ซอฟต์แวร์กำลังช่วยกำหนดรูปแบบการรักษา แต่ผู้เชี่ยวชาญกังวลว่าเครื่องมือบางอย่างจะได้รับการอนุมัติเร็วเกินไปและเครื่องมืออื่นๆ ก็ลำเอียง
เมื่อการระบาดใหญ่ของโควิด-19 เมื่อปีที่แล้ว แพทย์Lara Jehiและเพื่อนร่วมงานของเธอที่คลีฟแลนด์คลินิกกำลังตาบอด ใครบ้างที่มีความเสี่ยง? ใครคือผู้ป่วยที่มีแนวโน้มจะป่วยมากขึ้น? พวกเขาต้องการการดูแลแบบไหน?
“คำถามมีไม่สิ้นสุด” Jehi หัวหน้าเจ้าหน้าที่ข้อมูลการวิจัยของคลินิกกล่าว “เราไม่มีเวลามากพอที่จะรอดูว่าอะไรจะเกิดขึ้นเมื่อเวลาผ่านไป”
ด้วยคำตอบที่ต้องการอย่างเร่งด่วน Cleveland Clinic จึงหันไปใช้อัลกอริทึมเพื่อขอความช่วยเหลือ โรงพยาบาลได้รวบรวมผู้เชี่ยวชาญ 17 คนเพื่อกำหนดข้อมูลที่พวกเขาต้องการเพื่อรวบรวมจากบันทึกสุขภาพอิเล็กทรอนิกส์ และใช้ปัญญาประดิษฐ์เพื่อสร้างแบบจำลองการรักษาแบบคาดการณ์ล่วงหน้า ภายในสองสัปดาห์ คลินิกได้สร้างอัลกอริธึมโดยอาศัยข้อมูลจากผู้ป่วย 12,000 รายที่ใช้อายุ เชื้อชาติ เพศ สถานะทางเศรษฐกิจและสังคม ประวัติการฉีดวัคซีน และยาที่ใช้อยู่ในปัจจุบันเพื่อคาดการณ์ว่าจะมี ผู้ป่วยติด เชื้อไวรัสโคโรนาสายพันธุ์ใหม่หรือไม่ แพทย์ใช้ในช่วงเริ่มต้นของการระบาดใหญ่เมื่อการทดสอบอยู่ในระดับสูงเพื่อแนะนำผู้ป่วยว่าพวกเขาต้องการหรือไม่
ในปีที่ผ่านมา คลินิกได้ตีพิมพ์บทความเกี่ยวกับการใช้ปัญญาประดิษฐ์มากกว่าสามโหล Jehi และเพื่อนร่วมงานของเธอได้สร้างแบบจำลองที่ระบุผู้ที่ติดไวรัสซึ่งน่าจะต้องเข้ารับการรักษาในโรงพยาบาล ซึ่งช่วยในเรื่องการวางแผนความสามารถ พวกเขาสร้างแบบจำลองอื่นที่ช่วยเตือนแพทย์ถึงความเสี่ยงของผู้ป่วยสำหรับห้องผู้ป่วยหนักและจัดลำดับความสำคัญของผู้ที่มีความเสี่ยงสูงสำหรับการรักษาเชิงรุก และเมื่อผู้ป่วยถูกส่งกลับบ้านและตรวจสอบที่นั่น ซอฟต์แวร์ของคลินิกจะแจ้งว่าผู้ป่วยรายใดอาจต้องกลับไปที่โรงพยาบาล
โรงพยาบาลมีการใช้ปัญญาประดิษฐ์แล้ว แต่สิ่งที่ไม่รู้จักกับ Covid-19 และกรณีปริมาณทำให้เกิดกิจกรรมที่คลั่งไคล้ทั่วสหรัฐอเมริกา แบบจำลองต่างๆ กลั่นกรองข้อมูลเพื่อช่วยให้ผู้ดูแลผู้ป่วยมุ่งเน้นไปที่ผู้ป่วยที่มีความเสี่ยงมากที่สุด จัดเรียงภัยคุกคามต่อการฟื้นตัวของผู้ป่วย และคาดการณ์ความต้องการที่เพิ่มขึ้นของสถานพยาบาลสำหรับสิ่งต่างๆ เช่น เตียงและเครื่องช่วยหายใจ แต่ด้วยความเร็วก็มีคำถามเกี่ยวกับวิธีการนำเครื่องมือใหม่มาใช้และชุดข้อมูลที่ใช้ในการสร้างแบบจำลองนั้นเพียงพอหรือไม่และปราศจากอคติ
