AI galėtų padaryti sveikatos priežiūrą teisingesnę – padėdamas mums patikėti tuo, ką sako pacientai

Ponia Tech

Per pastaruosius kelerius metus atlikti tyrimai parodė, kad gilus mokymasis gali prilygti eksperto lygio atlikimui atliekant medicininio vaizdavimo užduotis, pvz ankstyvas vėžio nustatymas ir akių ligų diagnostika . Tačiau yra ir atsargumo priežastis. Kiti tyrimai parodė, kad gilus mokymasis turi tendenciją išlaikyti diskriminaciją . Kadangi sveikatos priežiūros sistemoje jau daug skirtumų, aplaidus gilaus mokymosi taikymas gali dar labiau pabloginti situaciją.

Dabar naujas popierius paskelbtas Nature Medicine siūlo būdą sukurti medicininius algoritmus, kurie galėtų padėti pakeisti, o ne sustiprinti esamą nelygybę. Svarbiausia, sako Ziadas Obermeyeris, UC Berkeley docentas, prižiūrėjęs tyrimus, – nustoti treniruoti algoritmus, kad jie atitiktų žmogaus ekspertų veiklą.

Straipsnyje nagrinėjamas konkretus klinikinis kelio osteoartrito – ligos, sukeliančios lėtinį skausmą, gydymo skirtumų pavyzdys. Įvertinę šio skausmo sunkumą, gydytojai gali paskirti tinkamą gydymą, įskaitant fizinę terapiją, vaistus ar operaciją. Tradiciškai tai atlieka radiologas, peržiūrėdamas kelio rentgeno nuotrauką ir įvertindamas paciento skausmą pagal Kellgren–Lawrence laipsnį (KLG), kuris apskaičiuoja skausmo lygį pagal skirtingus rentgenografinius požymius, pvz., trūkstamos kremzlės ar struktūriniai pažeidimai.

Tačiau Nacionalinio sveikatos instituto surinkti duomenys parodė, kad gydytojai, taikantys šį metodą, sistemingai įvertina juodaodžių pacientų skausmą, kuris yra daug mažesnis nei tai, ką jie sako patiriantys. Pacientai patys praneša apie savo skausmo lygį atlikdami apklausą, kurioje klausiama, kiek skauda atliekant įvairius veiksmus, pvz., visiškai tiesinant kelį. Tačiau skiriant gydymą į šiuos savęs praneštus skausmo lygius neatsižvelgiama į radiologo KLG balą. Kitaip tariant, juodaodžiai pacientai, kuriems trūksta kremzlių tiek pat, kiek ir baltieji pacientai, patys praneša apie didesnį skausmo lygį.

Tai nuolat trikdė medicinos ekspertus. Viena iš hipotezių yra ta, kad juodaodžiai pacientai gali pranešti apie didesnį skausmą, kad gydytojai galėtų juos gydyti rimčiau. Tačiau yra alternatyvus paaiškinimas. Pati KLG metodika galėtų būti šališka. Jis buvo sukurtas prieš kelis dešimtmečius su baltosios Britanijos populiacijomis. Kai kurie medicinos ekspertai teigia, kad radiografinių žymenų, kurių gydytojai nurodo ieškoti, sąrašas gali neaprėpti visų galimų fizinių skausmo šaltinių įvairesnėje populiacijoje. Kitaip tariant, gali būti rentgenografinių skausmo požymių, kurie dažniau pasireiškia juodaodžiams ir kurie tiesiog nėra KLG rubrikos dalis.

Susijusi istorija

Gydytojai naudoja dirbtinį intelektą Covid-19 pacientams tirti. Priemonės gali būti čia, kad išliktumėte Susidūrus su darbuotojų stygiumi ir didžiuliu pacientų krūviu, vis daugiau ligoninių imasi automatinių įrankių, padedančių valdyti pandemiją.

Norėdami išbandyti šią galimybę, mokslininkai parengė giluminio mokymosi modelį, kad iš kelių rentgeno spindulių prognozuotų pacientų skausmo lygį, apie kurį praneša patys. Jei gautas modelis būtų labai tikslus, tai leistų manyti, kad savęs praneštas skausmas yra gana savavališkas. Bet jei modelio tikslumas būtų tikrai geras, tai būtų įrodymas, kad savęs praneštas skausmas iš tikrųjų koreliuoja su rentgeno žymenimis rentgeno spinduliuose.

Atlikę keletą eksperimentų, įskaitant kai kuriuos, skirtus pašalinti bet kokius klaidinančius veiksnius, tyrėjai nustatė, kad modelis buvo daug tikslesnis nei KLG, numatant skausmo lygį, apie kurį pranešama tiek baltiesiems, tiek juodaodžiams, bet ypač juodaodžiams. Tai sumažino rasinį skirtumą kiekviename skausmo lygyje beveik perpus.

Tikslas nebūtinai yra pradėti naudoti šį algoritmą klinikinėje aplinkoje. Tačiau pranokęs KLG metodiką, paaiškėjo, kad standartinis skausmo matavimo būdas yra ydingas, o juodaodžiams tai kainuoja daug daugiau. Tai turėtų paskatinti medicinos bendruomenę ištirti, kokius rentgenografinius žymenis gali matyti algoritmas, ir atnaujinti jų vertinimo metodiką.

Tai iš tikrųjų pabrėžia tikrai įdomią dalį, kur tokie algoritmai gali tilpti į medicinos atradimų procesą, sako Obermeyeris. Tai mums nurodo, ar čia yra kažkas, į ką verta žiūrėti, ko mes nesuprantame. Tai sudaro sąlygas žmonėms įsikišti ir, naudojant šiuos algoritmus kaip įrankius, bandyti išsiaiškinti, kas vyksta.

Puikus šio dokumento dalykas yra tai, kad apie dalykus galvojama iš visiškai kitokios perspektyvos, sako Irene Chen, MIT mokslininkė, tirianti, kaip sumažinti sveikatos priežiūros nelygybę mašininio mokymosi srityje ir nedalyvavusi šiame dokumente. Ji sako, kad užuot mokę algoritmą pagal nusistovėjusias ekspertų žinias, tyrėjai pasirinko pacientų savęs vertinimą laikyti tiesa. Dėl to ji atskleidė svarbias spragas toje, kurią medicinos sritis paprastai laiko objektyvesne skausmo priemone.

Būtent tokia buvo paslaptis, sutinka Obermeyeris. Jis sako, kad jei algoritmai bus mokomi tik taip, kad atitiktų ekspertų našumą, jie tiesiog išlaikys esamas spragas ir nelygybę. Šis tyrimas yra žvilgsnis į bendresnį vamzdyną, kurį vis dažniau galime panaudoti medicinoje, kurdami naujas žinias.

paslėpti