Η μηχανική μάθηση θα βελτιώσει δραματικά την υγειονομική περίθαλψη. Υπάρχουν ήδη μια πληθώρα εφαρμογών ML για την υγειονομική περίθαλψη από την απεικόνιση έως την πρόβλεψη επανεισδοχής στο back office. Αλλά υπάρχουν επίσης υψηλού επιπέδου, δαπανηρές προσπάθειες που δεν έχουν επιτύχει τους στόχους τους. Στους συλλογικούς μας ρόλους ως διευθύνων σύμβουλος μιας επιχείρησης ανάλυσης φροντίδας, τεχνολογικής κλινικής και του ηγέτη της τεχνολογικής καινοτομίας σε ένα σημαντικό σύστημα υγείας, αναπτύξαμε και χρησιμοποιήσαμε δεκάδες εφαρμογές ML. Πολλά από αυτά έχουν επιτύχει, άλλα δεν έχουν. Από αυτές τις εμπειρίες έχουμε εντοπίσει τρεις κοινούς μύθους που υπάρχουν γύρω από το ML στην υγειονομική περίθαλψη.
Μύθος 1: Η εκμάθηση μηχανών μπορεί να κάνει πολλά από αυτά που κάνουν οι γιατροί
Η πραγματικότητα είναι ότι οι εφαρμογές ML μπορούν να εκτελέσουν μερικές από αυτές που κάνουν οι γιατροί σήμερα, αλλά δεν θα αντικαταστήσουν τα περισσότερα από όσα κάνουν οι γιατροί στο άμεσο μέλλον (ακόμη και ακτινολόγοι). Οι γιατροί εκτελούν τρία βασικά καθήκοντα: (1) να βοηθούν στην αποτροπή των ασθενών, (2) να εντοπίζουν τι συμβαίνει όταν κάνουν οι άνθρωποι, (3) και στη συνέχεια να παρέχουν φροντίδα και θεραπεία. Το ML έχει να συμβάλει σημαντικά με την πρώτη και δεύτερη από αυτές τις λειτουργίες. Για παράδειγμα, οι αλγόριθμοι ML έχουν αποδειχθεί ιδιαίτερα χρήσιμοι στην πρόβλεψη χαρακτηριστικών του καρκίνου από την απεικόνιση ή τη διάγνωση καταγμάτων από τις ακτίνες Χ. Οι μη επιτηρούμενοι αλγόριθμοι εκμάθησης απέδειξαν την πιθανότητα να συνδέσουν τους κινδύνους της νόσου με τους γονιδιωματικούς βιοδείκτες.
Βελτίωση των αποτελεσμάτων και της εμπειρίας των ασθενών
Ωστόσο, ακόμη και με την περαιτέρω ανάπτυξη αυτών των εφαρμογών, δεν θα αναπαράγουν την ικανότητα ενός γιατρού να παρέχει φροντίδα και θεραπεία. Η έξοδος ML πρέπει να αναλυθεί από κάποιον με γνώση τομέα. Διαφορετικά, τα ασήμαντα δεδομένα μπορεί να ερμηνευθούν ως ουσιώδη και βασικά δεδομένα ως ασήμαντα. Αυτές οι σχέσεις πρέπει στη συνέχεια να μεταφραστούν σε κλινική διαχείριση που μπορεί να εφαρμοστεί. Υπάρχει επίσης ένα ανθρώπινο στοιχείο που βοηθά τους ασθενείς να αποφασίσουν εάν και με ποιο τρόπο θα λάβουν θεραπεία. Οι ασθενείς έχουν συχνά ανησυχίες για την υποβολή σε θεραπεία. Οι γιατροί πρέπει να ενσωματώσουν την ψυχική κατάσταση του ασθενούς, τις προσδοκίες, το παρελθόν του ιστορικού και τους πολιτιστικούς παράγοντες στην κοινή λήψη αποφάσεων με τον ασθενή και την οικογένειά του. Οι ασθενείς εκτιμούν αυτή την ανθρώπινη αλληλεπίδραση και η μη λήψη τους σε ευαίσθητους χρόνους μπορεί να ενοχλεί. Τέλος, μόλις ολοκληρωθεί η θεραπεία, η ίδια η διαδικασία ανάκτησης απαιτεί στενή παρακολούθηση και φροντίδα. Οι επιπλοκές συχνά ανιχνεύονται μέσω κλινικής παρατήρησης σε αντίθεση με τις δοκιμές ή τα διαγνωστικά που καθοδηγούνται από το πρωτόκολλο.