ที่โรงพยาบาล Mount Sinai ในแมนฮัตตัน นักพันธุศาสตร์Ben GlicksbergและนักไตวิทยาGirish Nadkarniจากสถาบัน Hasso Plattner for Digital HealthและMount Sinai Clinical Intelligence Centerได้ถามคำถามเดียวกันกับแพทย์ที่คลีฟแลนด์คลินิก Narkarni กล่าวว่า “นี่เป็นโรคใหม่ที่ไม่มี playbook และไม่มีแม่แบบ” “เราจำเป็นต้องรวบรวมข้อมูลจากแหล่งต่าง ๆ อย่างรวดเร็วเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับเรื่องนี้”
ที่ Mount Sinai ที่มีผู้ป่วยท่วมโรงพยาบาลในช่วงฤดูใบไม้ผลิที่ศูนย์กลางของการระบาดในอเมริกาเหนือ นักวิจัยหันไปใช้ข้อมูลเพื่อประเมินความเสี่ยงของผู้ป่วยสำหรับเหตุการณ์สำคัญในช่วงเวลาสาม ห้า และเจ็ดวันหลังจากเข้ารับการรักษาเพื่อคาดการณ์ความต้องการของพวกเขา แพทย์ถอดรหัสว่าผู้ป่วยรายใดมีแนวโน้มที่จะกลับไปโรงพยาบาลและระบุผู้ที่อาจพร้อมสำหรับการออกจากเตียงตามความต้องการฟรี
เกือบหนึ่งปีในการมองหาความช่วยเหลือจากแมชชีนเลิร์นนิง Glicksberg และ Narkani กล่าวว่าเป็นเครื่องมือ ไม่ใช่คำตอบ งานของพวกเขาแสดงให้เห็นแบบจำลองที่ระบุผู้ป่วยที่มีความเสี่ยงและเปิดเผยความสัมพันธ์ที่แฝงอยู่ในบันทึกสุขภาพของพวกเขาที่คาดการณ์ผลลัพธ์ “เราไม่ได้บอกว่าเราถอดรหัสของการใช้แมชชีนเลิร์นนิงสำหรับโควิด และสามารถคาดเดาเหตุการณ์ที่เกี่ยวข้องทางคลินิกได้ 100 เปอร์เซ็นต์” Glicksberg กล่าว
“แมชชีนเลิร์นนิงเป็นส่วนหนึ่งของปริศนาทั้งหมด” Nadkarni กล่าวเสริม
สำหรับ Covid แอปพลิเคชันปัญญาประดิษฐ์ครอบคลุมประเด็นต่างๆ ตั้งแต่การช่วยเหลือแพทย์ในการตัดสินใจในการรักษา ไปจนถึงแจ้งวิธีการจัดสรรทรัพยากร ตัวอย่างเช่น Langone Health ของมหาวิทยาลัยนิวยอร์กได้สร้างโปรแกรมปัญญาประดิษฐ์เพื่อคาดการณ์ว่าผู้ป่วยรายใดสามารถย้ายไปดูแลในระดับที่ต่ำกว่าหรือพักฟื้นที่บ้านเพื่อเพิ่มความสามารถ
