Không, AI sẽ không làm gia tăng sự chênh lệch về sức khỏe nhưng nó có thể bảo vệ mối quan hệ giữa bác sĩ và bệnh nhân

Khoa Học/Công Nghệ

Những hạn chế của các ứng dụng học máy tiên tiến trong y học rất quan trọng để xem xét, nhưng chấp nhận sự cộng sinh giữa trí tuệ con người và trí tuệ nhân tạo mang đến một giải pháp có thể cải thiện sự chênh lệch về sức khỏe, giảm bất bình đẳng chi phí và giảm sự kiệt sức của bác sĩ.

Trí tuệ nhân tạo (AI) là một từ thông dụng không đặc hiệu nhanh chóng tiến gần đến đỉnh của chu kỳ cường điệu. Một bài báo ý kiến ​​gần đây trên tờ Thời báo New York đã làm dấy lên mối lo ngại rằng AI có thể làm trầm trọng thêm sự chênh lệch trong y học và chăm sóc sức khỏe.

Mặc dù hiểu được những hạn chế của bất kỳ công nghệ mới nào là một bước cần thiết quan trọng, cho thấy AI có thể làm xấu đi sự chênh lệch về sức khỏe là một khái niệm vô căn cứ, có khả năng gây nguy hiểm khi tuyên truyền ngược lại. Các ứng dụng AI mang đến triển vọng cải thiện thực hành lâm sàng của y học trong khi san bằng sân chơi bằng cách cho phép các bác sĩ dành nhiều thời gian hơn với bệnh nhân và tận dụng các giải pháp phù hợp cho các kế hoạch chăm sóc trực tiếp.

Sự phấn khích xung quanh AI trong y học không phải vì nó có thể thay thế các nhiệm vụ của bác sĩ, mà bởi vì nó có thể thay thế các nhiệm vụ phi lâm sàng bằng cách cung cấp hỗ trợ hành chính, tự động dự phòng trong hồ sơ y tế điện tử, chăm sóc phù hợp cho bệnh nhân có nhu cầu khác biệt và thậm chí đề xuất công bằng hơn mô hình thanh toán dành riêng cho bệnh nhân. Với các bác sĩ chỉ dành 27% thời gian đối mặt với bệnh nhân và hơn 50% trước màn hình, vẫn tồn tại phòng và mong muốn tự động hóa các nhiệm vụ phi lâm sàng dư thừa trong khi xử lý các nhiệm vụ lâm sàng cho đội ngũ y tế .

Một mối quan tâm thích hợp khi ngoại suy những hiểu biết y tế từ AI là chất lượng dữ liệu. Có, AI phụ thuộc vào dữ liệu hợp lệ, không thiên vị. Tuy nhiên, đây là một nguyên tắc đúng với mọi báo cáo y khoa dựa trên bằng chứng từng được công bố. AI thực hiện phân tích dữ liệu, nhưng chúng ta là con người cung cấp dữ liệu. AI không phải chịu đựng sự mệt mỏi, mất tập trung hoặc tâm trạng, cũng như không có xung đột lợi ích để làm sai lệch dữ liệu. Thay vào đó, chúng ta nên xem xét kỹ lưỡng cách thức thu thập và áp dụng dữ liệu.

Tương tự, bao gồm cả bệnh nhân từ tất cả các nhân khẩu học và nguồn gốc không phải là một vấn đề mới trong y học. Tuy nhiên, nếu chúng ta lỗi AI vì kém chính xác hơn với các nhóm thiểu số, thì chúng ta cũng phải đặt câu hỏi về độ chính xác của các hướng dẫn y tế được chấp nhận cho các nhóm thiểu số, vì cả hai đều dựa trên cùng một dữ liệu dựa trên bằng chứng.

Amazon cực kỳ vật lộn với chất lượng dữ liệu bằng cách sử dụng một công cụ tuyển dụng AI truyền bá xu hướng giới tính đối với người xin việc nữ vì dữ liệu đào tạo lịch sử cho thuật toán chủ yếu bao gồm nam giới. Một điểm yếu hời hợt có thể là AI AI rất tệ, nhưng câu chuyện thực sự là nhân viên của Amazon đã nghiên cứu kỹ thuật toán và sửa lỗi sai lệch vì các thuật toán non trẻ cần có sự giám sát của con người.

Không giống như sự biến đổi trong cuộc cách mạng công nghiệp với tự động hóa nhiệm vụ bằng máy móc của nhà máy, chúng tôi hy vọng sẽ thấy máy một lần nữa biến đổi một ngành y tế với chi phí hành chính và sự thiếu hiệu quả của nhiệm vụ phi lâm sàng. Mặc dù dây chuyền sản xuất ngày nay yêu cầu một quản đốc kiểm soát chất lượng để giám sát việc lắp ráp phù hợp không có nghĩa là máy móc của nhà máy nên bị nghi ngờ hoặc bị loại bỏ. Thay vào đó, chúng ta nên tìm kiếm những gì Eric Topol mô tả là thuốc hiệu suất cao [thông qua] sự hội tụ của trí tuệ nhân tạo và nhân tạo.

