AI wyprzedza lekarzy w badaniu serca, diagnostyce i przesiewowych badaniach na Parkinsona — ale pacjenci nie są przekonani
AI przewyższa lekarzy w prognozowaniu kardiologicznym, złożonej diagnostyce i przesiewowych badaniach na Parkinsona — podczas gdy większość Amerykanów pozostaje nieufna wobec tej technologii.
By Dr. Asher Knippel
Ten tydzień przyniósł szereg przełomowych odkryć dotyczących sztucznej inteligencji w medycynie: maszyny pokonują lekarzy w odczytywaniu wyników badań serca i diagnozowaniu chorób, narzędzie oparte na kwestionariuszu może wykrywać chorobę Parkinsona na lata przed pojawieniem się objawów, a mimo to większość Amerykanów twierdzi, że woli, by SI nie miała żadnego związku z ich opieką medyczną.
SI odczytuje skany serca 300 razy szybciej — i dokładniej
Badanie prowadzone przez UCL, opublikowane w The Lancet Digital Health, przeanalizowało dane z rezonansu magnetycznego serca 27 382 pacjentów w Wielkiej Brytanii i Stanach Zjednoczonych i doszło do zaskakującego wniosku: pomiary frakcji wyrzutowej uzyskane przez SI — odsetka krwi pompowanej z każdym uderzeniem serca — znacznie lepiej przewidywały pięcioletnią śmiertelność niż te same pomiary wykonane przez doświadczonych klinicystów.
Szybkość to tylko część historii: SI ukończyła każdą analizę w dwie do trzech sekund, w porównaniu z około 13 minutami dla specjalisty. Lecz dokładność jest ważniejszym odkryciem. Model oznaczał pacjentów jako wysokiego ryzyka nawet wtedy, gdy ich wyniki były poniżej klinicznego progu, który w przeciwnym razie pozwoliłby na wypisanie ich ze szpitala. W praktyce oznacza to, że niektórzy pacjenci, którzy zostaliby odesłani do domu, mogą faktycznie wymagać ściślejszego monitorowania — a SI lepiej identyfikuje, kto to jest.
Diagnostyczna SI Microsoftu pokonuje lekarzy ogólnych w stosunku dwa do jednego
Artykuł opublikowany w Science w tym tygodniu opisał MAI-DxO, Medyczny Orkiestrator Diagnostyczny SI Microsoftu, który osiągnął dokładność 83,2% na 304 złożonych przypadkach zaczerpniętych z raportów przypadków New England Journal of Medicine, w porównaniu z 36,1% dla lekarzy ogólnych pracujących z materiałami referencyjnymi. Na osobnym zestawie danych z oddziału ratunkowego przepaść była podobna: 80% dla SI wobec 47% dla lekarzy.
System zamówił również mniej badań diagnostycznych — i tańszych — by dojść do swoich wniosków. To połączenie wyższej dokładności i niższych kosztów jest scenariuszem, który optymiści w kwestii SI obiecywali od dawna, i teraz pojawił się z poparciem recenzowanej literatury naukowej. Trudniejsze pytanie, jakie stawia artykuł, dotyczy tego, co oznacza to dla ścieżki kształcenia lekarzy ogólnych: jeśli system oprogramowania może przewyższyć lekarza mającego dostęp do materiałów referencyjnych, jakie to ma implikacje dla edukacji medycznej i obsady personalnej?
Większość Amerykanów nadal czuje się nieswojo z opieką wspomaganą przez SI
Na tle tego postępu technicznego ankieta Pew Research Center przeprowadzona wśród 3 488 dorosłych Amerykanów, opublikowana 3 listopada, stanowi wyraźne przypomnienie, że wydajność kliniczna i akceptacja społeczna to nie to samo. Sześćdziesiąt procent respondentów stwierdziło, że czuje się nieswojo, gdy SI jest używana do diagnozowania ich schorzeń lub zalecania leczenia. Jedynie 5% powiedziało, że akceptuje autonomiczne podejmowanie decyzji przez SI w sprawach roszczeń ubezpieczeniowych. Pięćdziesiąt jeden procent wyraziło troskę o bezpieczeństwo swoich osobistych danych zdrowotnych.