นักวิจัยจากศูนย์การแพทย์มหาวิทยาลัยเวอร์จิเนียได้พัฒนาซอฟต์แวร์เพื่อช่วยให้แพทย์ตรวจพบระบบทางเดินหายใจล้มเหลวที่นำไปสู่การใส่ท่อช่วยหายใจ เมื่อเกิดโรคระบาด พวกเขาจึงปรับซอฟต์แวร์สำหรับ Covid-19
“สำหรับเราแล้ว ดูเหมือนว่าทุกอย่างเริ่มต้นขึ้น นี่คือสิ่งที่เราได้ดำเนินการมาตลอดหลายปีที่ผ่านมา เราไม่ได้คาดการณ์การระบาดของธรรมชาตินี้ แต่นี่มัน” Randall Moormanศาสตราจารย์ด้านการแพทย์ของมหาวิทยาลัยกล่าว “แต่นี่เป็นเพียงการประยุกต์ใช้เทคโนโลยีที่สมบูรณ์แบบและเป็นแนวคิดที่เราใช้กันมานาน”
ซอฟต์แวร์ที่เรียกว่าCoMETใช้มาตรการด้านสุขภาพที่หลากหลาย รวมถึง EKG ผลการทดสอบในห้องปฏิบัติการ และสัญญาณชีพ โดยฉายภาพดาวหางบนหน้าจอ LCD ของผู้ป่วยซึ่งจะขยายขนาดขึ้นและเปลี่ยนสีตามความเสี่ยงที่คาดการณ์ไว้เพิ่มขึ้น ทำให้ผู้ดูแลผู้ป่วยได้รับสัญญาณเตือนด้วยภาพ ซึ่งโดดเด่นท่ามกลางเสียงเตือนของหน่วยโรงพยาบาล ซอฟต์แวร์นี้มีการใช้งานที่โรงพยาบาลมหาวิทยาลัยเวอร์จิเนียและพร้อมให้อนุญาตโดยโรงพยาบาลอื่น Moorman กล่าว
Jessica Keim-Malpassผู้ร่วมวิจัยของ Moorman และผู้ร่วมเขียนบทความเกี่ยวกับการใช้ซอฟต์แวร์ทำนายผลในการรักษา Covid กล่าวว่าจุดเน้นอยู่ที่การทำให้แบบจำลองนี้ใช้งานได้จริง “อัลกอริธึมเหล่านี้แพร่หลายมากขึ้น ซึ่งดีมาก แต่กลับไม่ค่อยได้รับความสนใจเท่าไรเกี่ยวกับวิธีใช้อย่างมีจริยธรรม” เธอกล่าว “อัลกอริธึมน้อยมากถึงกับใช้กับการตั้งค่าทางคลินิกแบบใดก็ได้”
การแปลสิ่งที่ซอฟต์แวร์ทำเป็นสิ่งที่ง่ายสำหรับแพทย์ พยาบาล และผู้ดูแลคนอื่นๆ ที่จะใช้เป็นกุญแจสำคัญ “แพทย์มักจะตัดสินใจอย่างหนักหน่วงทุกชั่วโมง บางครั้งทุกนาที” เธอกล่าว “บางครั้งพวกเขาก็เกือบคิดว่าต้องทำอะไร และบ่อยครั้งที่สิ่งต่าง ๆ อาจยังไม่ปรากฏให้เห็นในทางคลินิก ดังนั้นจุดประสงค์ของอัลกอริทึมคือการช่วยให้มนุษย์ตัดสินใจได้ดีขึ้น”
แม้ว่าจะมีหลายรุ่นในโรงพยาบาล แต่ก็มีศักยภาพในการดำเนินการมากกว่านี้ มีการพัฒนาแอปพลิเคชั่นจำนวนมาก แต่ยังไม่ได้เปิดตัว นักวิจัยจากมหาวิทยาลัยมินนิโซตาได้ทำงานร่วมกับ Epic ผู้จำหน่ายเวชระเบียนอิเล็กทรอนิกส์ เพื่อสร้างอัลกอริธึมที่ประเมินการเอกซเรย์ปอดสำหรับโควิด และใช้เวลาไม่กี่วินาทีในการค้นหารูปแบบที่เกี่ยวข้องกับไวรัส แต่ยังไม่ได้รับการอนุมัติจากสำนักงานคณะกรรมการอาหารและยาสำหรับการใช้งาน
