Mākslīgā intelekta eksperti apspriež, kā integrēt stabilu mākslīgo intelektu veselības aprūpē, kāpēc starpdisciplināra sadarbība ir kritiski svarīga, un ģeneratīvā mākslīgā intelekta potenciālu pētniecībā.
Feifei Li un Loids Minors 14. maijā Stenfordas Universitātes Medicīnas skolā atklāja pirmo RAISE veselības simpoziju. Stīvs Fišs
Lielākā daļa cilvēku, kurus ir pārņēmis mākslīgais intelekts, ir piedzīvojuši sava veida "aha" momentu, atverot savu prātu iespēju pasaulei. Pirmajā RAISE veselības simpozijā 14. maijā savā viedoklī dalījās Stenfordas Universitātes Medicīnas skolas dekāns un Stenfordas Universitātes medicīnas lietu viceprezidents Loids Minors.
Kad kādam ziņkārīgam pusaudzim lūdza apkopot savus atklājumus par iekšējo ausi, viņš pievērsās ģeneratīvajam mākslīgajam intelektam. “Es jautāju: “Kas ir augšējā auss kanāla dehiscences sindroms?” Minors to pastāstīja gandrīz 4000 simpozija dalībniekiem. Dažu sekunžu laikā parādījās vairākas rindkopas.
“Tie ir labi, tiešām labi,” viņš teica. “Tas, ka šī informācija tika apkopota kodolīgā, kopumā precīzā un skaidri prioritārā slimības aprakstā. Tas ir diezgan ievērojami.”
Daudzi dalījās Minora sajūsmā par pusdienas pasākumu, kas bija RAISE Health iniciatīvas rezultāts — Stenfordas Universitātes Medicīnas skolas un Stenfordas Cilvēkcentrētā mākslīgā intelekta institūta (HAI) uzsākts projekts, kura mērķis ir vadīt atbildīgu mākslīgā intelekta izmantošanu biomedicīnas pētniecībā, izglītībā un pacientu aprūpē. Referenti pētīja, ko nozīmē ieviest mākslīgo intelektu medicīnā tā, lai tas būtu ne tikai noderīgs ārstiem un zinātniekiem, bet arī pārredzams, taisnīgs un vienlīdzīgs pacientiem.
“Mēs uzskatām, ka šī ir tehnoloģija, kas uzlabo cilvēka spējas,” sacīja Fei-Fei Li, Stenfordas Inženierzinātņu skolas datorzinātņu profesore, RAISE Health with Minor projekta direktore un HAI līdzdirektore. Paaudzi pēc paaudzes var parādīties jaunas tehnoloģijas: sākot ar jaunām antibiotiku molekulārajām sekvencēm un beidzot ar bioloģiskās daudzveidības kartēšanu un fundamentālās bioloģijas slēpto daļu atklāšanu, mākslīgais intelekts paātrina zinātniskos atklājumus. Taču ne viss no tā ir labvēlīgs. “Visiem šiem pielietojumiem var būt neparedzētas sekas, un mums ir nepieciešami datorzinātnieki, kas atbildīgi izstrādā un ievieš [mākslīgo intelektu], sadarbojoties ar dažādām ieinteresētajām personām, sākot no ārstiem un ētikas speciālistiem… līdz drošības ekspertiem un citiem,” viņa saka. “Tādas iniciatīvas kā RAISE Health apliecina mūsu apņemšanos to panākt.”
Triju Stenfordas Medicīnas nodaļu — Medicīnas skolas, Stenfordas Veselības aprūpes un Stenfordas Universitātes Bērnu veselības medicīnas skolas — apvienošana un tās saikne ar citām Stenfordas Universitātes daļām ir nostādījusi to situācijā, kurā eksperti cīnās ar mākslīgā intelekta attīstības vadības un integrācijas jautājumiem veselības aprūpes un medicīnas jomā. Medicīna, skanēja dziesma.
“Mēs esam labā pozīcijā, lai kļūtu par pionieriem mākslīgā intelekta attīstībā un atbildīgā ieviešanā, sākot no fundamentāliem bioloģiskiem atklājumiem līdz zāļu izstrādes uzlabošanai un klīnisko pētījumu procesu efektivitātes uzlabošanai, līdz pat veselības aprūpes pakalpojumu faktiskai sniegšanai. Veselības aprūpe. Veselības aprūpes sistēmas izveides veids,” viņš teica.
Vairāki runātāji uzsvēra vienkāršu koncepciju: koncentrēties uz lietotāju (šajā gadījumā pacientu vai ārstu), un viss pārējais sekos. “Tas pacientu izvirza visa mūsu darba centrā,” sacīja Dr. Liza Lēmane, Brigamas un sieviešu slimnīcas bioētikas direktore. “Mums jāņem vērā viņu vajadzības un prioritātes.”
