Det har sagts tillräckligt många gånger men AI har visat sig vara en spelomvandlare inom hälsovårdsbranschen. Från att bara ha varit passiva deltagare i sjukvårdskedjan tar patienterna nu kontroll över sin hälsa genom lufttäta AI-drivna patientövervakningssystem, bärbara enheter, visualiserade insikter om deras tillstånd och mer. Ur läkares och vårdgivares perspektiv banar AI vägen för robotarmar, sofistikerade analys- och diagnostiska moduler, assisterande kirurgiska bots, prediktiva vingar för att upptäcka genetiska störningar och bekymmer med mera.
Men eftersom AI fortsätter att påverka hälsovårdsaspekterna, är det som ökar lika mycket utmaningarna som är förknippade med att generera och underhålla data. Som du vet kan en AI-modul eller -system bara fungera bra om den har tränats exakt med relevanta och kontextuella datamängder under en längre tid.
I bloggen kommer vi att utforska de unika utmaningar som experter och hälsovårdsspecialister står inför när användningsfallen av AI inom vården fortsätter att öka när det gäller deras komplexitet.
1. Utmaningar med att upprätthålla integriteten
Sjukvården är en sektor där integritet är avgörande. Från detaljerna som går in i elektroniska journaler av patienter och data som samlats in under kliniska prövningar till data som bärbara enheter för fjärrövervakning av patienten överför, kräver varje tum i vården yttersta integritet.
Om det är så mycket integritet inblandat, hur tränas nya AI-applikationer som distribueras inom vården? Tja, i flera fall är patienter i allmänhet inte medvetna om att deras data används för studie- och forskningsändamål. Regleringar som nämns av HIPAA innebär också att organisationer och vårdgivare kan använda patientdata för vårdfunktioner och dela data och insikter med relevanta företag.
Det finns massor av verkliga exempel för detta. För grundläggande förståelse, förstå att Google har en 10-årig forskningsförståelse med Mayo Clinic och delar begränsad tillgång till data som är anonymiseras eller avidentifieras.
Även om detta är ganska uppenbart, är flera AI-baserade startups som arbetar med att rulla ut prediktiva analyslösningar på marknaden i allmänhet ganska mycket om sina källor för AI-träningsdata av hög kvalitet. Detta beror uppenbarligen på konkurrensskäl.
Eftersom det är ett så känsligt ämne är integritet något som veteraner, experter och forskare är allt mer angelägna om med en pågående vit hatt. Det finns HIPAA-protokoll för dataavidentifiering och klausuler för återidentifiering på plats. Framöver måste vi arbeta med hur sömlöst integritet kan etableras och samtidigt utveckla avancerade AI-lösningar.
2. Utmaningar med att eliminera fördomar och fel
Fel och fördomar inom sjukvårdssegmentet kan visa sig vara dödliga för patienter och vårdorganisationer. Fel som härrör från felplacerade eller felinriktade celler, letargi eller till och med slarv kan förändra medicinering eller diagnos för patienter. En rapport som släppts av Pennsylvania Patient Safety Authority avslöjade att cirka 775 problem i EHR-moduler identifierades. Av detta uppgick mänskligt bundna fel till cirka 54.7 % och maskinbundna fel uppgick till nära 45.3 %.
Bortsett från fel är fördomar en annan allvarlig orsak som kan få oönskade konsekvenser för vårdföretag. Till skillnad från fel är fördomar svårare att upptäcka eller identifiera på grund av en inneboende böjelse för vissa övertygelser och metoder.
Ett klassiskt exempel på hur partiskhet kan vara dåligt kommer från en rapport, som delar att algoritmer som används för att upptäcka hudcancer hos människor tenderar att vara mindre exakta på mörkare hudtoner eftersom de mestadels tränades för att upptäcka symptom på ljusa hudtoner. Att upptäcka och eliminera fördomar är avgörande och den enda vägen framåt för tillförlitlig användning av AI inom vården.
3. Utmaningar vid upprättandet av driftsstandarder
Datainteroperabilitet är ett viktigt ord att komma ihåg inom vården. Som ni vet är hälso- och sjukvård ett ekosystem av olika element. Du har kliniker, diagnostiska center, rehabcenter, apotek, FoU-avdelningar med mera. Ofta kräver mer än ett av dessa element data för att fungera med sina avsedda syften. I sådana fall måste data som samlas in vara enhetlig och standardiserad på ett sätt så att den ser ut och läser likadan, oavsett vem som tittar på den.
I avsaknad av standardisering kommer det att bli kaos där varje element behåller sin egen version av samma post. Så den som tittar på en datamängd ur ett nytt perspektiv går automatiskt förlorad och kräver hjälp av den berörda myndigheten för att förstå innehållet i datasetet.
För att undvika detta måste standardisering göras mer effektiv mellan enheter. Det betyder att specifika format, villkor och protokoll måste anges tydligt för obligatorisk efterlevnad. Först då kan denna data vara sömlöst interoperabel.
4. Utmaningar med att upprätthålla säkerheten
Säkerhet är ett annat avgörande bekymmer inom vården. Detta är vad som kommer att visa sig vara dyrast när aspekter relaterade till datasekretess tas på mindre allvar. Sjukvårdsdata är en skattkista av insikter för hackare och exploatörer och på senare tid har det förekommit massor av fall av cybersäkerhetsintrång. Ransomware och andra skadliga attacker har utförts runt om i världen.
Även mitt i Covid-19-pandemin, nära 37 % av de tillfrågade i en undersökning delade att de hade upplevt en ransomware-attack. Cybersäkerhet är nyckeln vid varje given tidpunkt.
Inslag Up
Datautmaningar inom vården är inte bara begränsade till dessa. När vi förstår avancerad integrering och funktion av AI i vården, blir utmaningarna bara mer komplicerade, överlappande och sammanflätade.
Som alltid skulle vi hitta ett sätt att tackla utmaningarna och ge vika för sofistikerade AI-system som lovar att göra hälso-och sjukvård AI mer exakt och tillgänglig.