ที่มหาวิทยาลัยจอห์น ฮอปกินส์ วิศวกรชีวการแพทย์และผู้เชี่ยวชาญด้านหัวใจได้พัฒนาอัลกอริธึมที่เตือนแพทย์หลายชั่วโมงก่อนที่ผู้ป่วยในโรงพยาบาลที่ติดเชื้อโควิด-19 จะประสบภาวะหัวใจหยุดเต้นหรือลิ่มเลือด ในการพิมพ์ล่วงหน้านักวิจัยกล่าวว่ามันได้รับการฝึกอบรมและทดสอบด้วยข้อมูลจากผู้ป่วยมากกว่า 2,000 รายที่ติดเชื้อไวรัสโคโรน่าสายพันธุ์ใหม่ ขณะนี้พวกเขากำลังพัฒนาวิธีที่ดีที่สุดในการวางระบบในโรงพยาบาล
ในขณะที่โรงพยาบาลต่างๆ มองหาการรวมปัญญาประดิษฐ์เข้ากับโปรโตคอลการรักษา นักวิจัยบางคนกังวลว่าเครื่องมือดังกล่าวจะได้รับการอนุมัติจากสำนักงานคณะกรรมการอาหารและยาก่อนที่จะถือว่ามีความถูกต้องทางสถิติ สิ่งที่ต้องได้รับการอนุมัติจาก FDA นั้นคลุมเครือ แบบจำลองที่ต้องการให้บุคลากรทางการแพทย์ตีความผลลัพธ์ไม่จำเป็นต้องมีความชัดเจน ในขณะเดียวกัน นักวิจัยคนอื่นๆ ก็กำลังทำงานเพื่อปรับปรุงความแม่นยำของเครื่องมือซอฟต์แวร์ ท่ามกลางความกังวลว่าพวกเขาจะขยายอคติทางเชื้อชาติและเศรษฐกิจและสังคม
นักวิจัยที่มหาวิทยาลัยแคลิฟอร์เนียในปี 2019 รายงานว่าโรงพยาบาลอัลกอริธึมที่ใช้ในการระบุผู้ป่วยที่มีความเสี่ยงสูงเพื่อรับการรักษาพยาบาลพบว่าผู้ป่วยผิวดำที่มี “คะแนน” ที่มีความเสี่ยงเท่ากันนั้นป่วยมากกว่าผู้ป่วยผิวขาวอย่างมีนัยสำคัญ เนื่องจากข้อมูลที่ใช้สร้างแบบจำลอง เนื่องจากการระบาดใหญ่ส่งผลกระทบต่อชนกลุ่มน้อยอย่างไม่เป็นสัดส่วน การสร้างแบบจำลองการทำนายที่ไม่คำนึงถึงความไม่เท่าเทียมกันทางสุขภาพของพวกเขา ขู่ว่าจะประเมินความเสี่ยงของพวกเขาอย่างไม่ถูกต้อง เป็นต้น
บทความในเดือนสิงหาคมในJournal of the American Medical Informatics Associationนักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดเขียนว่าตัวอย่างข้อมูลขนาดเล็กไม่ได้เป็นตัวแทนของประชากรผู้ป่วยโดยรวมและมีอคติกับชนกลุ่มน้อย “มีความหวังว่า AI จะช่วยแนะนำการตัดสินใจในการรักษาในวิกฤตนี้ ผู้เขียนรวมถึง Tina Hernandez-Boussard ศาสตราจารย์แห่งคณะแพทยศาสตร์มหาวิทยาลัยสแตนฟอร์ดกล่าว