No kreisās uz labo: STAT ziņu diktore Mohana Ravindranata; Džesika Pītere Lī no Microsoft Research; Silvija Plevrita, biomedicīnas datu zinātnes profesore, apspriež mākslīgā intelekta lomu medicīnas pētniecībā. Stīvs Fišs
Paneļdiskusijā piedalījās arī Lēmans, Stenfordas Universitātes medicīnas bioētiķe Mildreda Čo un Google galvenais klīniskais darbinieks Maikls Hauels, kuri norādīja uz slimnīcu sistēmu sarežģītību, uzsverot nepieciešamību pirms jebkādas iejaukšanās izprast to mērķi. Ieviest to un nodrošināt, ka visas izstrādātās sistēmas ir iekļaujošas un uzklausa cilvēkus, kuru atbalstam tās ir paredzētas.
Viens no galvenajiem faktoriem ir caurspīdīgums: tas skaidri parāda, no kurienes nāk dati, ko izmanto algoritma apmācībai, kāds ir algoritma sākotnējais mērķis un vai turpmākie pacientu dati turpinās palīdzēt algoritmam mācīties, kā arī citus faktorus.
“Mēģināt paredzēt ētiskas problēmas, pirms tās kļūst nopietnas, [nozīmē] atrast ideālo zeltu, kurā jūs zināt pietiekami daudz par tehnoloģiju, lai tai uzticētos, bet ne pirms [problēma] izplatās tālāk un to var atrisināt ātrāk,” sacīja Dentons Čārs, medicīnas zinātņu kandidāts, Pediatrijas anestezioloģijas, perioperatīvās medicīnas un sāpju medicīnas katedras asociētais profesors. Viņš saka, ka viens no galvenajiem soļiem ir visu ieinteresēto personu, kuras varētu ietekmēt šī tehnoloģija, identificēšana un noteikšana, kā viņas pašas vēlētos atbildēt uz šiem jautājumiem.
Džesijs Ērenfelds, medicīnas doktors un Amerikas Medicīnas asociācijas prezidents, apspriež četrus faktorus, kas veicina jebkura digitālā veselības rīka, tostarp mākslīgā intelekta darbinātu rīku, ieviešanu. Vai tas ir efektīvi? Vai tas darbosies manā iestādē? Kas maksā? Kas ir atbildīgs?
Maikls Pfefers, MD, Stanford Health Care informācijas tehnoloģiju direktors, minēja nesenu piemēru, kurā daudzas no problēmām tika pārbaudītas medmāsu vidū Stanfordas slimnīcās. Klīnicistus atbalsta lieli valodu modeļi, kas nodrošina sākotnējās anotācijas ienākošajiem pacientu ziņojumiem. Lai gan projekts nav perfekts, ārsti, kas palīdzēja izstrādāt tehnoloģiju, ziņo, ka modelis atvieglo viņu darba slodzi.
“Mēs vienmēr koncentrējamies uz trim svarīgām lietām: drošību, efektivitāti un iekļaušanu. Mēs esam ārsti. Mēs zvērējam “nedarīt ļaunumu,” sacīja Nina Vasan, MD, psihiatrijas un uzvedības zinātņu klīniskā asistente, kura pievienojās grupai Char un Pfeffer. “Šim vajadzētu būt pirmajam veidam, kā novērtēt šos rīkus.”
Nigams Šahs, medicīnas un biomedicīnas datu zinātnes profesors, doktors, uzsāka diskusiju ar šokējošu statistiku, neskatoties uz pamatotu brīdinājumu auditorijai. "Es runāju vispārīgi un skaitļos, un dažreiz tie mēdz būt ļoti tieši," viņš teica.
Šahs uzskata, ka mākslīgā intelekta panākumi ir atkarīgi no mūsu spējas to mērogot. “Pienācīga zinātniskā izpēte par modeli aizņem apmēram 10 gadus, un, ja katra no 123 stipendiju un rezidentūras programmām vēlētos testēt un ieviest modeli šādā stingrības līmenī, būtu ļoti grūti veikt pareizu zinātnisko darbu, jo mēs pašlaik organizējam savus centienus un [testējam]]. Lai nodrošinātu, ka katra mūsu vietne darbojas pareizi, būtu nepieciešami 138 miljardi ASV dolāru,” sacīja Šahs. “Mēs to nevaram atļauties. Tāpēc mums ir jāatrod veids, kā paplašināties, un mums ir jāpaplašinās un jāveic laba zinātne. Stingrības prasmes ir vienuviet, bet mērogošanas prasmes - citur, tāpēc mums būs nepieciešama šāda veida partnerība.”
Dekāna vietnieks Juans Ešlijs un Mildreda Čo (reģistratūra) apmeklēja RAISE veselības semināru. Stīvs Fišs
Daži simpozija runātāji teica, ka to varētu panākt, izmantojot publiskā un privātā sektora partnerības, piemēram, nesen pieņemto Baltā nama izpildrīkojumu par drošu, aizsargātu un uzticamu mākslīgā intelekta izstrādi un izmantošanu un Veselības aprūpes mākslīgā intelekta konsorciju (CHAI).