Μύθος 2: “Τα μεγάλα δεδομένα” + οι λαμπροί επιστήμονες δεδομένων είναι πάντα μια συνταγή για την επιτυχία.
Η πραγματικότητα είναι ότι είναι απαραίτητα αλλά όχι επαρκή. Τα περισσότερα δεδομένα είναι καλύτερα, αλλά μόνο αν είναι τα σωστά δεδομένα και το καταλαβαίνουμε πλήρως. Θεωρούμε χρήσιμο να θέσουμε τις ακόλουθες ερωτήσεις:
Πώς συλλέχθηκαν τα δεδομένα; Εξετάστε πώς η υιοθέτηση ηλεκτρονικών ιατρικών φακέλων (EHR) θα μπορούσε να οδηγήσει σε όλες τις διαγνώσεις που έγιναν και τα φάρμακα που συνταγογραφήθηκαν από διάφορους γιατρούς για να ληφθεί ένας ασθενής σε ένα μόνο αρχείο – ένα που θα ήταν πιο περιεκτικό από τα αρχεία των ιατρών. Χωρίς να ληφθεί υπόψη αυτή η αλλαγή – η οποία θα μείωνε, αν όχι να εξαλείψει, τις πληροφορίες που πέφτουν από τις ρωγμές – θα μπορούσε κανείς να συμπεράνει λανθασμένα ότι ξαφνικά, οι ασθενείς έχουν αρρωστήσει. Για ποιο σκοπό συγκεντρώθηκαν τα δεδομένα; Εξετάστε τα δεδομένα εργαστηρίου που συλλέγονται από ένα νοσοκομείο Επειδή το νοσοκομείο συλλέγει δεδομένα ασθενών που υποβάλλονται σε θεραπεία στο νοσοκομείο, δεν θα είναι αντιπροσωπευτικό του πληθυσμού, αφού οι ασθενείς είναι πολύ πιθανότερο να τραβήξουν το αίμα τους στο νοσοκομείο.
Ποια είναι τα πιθανά προβλήματα ή οι περιορισμοί των δεδομένων; Εξετάστε τα δεδομένα ΕΔΜ που συλλέγονται σε πολλές οργανώσεις που χρησιμοποιούν όλοι τον ίδιο προμηθευτή. Παρόλο που οι οργανισμοί μπορούν όλοι να χρησιμοποιούν τον ίδιο πωλητή ΗΜΥ, η δομή των δεδομένων, οι έννοιες των πεδίων και η έκταση του καθαρισμού των δεδομένων πιθανόν να διαφέρουν μεταξύ των οργανισμών.
Έχουν αλλάξει οι περιστάσεις; Τα δεδομένα που χρησιμοποιήσαμε για την κατασκευή του μοντέλου ML εξακολουθούν να ισχύουν; Για παράδειγμα, το φύλο έχει ιστορικά εκπροσωπείται ως άνδρας και γυναίκα. Σήμερα η ταυτότητα φύλου αντιπροσωπεύεται ως αρσενικό, θηλυκό, άλλο, και άγνωστο. Στο εγγύς μέλλον, είναι πιθανό να εκπροσωπούνται ως απαντήσεις σε ένα σύνολο ερωτήσεων που επιτρέπουν στους κλινικούς ιατρούς να αντιμετωπίζουν καλύτερα και να σέβονται τον ασθενή.
