser på monitorer med grafer over alle data fra hver patient og reagerer på alarmer. Men der er ingen senge. Dette er det første virtuelle hospital i USA, åbnet i 2015 til en pris på 300 millioner dollars at bygge. Patienterne kan være på intensivafdelinger elleri deres eget soveværelse, under enkel, omhyggelig observation eller intens granskning, men de overvåges alle på afstand. Selvom en patient ikke har nogen symptomer, kan AI-overvågningsalgoritmerne opfange en advarsel og advare klinikeren. Deres brug af højteknologiske algoritmer til fjernopdagelse af mulig sepsis eller hjertedekompensation, i realtid, før sådanne tilstande diagnosticeres, er tillokkende. Selvom det kan lyde koldt at blive observeret på afstand, har det i praksis ikke været det; et koncept om at skabe 'berøringsløs varme' har bidt sig fast. Sygeplejersker på Virtual Care Center har regelmæssige, individualiserede interaktioner med mange patienter over længere perioder, og patienterne siger om sygeplejerskerne, at de føler, at de 'har halvtreds bedsteforældre nu.'

Bortset fra ældre patienter med en akut sygdom, er der en koncentreret indsats for at bruge AI til at understøtte seniorers evne til at bo og trives i deres hjem i stedet for at skulle flytte ind i plejehjem eller endda have behov for at få plejepersonale til at komme på hyppige besøg. Der er en ekstraordinær række af nystartede virksomheder, der udvikler sensorer og algoritmer, der overvåger gang, puls, temperatur, humør, kognition, fysisk aktivitet og mere. Desuden kan AI-værktøjer til at forbedre syn og hørelse endda øge seniorers sensoriske opfattelse, hvilket ville fremme deres sikkerhed og forbedre deres livskvalitet. For eksempel, med Aipoly-appen, kan en senior med betydelig synsnedsættelse blot pege på et objekt med en smartphone, og AI vil hurtigt sparke ind med en stemmesvar-identifikation. Det gør det samme til at beskrive farver. Sensorer, der kan registrere, om nogen er faldet, kan indlejres i gulvet. Og robotassistenter i form af kæledyr samt specialdesignede Alexa-lignende stemmeassistenter som ElliQ (af Startup Robotics) er eksempler på hardware AI til at fremme selvstændigt liv.

Fjernovervågning har potentiale til meget bred anvendelse i fremtiden. Da hver nat på hospitalet påløber et gennemsnitligt gebyr på .700, er den økonomiske begrundelse for at give patienterne udstyr og dataplaner ikke svær at retfærdiggøre. Læg dertil komforten i ens hjem uden risiko for at pådrage sig en nosokomiel infektion eller opleve en søvnløs nat med konstante alarmer, der bipper. Alligevel,St. Louis-centret er stort set enestående lige nu, og der er lidt bevægelse for at gøre dette til den foretrukne vej for patienter, der ikke har behov for en intensivseng. Flere problemer holder os tilbage. Nogle er teknologiske og regulatoriske. Selvom systemer til automatisk at overvåge alle vitale tegn, såsom Visi-enheden fra Sotera Wireless, er godkendt og i øjeblikket bruges af mange sundhedssystemer, er der endnu ingen FDA-godkendt enhed til hjemmebrug. Indtil vi har godkendt FDA-enheder til hjemmebrug, som er automatiske, nøjagtige, billige og integreres med fjernovervågningsfaciliteter, har vi en forhindring. Måske vigtigere på kort sigt er manglen på refusionsmodeller for sådan overvågning og de langvarige forsinkelser, der opstår med at få nye koder opsat og godkendt af Medicare og private forsikringsselskaber.


Uddrag fra Dyb medicin: Hvordan kunstig intelligens kan gøre sundhedsvæsenet menneskeligt igen . Copyright © 2019 af Eric Topol. Tilgængelig fra Basic Books, et aftryk af Perseus Books, Hachette Book Group, Inc.