AI varētu padarīt veselības aprūpi godīgāku, palīdzot mums noticēt pacientu teiktajam

Tehnikas kundze

Pēdējos gados pētījumi ir parādījuši, ka dziļa mācīšanās var atbilst ekspertu līmeņa veiktspējai tādos medicīniskās attēlveidošanas uzdevumos kā agrīna vēža atklāšana un acu slimību diagnostika . Bet ir arī iemesls piesardzībai. Citi pētījumi ir parādījuši, ka dziļai apguvei ir tendence iemūžināt diskrimināciju . Tā kā veselības aprūpes sistēma jau ir pārņemta ar atšķirībām, pavirša padziļinātas mācīšanās piemērošana var pasliktināt situāciju.

Tagad jaunu papīru publicēts Nature Medicine ierosina veidu, kā izstrādāt medicīniskus algoritmus, kas varētu palīdzēt mainīt, nevis saasināt esošo nevienlīdzību. Galvenais, saka Ziads Obermeijers, UC Berkeley asociētais profesors, kurš pārraudzīja pētījumu, ir pārtraukt apmācību algoritmus, lai tie atbilstu cilvēku ekspertu veiktspējai.

Rakstā aplūkots konkrēts klīnisks piemērs atšķirībām, kas pastāv ceļgala osteoartrīta – kaites, kas izraisa hroniskas sāpes – ārstēšanā. Šo sāpju smaguma novērtējums palīdz ārstiem izrakstīt pareizo ārstēšanu, tostarp fizikālo terapiju, medikamentus vai operāciju. Tradicionāli to veic radiologs, pārbaudot ceļa rentgena attēlu un novērtējot pacienta sāpes pēc Kellgrena–Lorensa pakāpes (KLG), kas aprēķina sāpju līmeni, pamatojoties uz dažādām radiogrāfiskām pazīmēm, piemēram, trūkstošā skrimšļa pakāpi vai struktūras bojājumi.

Taču Nacionālā veselības institūta apkopotie dati atklāja, ka ārsti, kuri izmanto šo metodi, sistemātiski novērtē melnādaino pacientu sāpes, kas ir daudz mazāk izteiktas nekā tās, ko viņi saka. Pacienti paši ziņo par savu sāpju līmeni, izmantojot aptauju, kurā tiek jautāts, cik ļoti sāp, veicot dažādas darbības, piemēram, pilnībā iztaisnojot ceļu. Taču šie pašizteiktie sāpju līmeņi tiek ignorēti par labu radiologa KLG rādītājam, izrakstot ārstēšanu. Citiem vārdiem sakot, melnādainie pacienti, kuriem trūkst tikpat daudz skrimšļa kā baltie pacienti, paši ziņo par lielāku sāpju līmeni.

Tas pastāvīgi ir satraucis medicīnas ekspertus. Viena no hipotēzēm ir tāda, ka melnādainie pacienti varētu ziņot par lielāku sāpju līmeni, lai panāktu, ka ārsti viņus ārstētu nopietnāk. Bet ir alternatīvs skaidrojums. Pati KLG metodoloģija varētu būt neobjektīva. Tas tika izstrādāts pirms vairākiem gadu desmitiem ar balto britu populācijām. Daži medicīnas eksperti apgalvo, ka radiogrāfisko marķieru saraksts, ko tas liek ārstiem meklēt, var neietvert visus iespējamos fiziskos sāpju avotus daudzveidīgākā populācijā. Citiem vārdiem sakot, var būt radiogrāfiski sāpju indikatori, kas biežāk parādās melnādainiem cilvēkiem, kuri vienkārši neietilpst KLG rubrikā.

Saistīts stāsts

Ārsti izmanto AI, lai izšķirtu Covid-19 pacientus. Iespējams, ka ir nepieciešami rīki, lai paliktu. Saskaroties ar darbinieku trūkumu un milzīgo pacientu slodzi, arvien vairāk slimnīcu pievēršas automatizētiem rīkiem, lai palīdzētu pārvaldīt pandēmiju.

Lai pārbaudītu šo iespēju, pētnieki apmācīja padziļinātas mācīšanās modeli, lai prognozētu pacientu pašnovērtēto sāpju līmeni no ceļa rentgena. Ja iegūtajam modelim būtu šausmīga precizitāte, tas liktu domāt, ka paša ziņotās sāpes ir diezgan patvaļīgas. Bet, ja modelim būtu patiešām laba precizitāte, tas sniegtu pierādījumus tam, ka paša ziņotās sāpes faktiski ir saistītas ar rentgena marķieriem rentgenā.

Pēc vairāku eksperimentu veikšanas, tostarp daži, kas paredzēti, lai novērstu jebkādus mulsinošus faktorus, pētnieki atklāja, ka modelis bija daudz precīzāks nekā KLG, lai prognozētu sāpju līmeni gan baltajiem, gan melnādainiem pacientiem, bet īpaši melnādainiem pacientiem. Tas samazināja rasu atšķirības katrā sāpju līmenī gandrīz uz pusi.

Mērķis ne vienmēr ir sākt lietot šo algoritmu klīniskā vidē. Taču, pārspējot KLG metodoloģiju, tika atklāts, ka standarta sāpju mērīšanas veids ir kļūdains, un melnādainajiem tas maksā daudz vairāk. Tam vajadzētu palīdzēt medicīnas aprindām izpētīt, kurus radiogrāfiskos marķierus algoritms varētu redzēt, un atjaunināt savu vērtēšanas metodiku.

Tas patiesībā izceļ patiešām aizraujošu daļu no tā, kur šāda veida algoritmi var iekļauties medicīnas atklājumu procesā, saka Obermeiers. Tas mums norāda, vai šeit ir kaut kas, ko ir vērts aplūkot un ko mēs nesaprotam. Tas nosaka priekšnoteikumus cilvēkiem, lai pēc tam iejauktos un, izmantojot šos algoritmus kā rīkus, mēģinātu noskaidrot, kas notiek.

Šī raksta foršais aspekts ir tas, ka tas domā par lietām no pilnīgi cita perspektīvas, saka Irēna Čena, MIT pētniece, kura pēta, kā samazināt veselības aprūpes nevienlīdzību mašīnmācībā un nebija iesaistīta rakstā. Viņa saka, ka tā vietā, lai apmācītu algoritmu, pamatojoties uz vispāratzītām ekspertu zināšanām, pētnieki izvēlējās pacientu pašvērtējumu uzskatīt par patiesību. Pateicoties tam, tas atklāja svarīgas nepilnības tajā, ko medicīnas nozare parasti uzskata par objektīvāko sāpju mērauklu.

Tieši tas bija noslēpums, piekrīt Obermeijers. Viņš saka, ka, ja algoritmi tiek apmācīti tikai tā, lai tie atbilstu ekspertu veiktspējai, tie vienkārši saglabās esošās nepilnības un nevienlīdzību. Šis pētījums ir ieskats vispārīgākā cauruļvadā, ko mēs arvien vairāk varam izmantot medicīnā jaunu zināšanu radīšanai.

paslēpties