Обучението на д-р Робот: Data Wave Hits Medical Care

2023 Автор: Agatha Gilson | [email protected]. Последно модифициран: 2023-11-26 16:56

Технологията, използвана от Facebook, Google и Amazon за превръщане на говоримия език в текст, разпознаване на лица и насочена реклама, може да помогне на лекарите да се борят с един от най-смъртоносните убийци в американските болници.

Clostridium difficile, смъртоносна бактерия, разпространена при физически контакт с предмети или заразени хора, процъфтява в болниците, причинявайки 453 000 случая годишно и 29 000 смъртни случаи в Съединените щати, показва проучване от 2015 г. в New England Journal of Medicine. Традиционните методи като наблюдение на хигиената и предупредителните знаци често не успяват да спрат болестта.

Но какво, ако беше възможно систематично да се насочва към най-уязвимите към C-diff? Ерика Шеной, специалист по инфекциозни болести в Масачузетска болница, и Джена Виенс, компютърист и асистент по инженерни науки в Мичиганския университет, направиха точно това, когато създадоха алгоритъм за прогнозиране на риска на пациента да развие C-diff. инфекция или CDI. Използвайки жизнените показатели на пациента и други здравни записи, този метод - все още в експериментална фаза - е нещо, което и двамата изследователи искат да видят интегрирани в болничните процедури.

Алгоритъмът на CDI - базиран на форма на изкуствен интелект, наречена машинно обучение - е на предния ръб на технологичната вълна, започваща да удари американската здравна индустрия. След години експериментиране, прогнозиращите способности на машинното обучение са добре установени и е готово да се премине от лаборатории към широки приложения в реалния свят, заяви Зеешан Сиед, който ръководи Програмата за клинични изводи и алгоритми на университета в Станфорд.

"Последиците от машинното обучение са дълбоки", каза Сайд. „И все пак това обещава да бъде непредсказуема, разрушителна сила - вероятно ще промени начина, по който се вземат медицински решения и ще остави някои хора без работа.

Машинното обучение (ML) разчита на изкуствени невронни мрежи, които грубо имитират начина, по който мозъците на животните учат.

Като лисица картира нов терен, например, реагира на миризми, гледки и шумове, той непрекъснато се адаптира и усъвършенства поведението си, за да увеличи максимално шансовете да намери следващото си хранене. Невронните мрежи картографират виртуални терени на такива и нули. Алгоритъм за машинно обучение, програмиран да идентифицира изображения на чаши за кафе, може да сравнява снимки на случайни предмети с база данни от снимки на чаши за кафе; изследвайки повече изображения, той систематично научава функциите, за да направи по-бързо и точно позитивно ID.

CDI алгоритъмът на Shenoy и Wiens анализира набор от данни от 374 000 болнични пациенти в болницата в Масачузетс и здравната система на Университета на Мичиган, като търси връзки между случаите на CDI и обстоятелствата зад тях.

Записите съдържат над 4000 различни променливи. „Имаме данни, отнасящи се до всичко - от лабораторните резултати до кое легло се намират, до това кой е в леглото до тях и дали са заразени. Включихме всички лекарства, лаборатории и диагнози. И ние извличаме това ежедневно “, каза Wiens. "Можете да си представите, докато пациентът се движи из болницата, рискът се развива с течение на времето и ние искахме да го уловим."

Тъй като многократно анализира тези данни, процесът на МЛ извлича предупредителни признаци на заболяване, които лекарите могат да пропуснат - съзвездия от симптоми, обстоятелства и подробности от медицинската история, които най-вероятно могат да доведат до инфекция във всеки един момент от престоя в болницата.

Подобни алгоритми, които вече са често срещани в интернет търговията, финансите и самоуправляващите се автомобили, са сравнително непроверени в медицината и здравеопазването. В САЩ преминаването от писмени към електронни здравни записи е бавно, а форматът и качеството на данните все още варират в зависимост от здравната система - а понякога и до нивото на медицинската практика - създавайки пречки за компютърните учени.