Wyróżniające się odkrycie: pacjenci ufają lekarzom najbardziej spośród wszystkich podmiotów, jeśli chodzi o korzystanie z SI w ich interesie — bardziej niż szpitalom, bardziej niż ubezpieczycielom i bardziej niż rządowi. Ma to znaczenie dla sposobu, w jaki narzędzia SI są wprowadzane w środowiskach klinicznych. Technologia, która przewyższa lekarza w kontrolowanym badaniu, może mimo to zawieść we wdrożeniu, jeśli pacjenci wycofają się z opieki lub odmówią stosowania się do zaleceń generowanych przez SI.
Firmy biotechnologiczne odpierają hype wokół odkrywania leków za pomocą SI
Nie wszyscy gracze w obszarze technologii zdrowotnych spieszą się z wdrożeniem SI. Rosnąca liczba startupów biotechnologicznych celowo pomija platformy odkrywania leków oparte na SI, wybierając zamiast tego wysokoprzepustowe eksperymenty w mokrym laboratorium prowadzone przez chemików z doktoratami, a nie modele głębokiego uczenia.
Obawy, które te firmy wskazują, są konkretne: zestawy danych treningowych, które nie reprezentują pełnej przestrzeni chemicznej i biologicznej będącej przedmiotem zainteresowania; sieci neuronowe, których decyzji nie można zbadać ani wyjaśnić; oraz systemy biologiczne zbyt złożone, by obecne architektury mogły je wiarygodnie modelować. Jedna z opisanych firm przeprowadza 50 000 testów związków tygodniowo przy użyciu robotyki — skala, która byłaby nie do pomyślenia bez automatyzacji — ale w całości polega na ludzkich naukowcach przy generowaniu hipotez. Historia ta koryguje przekonanie, że adopcja SI w rozwoju leków jest jednolita lub nieuchronna.
Narzędzie składające się z 30 pytań może wykryć Parkinsona na lata przed pojawieniem się objawów
Zespół z Rensselaer Polytechnic Institute opublikował 4 listopada badanie w Nature Aging opisujące Quest2Dx — model analizujący odpowiedzi na kwestionariusz zdrowotny w celu identyfikacji osób w prodromalnej fazie choroby Parkinsona — okresu przed pojawieniem się objawów ruchowych.
Model szuka wczesnych sygnałów ostrzegawczych, które często wyprzedzają formalną diagnozę o lata, a nawet dekady: zmniejszone wyczucie zapachu, zaburzone fazy snu REM i subtelne zmiany w piśmie odręcznym. Skrócona wersja składająca się z 30 pytań osiągała wyniki niemal tak dobre jak pełne baterie kwestionariuszowe, co ma ogromne znaczenie dla wdrożenia w rzeczywistych warunkach. Krótki kwestionariusz można przeprowadzić podczas wizyty w podstawowej opiece zdrowotnej przy minimalnych kosztach i bez specjalistycznego sprzętu. Jeśli Quest2Dx zostanie zwalidowany w badaniach prospektywnych, mógłby dać neurologom — i pacjentom — znaczącą przewagę czasową w walce z chorobą, w której wcześniejsza interwencja konsekwentnie przynosi lepsze wyniki.
Łącznikiem tych pięciu historii jest przepaść, która je wszystkie przenika: systemy SI osiągają, a w niektórych przypadkach przekraczają ludzkie możliwości w wąsko zdefiniowanych zadaniach klinicznych, lecz droga od wyniku testu do łóżka pacjenta pozostaje dłuższa i trudniejsza, niż może rozwiązać jakiekolwiek pojedyncze badanie. Zaufanie trzeba budować. Klinicyści muszą rozumieć, co narzędzia rzeczywiście robią. A ograniczenia, które podnoszą sceptycy w branży biotechnologicznej — modele czarnej skrzynki, niereprezentatywne dane treningowe, złożoność biologiczna pokonująca obecne architektury — są realne nawet tam, gdzie wyniki nagłówkowe wyglądają imponująco. Badania z tego tygodnia są dowodem na szybki postęp. Nie są jeszcze dowodem na to, że przejście zostało zakończone.