Ngoài vai trò tự động hóa các nhiệm vụ phi lâm sàng để cải thiện hiệu quả của bác sĩ và giảm sự kiệt sức của bác sĩ, các phương pháp điều trị y tế và giải pháp sức khỏe dân số có thể được nhắm mục tiêu và cá nhân hóa. Với tư cách là một xã hội, chúng ta đang tích lũy một khối lượng dữ liệu nhỏ cá nhân chưa từng có, từ các cảm biến trên điện thoại thông minh đến bộ gen mà chúng ta có thể tạo ra từ một giọt máu. Thông qua các dự án như DeepVariant của Google, chúng tôi gần gũi hơn bao giờ hết với thuốc được điều chỉnh. Cách chúng tôi áp dụng dữ liệu này dựa trên các ràng buộc về chi phí sẽ xác định xem chúng tôi có duy trì hoặc đảo ngược sự bất bình đẳng về sức khỏe hay không.

Có ba cân nhắc thực dụng cho thấy một tương lai lạc quan cho AI trong y học.

Đầu tiên, chúng tôi đã sử dụng công nghệ trong hơn một thập kỷ. Chúng tôi chỉ tiến lên mà không có dấu hiệu tiếp quản robot tận thế. Các phương thức hình ảnh đã được cải thiện với các thay đổi dựa trên máy học tạo ra các MRI dành riêng cho cơ quan, trong số các đột phá khác. Trong hơn một thập kỷ, chúng tôi đã chuyển từ phẫu thuật nội soi sang phẫu thuật hỗ trợ robot. Vào cuối năm 2018, bác sĩ Kaouk tại Bệnh viện Cleveland đã phá vỡ nền tảng mới bằng cách loại bỏ tuyến tiền liệt bị bệnh với sự hỗ trợ của một robot tiên tiến thông qua một vết mổ nhỏ. Bằng cách cải thiện độ chính xác của phẫu thuật và giảm chấn thương mô mềm và mất máu với robot áp dụng thuật toán AI trong các ca phẫu thuật như thế này, chúng tôi đang có những bước tiến lớn.

Thứ hai, y học được quản lý chặt chẽ và không nhanh chóng giới thiệu ngay các loại thuốc, sản phẩm hoặc công nghệ mới. Hơn nữa, mua từ mối quan hệ phức tạp giữa bệnh nhân, bác sĩ, công ty bảo hiểm và quản trị viên bệnh viện là cần thiết để thực sự thay đổi quy trình làm việc lâm sàng, bất kể ý tưởng có vẻ thanh lịch hay xuất sắc như thế nào. Hỏi bất kỳ nhà đổi mới nào đã tìm kiếm sự chấp thuận của FDA hoặc dữ liệu bệnh nhân cho một sản phẩm mới.

Thứ ba, lịch sử và thể chất sẽ luôn thống trị tối cao trong việc đưa ra các chẩn đoán và kế hoạch cho bệnh nhân. Nếu có một thứ mà máy cần, đó là dữ liệu. Không có bác sĩ có mặt như người gác cổng và người thu thập dữ liệu lâm sàng có giá trị nhất, không có máy móc để hướng dẫn thực hành lâm sàng.

Không ai ủng hộ việc áp dụng đơn phương đầu ra thuật toán. Trong thực hành y học ngày nay, các quyết định được đưa ra sau khi tính đến tất cả các dữ liệu có sẵn: lịch sử, khám thực thể, phòng thí nghiệm, hình ảnh và chuyên môn của các chuyên gia tư vấn. Mặc dù AI không được kiểm soát AI, là một khả năng về mặt lý thuyết, việc ra quyết định hiếm khi dựa vào một điểm dữ liệu duy nhất.

Do đó, mấu chốt của vấn đề tập trung vào cách thức và nơi chúng ta sử dụng AI trong quy trình làm việc lâm sàng và hệ sinh thái chăm sóc sức khỏe lớn hơn. Trên lâm sàng, bác sĩ phải luôn có mặt để thu thập dữ liệu quan trọng từ lịch sử và vật lý. Nhưng để áp dụng và sử dụng có ý nghĩa tất cả các loại thuốc dựa trên bằng chứng có sẵn để cung cấp tốt nhất cho bệnh nhân của chúng tôi, chúng tôi phải khiêm tốn và sẵn sàng chấp nhận sự giúp đỡ. Nếu chúng ta nhớ những gì IBM Watson đã làm trong năm 2015 bằng cách xác định bệnh bạch cầu hiếm gặp bằng cách sử dụng bộ gen của một bệnh nhân Nhật Bản trong vòng vài phút sau khi tham khảo chéo tài liệu của hơn 20 triệu báo cáo về ung thư, tại sao chúng ta không muốn chấp nhận hỗ trợ này? Khi y học và dữ liệu dựa trên bằng chứng tiếp tục dự trữ và vượt xa khả năng kiến ​​thức dự kiến ​​của một bác sĩ, chúng tôi phải sẵn sàng chấp nhận hỗ trợ lâm sàng và quản lý dựa trên AI. Hơn nữa, chào đón các kỹ thuật này để tự động hóa các khoản dự phòng trong tài liệu và điều hướng hồ sơ y tế điện tử sẽ là chìa khóa trong việc giảm kiệt sức và bảo vệ mối quan hệ giữa bác sĩ và bệnh nhân. Cuối cùng, nhận ra cơ hội để cung cấp một cách tiếp cận cụ thể cho bệnh nhân với tất cả các dữ liệu có sẵn có nhiều khả năng dẫn đến giảm thiểu, không làm trầm trọng thêm, chênh lệch.

Mới nhất

Có thể bạn quan tâm