Но други тенденции се оказват неумолими: изчислителната мощност нараства експоненциално, като същевременно става по-евтина. Веднъж създаването на алгоритъм за машинно обучение изисква мрежи от мейнфрейм компютри; сега това може да се направи на лаптоп.

Радиологията и патологията първо ще преживеят промените, казват експертите. Програмите за машинно обучение най-лесно ще се справят с анализи на изображения. В крайна сметка рентгеновите и ЯМР, ПЕТ и КТ са масиви от данни. Чрез смачкване на данните, съдържащи се в хиляди съществуващи сканиращи изображения, заедно с диагнозите, които лекарите са поставили от тях, алгоритмите могат да дестилират колективните познания на лечебното заведение за дни или часове. Това им позволява да дублират или надминават точността на всеки един лекар.

Алгоритмите за машинно обучение вече могат надеждно да диагностицират рак на кожата (от снимки) и рак на белия дроб и да предскажат риска от припадъци.

Научната учени от Google Лили Пенг ръководи екип, разработил алгоритъм за машинно обучение за диагностициране на риска на пациента от диабетна ретинопатия от сканиране на ретината. ДР, често срещан страничен ефект от диабет, може да доведе до слепота, ако не се лекува. Поскъпването на диабета в световен мащаб превърна DR в глобален здравен проблем, като броят на случаите се очаква да нарасне от 126, 6 милиона през 2011 г. на 191 милиона до 2030 г. - увеличение с близо 51 процента. Наличието му се показва от все по-кално изглеждащи сканиращи изображения.

Екипът на Пен събра 128 000 сканирания на ретината от болници в Индия и САЩ и събра екип от 54 офталмолози, които да ги класират по 5-бална скала за признаци на заболяването. Множество лекари преглеждаха всяко изображение, за да оценят индивидуалните различия в тълкуването.

Веднъж „обучен“на първоначален набор от данни с диагнозите, алгоритъмът беше тестван върху друг набор от данни - и там леко надвишаваше колективната работа на офталмолозите.

Сега Пен работи по прилагането на този инструмент в Индия, където хроничният недостиг на офталмолози означава, че ДР често остава недиагностициран и не лекуван, докато не стане твърде късно, за да спаси зрението на пациента. (Това е проблем и в САЩ, където 38 процента от възрастните пациенти с диабет не получават препоръчителната годишна очна проверка за болестта, според Центровете за контрол на заболяванията.)

Група индийски болници сега тества алгоритъма. Обикновено се прави сканиране и пациентът може да чака дни за резултати, след като специалист - ако има такъв - прочете изображението. Алгоритъмът, чрез софтуер, работещ на болнични компютри, прави резултатите достъпни незабавно и пациент може да бъде насочен към лечение.

Миналата година Администрацията по храните и лекарствата одобри първия алгоритъм за машинно обучение за комерсиална употреба от San Francisco компания Arterys. Алгоритъмът му „DeepVentricle“изпълнява за 30 секунди задача, която лекарите обикновено изпълняват на ръка - рисуват контурите на вентрикулите от множество MRI сканиране на сърдечния мускул в движение, за да изчислят обема на преминаващата кръв. Това отнема средно 45 минути. „Това е автоматизиране на нещо, което е важно - и досадно“, каза Карла Лейбовиц, ръководител на стратегията и маркетинга на Arterys.

Ако бъдат приети в широк мащаб, подобни технологии биха могли да спестят много време и пари. Но такава промяна е разрушителна.

„Фактът, че сме открили потенциални начини да намалим разходите, е добра новина. Проблемът е, че хората, които се изкормят, няма да им харесат - така че ще има съпротива “, каза Ерик Топол, директор на Института за транслационни изследвания на Scripps. „Това подбива начина, по който рентгенолозите вършат работата си. Основната им работа е четене на сканирания - какво се случва, когато не им се налага да правят това? “

Промяната може да не остави много лекари без работа, каза Топол, който е съавтор на парче в JAMA, изследващо въпроса. По-скоро това вероятно ще ги подтикне да намерят нови начини за прилагане на своята експертиза. Те могат да се съсредоточат върху по-трудни диагнози, при които например алгоритмите продължават да изпадат или да взаимодействат повече с пациентите.