“Publiskā un privātā sektora partnerība ar vislielāko potenciālu ir starp akadēmisko vidi, privāto sektoru un publisko sektoru,” sacīja Laura Adamsa, Nacionālās Medicīnas akadēmijas vecākā padomniece. Viņa norādīja, ka valdība var nodrošināt sabiedrības uzticēšanos, un akadēmiskie medicīnas centri var nodrošināt leģitimitāti, un tehnisko ekspertīzi un datora laiku var nodrošināt privātais sektors. “Mēs visi esam labāki par jebkuru no mums, un mēs atzīstam, ka… mēs nevaram lūgt, lai realizētu [mākslīgā intelekta] potenciālu, ja vien nesaprotam, kā mijiedarboties vienam ar otru.”
Vairāki runātāji norādīja, ka mākslīgajam intelektam ir ietekme arī uz pētniecību, neatkarīgi no tā, vai zinātnieki to izmanto bioloģisko dogmu izpētei, jaunu sintētisko molekulu secību un struktūru prognozēšanai jaunu ārstēšanas metožu atbalstam vai pat zinātnisko rakstu apkopošanai vai rakstīšanai.
“Šī ir iespēja ieraudzīt nezināmo,” sacīja Džesika Mega, MD, kardioloģe Stenfordas Universitātes Medicīnas skolā un Alphabet’s Verily līdzdibinātāja. Mega pieminēja hiperspektrālo attēlveidošanu, kas uztver attēla elementus, kas nav redzami cilvēka acij. Ideja ir izmantot mākslīgo intelektu, lai patoloģiskajos preparātos atklātu modeļus, ko cilvēki neredz un kas norāda uz slimību. “Es aicinu cilvēkus pieņemt nezināmo. Es domāju, ka ikviens šeit pazīst kādu ar kādu veselības problēmu, kam nepieciešams kaut kas vairāk nekā tas, ko mēs šodien varam nodrošināt,” sacīja Mejia.
Diskusijas dalībnieki arī vienojās, ka mākslīgā intelekta sistēmas nodrošinās jaunus veidus, kā identificēt un apkarot neobjektīvu lēmumu pieņemšanu neatkarīgi no tā, vai to pieņem cilvēki vai mākslīgais intelekts, ar spēju noteikt neobjektivitātes avotu.
“Veselība ir vairāk nekā tikai medicīniskā aprūpe,” piekrita vairāki paneļdiskusijas dalībnieki. Referenti uzsvēra, ka pētnieki, vācot iekļaujošus datus un piesaistot dalībniekus pētījumiem, bieži vien ignorē tādus sociālos veselības faktorus kā sociālekonomiskais statuss, pasta indekss, izglītības līmenis, kā arī rase un etniskā piederība. “Mākslīgais intelekts ir tikpat efektīvs kā dati, uz kuriem balstīts modelis,” sacīja Mišela Viljamsa, epidemioloģijas profesore Hārvardas Universitātē un epidemioloģijas un iedzīvotāju veselības asociētā profesore Stenfordas Universitātes Medicīnas skolā. “Ja mēs darām to, ko cenšamies darīt. Uzlabojam veselības rezultātus un novēršam nevienlīdzību, mums jānodrošina, ka mēs vācam augstas kvalitātes datus par cilvēku uzvedību un sociālo un dabisko vidi.”
Natālija Pagerere, MD, pediatrijas un medicīnas klīniskā profesore, sacīja, ka apkopotie vēža dati bieži vien neietver datus par grūtniecēm, radot neizbēgamas neobjektivitātes modeļos un saasinot esošās atšķirības veselības aprūpē.
Pediatrijas un medicīnas profesors Dr. Deivids Magnuss sacīja, ka tāpat kā jebkura jauna tehnoloģija, mākslīgais intelekts var vai nu uzlabot situāciju daudzējādā ziņā, vai arī pasliktināt to. Risks, sacīja Magnuss, ir tāds, ka mākslīgā intelekta sistēmas mācīsies par nevienlīdzīgiem veselības rezultātiem, ko nosaka sociālie veselības faktori, un pastiprinās šos rezultātus ar savu rezultātu. "Mākslīgais intelekts ir spogulis, kas atspoguļo sabiedrību, kurā mēs dzīvojam," viņš teica. "Es ceru, ka katru reizi, kad mums ir iespēja pievērst uzmanību kādai problēmai — parādīt sev spoguli —, tas kalpos kā motivācija uzlabot situāciju."
Ja nevarējāt apmeklēt RAISE Health semināru, sesijas ierakstu varat atrast šeit.
Stenfordas Universitātes Medicīnas skola ir integrēta akadēmiskā veselības aprūpes sistēma, kas sastāv no Stenfordas Universitātes Medicīnas skolas un pieaugušo un bērnu veselības aprūpes sistēmām. Kopā tās īsteno biomedicīnas pilno potenciālu, izmantojot sadarbīgus pētījumus, izglītību un klīnisko pacientu aprūpi. Lai iegūtu plašāku informāciju, apmeklējiet vietni med.stanford.edu.
Jauns mākslīgā intelekta modelis palīdz ārstiem un medmāsām Stenfordas slimnīcā sadarboties, lai uzlabotu pacientu aprūpi.
Publicēšanas laiks: 2024. gada 19. jūlijs