ผู้เขียนแสดงความกังวลว่าการพึ่งพาปัญญาประดิษฐ์มากเกินไป ซึ่งดูเหมือนมีวัตถุประสงค์ แต่ไม่ได้ถูกนำมาใช้ในการจัดสรรทรัพยากร เช่น เครื่องช่วยหายใจและเตียงผู้ป่วยหนัก ”เครื่องมือเหล่านี้สร้างขึ้นจากข้อมูลที่มีอคติซึ่งสะท้อนถึงระบบการดูแลสุขภาพที่มีอคติ และด้วยเหตุนี้เองจึงมีความเสี่ยงสูงที่จะมีอคติ แม้ว่าจะไม่รวมคุณลักษณะที่ละเอียดอ่อน เช่น เชื้อชาติหรือเพศอย่างชัดเจนก็ตาม” พวกเขากล่าวเสริม
Glicksberg และ Nadkarni จาก Mount Sinai รับทราบถึงความสำคัญของปัญหาอคติ โมเดลของพวกเขาดึงมาจากสถานที่ตั้งของแมนฮัตตันซึ่งมีประชากรผู้ป่วยหลากหลายจากอัปเปอร์อีสต์ไซด์และฮาร์เล็ม แต่จากนั้นก็ได้รับการตรวจสอบโดยใช้ข้อมูลจากโรงพยาบาล Mount Sinai อื่นๆ ในควีนส์และบรูคลิน โรงพยาบาลที่มีประชากรผู้ป่วยต่างกันซึ่งใช้เพื่อทำให้แบบจำลองมีประสิทธิภาพมากขึ้น . แต่แพทย์ยอมรับว่าปัญหาพื้นฐานบางอย่างไม่ได้เป็นส่วนหนึ่งของข้อมูล “ปัจจัยทางสังคมของสุขภาพ เช่น สถานะทางเศรษฐกิจและสังคม มีบทบาทมหาศาลในเกือบทุกอย่างที่เกี่ยวข้องกับสุขภาพ และสิ่งเหล่านี้ไม่ได้ถูกบันทึกไว้อย่างถูกต้องหรือมีอยู่ในข้อมูลของเรา” Glicksberg กล่าว ”ยังมีงานอีกมากที่ต้องทำเพื่อกำหนดวิธีที่โมเดลเหล่านี้สามารถฝังลงในการปฏิบัติได้อย่างยุติธรรมและแข็งแกร่งโดยไม่กระทบต่อระบบ”
โมเดลล่าสุดของพวกเขาคาดการณ์ว่าผู้ป่วยโรคโควิด-19 จะเป็นอย่างไรโดยการตรวจสอบบันทึกสุขภาพอิเล็กทรอนิกส์ในเซิร์ฟเวอร์หลายเครื่องจากโรงพยาบาล 5 แห่ง ในขณะที่ปกป้องความเป็นส่วนตัวของผู้ป่วย พวกเขาพบว่าแบบจำลองนั้นแข็งแกร่งกว่าและเป็นตัวทำนายที่ดีกว่าแบบจำลองตามโรงพยาบาลแต่ละแห่ง เนื่องจากข้อมูล Covid-19 ที่จำกัดถูกแยกจากกันในหลายสถาบัน แพทย์จึงเรียกรูปแบบใหม่นี้ว่า “ประเมินค่าไม่ได้” เพื่อช่วยทำนายผลลัพธ์ของผู้ป่วย
Jehi กล่าวว่าฐานข้อมูลของคลีฟแลนด์คลินิกมีผู้ป่วยมากกว่า 160,000 รายโดยมีจุดข้อมูลมากกว่า 400 จุดต่อผู้ป่วยหนึ่งรายเพื่อตรวจสอบแบบจำลอง แต่ไวรัสกำลังกลายพันธุ์และอัลกอริธึมจำเป็นต้องไล่ตามแบบจำลองการรักษาที่ดีที่สุดต่อไป
“ปัญหาไม่ได้อยู่ที่ว่ามีข้อมูลไม่เพียงพอ” Jehi กล่าว “ปัญหาคือข้อมูลจะต้องได้รับการวิเคราะห์ซ้ำอย่างต่อเนื่องและปรับปรุงและทบทวนด้วยแบบจำลองเหล่านี้เพื่อรักษาคุณค่าทางคลินิกไว้”