Отвъд тази граница, алгоритмите могат да дадат по-точна прогноза за хода на заболяването - потенциално преформулиращо лечение на прогресиращи заболявания или адресиране на несигурността в грижите за края на живота. Те могат да предвидят бързо протичащи инфекции като CDI и хронични заболявания като сърдечна недостатъчност.

С нарастването на населението на САЩ сърдечната недостатъчност ще бъде нарастваща тежест за здравната система и за семействата.

„Това е най-скъпото единично заболяване като категория поради екстремното увреждане, което причинява, и голямото търсене на грижи, които налага, ако не се управлява много добре“, казва Уолтър „Бъз“Стюарт, вицепрезидент и главен изследователски директор в Sutter Health, здравна система в Северна Калифорния. „Ако можехме да предвидим кой ще го получи, може би бихме могли да започнем да се намесваме много по-рано, може би година или две години по-рано, отколкото когато обикновено се случва - когато приемем пациент в болницата след сърдечно събитие или крах.“

Стюарт си сътрудничи в няколко проучвания, насочени към решаване на този проблем. Едно, направено с компютърния учен от Джордж Тех Джимен Сун, прогнозира дали пациентът ще развие сърдечна недостатъчност в рамките на шест месеца, въз основа на 12 до 18 месеца от амбулаторни медицински записи.

Тези инструменти, каза Стюарт, водят до „масовото персонализиране на здравеопазването“. След като алгоритмите могат да предвидят началните етапи на състояния като сърдечна недостатъчност, лекарите ще могат по-добре да предложат лечение, съобразено с обстоятелствата на пациента.

Въпреки научното си обещание, машинното обучение в медицината остава Terra incognita в много отношения. Той добавя нов глас - гласът на машината, например, към ключови медицински решения. Лекарите и пациентите може да са бавни да приемат това. Като добавим към потенциалните съмнения, машинното обучение често е черна кутия: Данните влизат, а отговорите излизат, но често не е ясно защо определени модели в данните на пациента са, да речем, към възникваща болест. Дори учените, които програмират невронни мрежи, често не разбират как стигат до своите заключения.

„Ще има голяма разлика в това как се взимат решения - нещата ще станат много по-ориентирани към данните, отколкото преди“, заяви Джон Гутаг, професор по компютърни науки в MIT. Лекарите ще разчитат на тези все по-сложни инструменти за вземане на решения, каза той и "нямат представа как работят". И в някои случаи ще бъде трудно да се разбере защо са дадени лоши съвети.

И докато данните за здравето се разпространяват, количеството, качеството и форматът варират в зависимост от институцията и това влияе на това, което алгоритмите „учат“.

„Това е огромен проблем с моделирането и електронните здравни записи“, каза Сън. „Защото данните не са курирани за изследователски цели. Те се събират като страничен продукт на грижите при ежедневните операции и се използват главно за целите на фактурирането и възстановяването. Данните са много, много шумни."

Това също означава, че данните може да са несъвместими, дори в архивите на отделен пациент. По-важното е, че един размер не отговаря на всички: Алгоритъм, разработен с данни от една болница или здравна система, може да не работи добре за друга. „Значи ви трябват модели за различни институции, а моделите стават доста крехки, може да се каже“, каза Сън. Той работи по стипендия за Национални здравни институции, като изучава как да разработи алгоритми, които ще работят в институциите.

И приливът на наличните медицински данни продължава да се увеличава, дразнещи учените. „Помислете за всички данни, които събираме в момента“, каза Wiens. „Електронни здравни записи. Хоспитализации. В амбулаторните центрове. Вкъщи. Започваме да събираме много данни на лични монитори. Тези данни са ценни по начини, които все още не можем да знаем. “