Потенциал использования методов машинного обучения в медицине огромен. Поскольку электронные медицинские карты стали широко доступны, есть надежда, что машинное обучение улучшит диагностику и лечение. Однако внедрение этих новых методологий в медицинскую практику является сложной задачей. Новые методы должны соответствовать стандартам здравоохранения, например, в отношении ответственности врачей и конфиденциальности пациентов, и должны быть плавно интегрированы в практику принятия клинических решений.
Мы имели удовольствие поговорить с Артуром Папье, который десятилетиями работал над подобными проблемами. Дерматолог по образованию, он начал работать с электронными медицинскими картами в 1980-х годах и запустил инструмент поддержки принятия клинических решений под названием VisualDX на рубеже тысячелетий. VisualDX помогает врачам исследовать все диагностические возможности с помощью визуальных подсказок. Инструмент сочетает в себе поиск в базе данных о том, какие симптомы и находки передают какой диагноз, с изображениями того, как рассматриваемое заболевание выглядит на коже, глазах, во рту и на рентгенограммах.
Артур Папье расскажет о своем опыте работы с системами поддержки принятия клинических решений, а также о возможностях и проблемах машинного обучения в здравоохранении на симпозиуме « Человеческий интеллект и искусственный интеллект в медицине» в Стэнфорде 17 апреля. Регистрация на мероприятие еще открыта.
PLOS ONE в сотрудничестве с PLOS Medicine и PLOS Computational Biology в настоящее время запрашивает статьи по машинному обучению для здоровья и биомедицины .
Интервью с Артуром Папье
Как вы пришли к работе с системами поддержки принятия клинических решений?
Мне посчастливилось работать с Лоуренсом Виидом, врачом, который изобрел проблемно-ориентированную систему записи информации о пациентах, называемую SOAP-заметками, в 1980-х годах. В 1960-х годах доктор Вид осознал, что записи пациентов не только неразборчивы, но и неорганизованны, что мешает ясному мышлению. Вместе с доктором Виидом я работал над программным обеспечением как над стратегией стандартизации способов сбора историй болезни и информации от пациентов. Затем я поехал в Рочестер, штат Нью-Йорк, на родину компании Kodak, которая изобрела первые цифровые фотоаппараты. Это дало возможность объединить идеи доктора Вида с концепциями визуализации медицинской информации. Мы начали разрабатывать прототипы наших систем поддержки принятия клинических решений до Интернета, в 1990-х годах. В 1999 году, когда родился Интернет,
Наша основная миссия – улучшить решения по месту оказания медицинской помощи. Наша компания делает ставку на то, что все это невозможно запомнить. Скорее, вам нужно разработать информационные системы, которые стандартизируют знания для поддержки врачей.
С учетом появления новых технологий машинного обучения для клинических приложений, как, по вашему мнению, улучшатся системы поддержки принятия клинических решений в течение следующего десятилетия?
Машинное обучение невероятно увлекательно, во всем мире цунами вызывает цунами. Я думаю, что машинное обучение будет и дальше развиваться с увеличением количества и качества данных. Но главный вопрос в том, для чего вы используете эти методы машинного обучения. В здравоохранении существуют основы оценки пациентов. Этот процесс не подчиняется строгим законам, подобным ньютоновской физике. Скорее, информационные системы должны учитывать серость и двусмысленность. Мы думаем, что, хотя машинное обучение улучшит нашу работу и улучшит конкретные задачи, оно не полностью возьмет на себя медицинское мышление и решение медицинских проблем.
Что касается VisualDX, мы сосредоточились на использовании методов машинного обучения для решения очень конкретных проблем, например, что недерматологи не обладают такими же визуальными знаниями, как дерматологи. Это означает, что они не могут описать сыпь так же хорошо, как дерматологи. Мы обучили нашему методу машинного обучения расширить возможности врачей общей практики по описанию особенностей сыпи и выявлению диагностических возможностей. Метод машинного обучения не подходит для постановки диагноза, а, скорее, помогает врачам организовать свои размышления о возможностях.
Методы машинного обучения будут становиться все лучше и лучше, но они должны быть включены в образ мышления, в существующую структуру. На наш взгляд, машинное обучение – это скорее повышение интеллекта, чем искусственный интеллект . Это сделает нас более острыми и станет окном в то, что мы не могли видеть раньше, но это будет частью системы заботы и системы мышления.
Каковы самые большие проблемы при использовании инструментов машинного обучения в клинических условиях?
Помимо технических проблем, существуют культурные, правовые и социальные проблемы. Как врачи и пациенты взаимодействуют с инструментом, особенно когда речь идет о юридических вопросах ответственности? Если у вас есть система с мощной техникой машинного обучения, которая позволяет сразу поставить диагноз, а врач не может ее проверить, несет ли производитель машины юридическую ответственность в случае ошибки? Что касается такого рода социальных вопросов, мы далеки от понимания того, как мы собираемся их решать. Также существует проблема снижения квалификации людей. Когда люди слишком полагаются на машины , они теряют навыки. В своей работе мы стараемся использовать методы машинного обучения, чтобы получить эффект обучения и тренинга, а не увольнять людей.
Как можно улучшить сотрудничество между исследователями машинного обучения и клиницистами и клиническими исследователями?
Благодаря многолетнему опыту работы с инженерами я понял, что между врачами и инженерами существует огромная разница в мышлении. Инженеры всегда ищут очень дискретные ответы. Но типичный врач говорит: «Я еще не знаю, ответ выпадет со временем. Он неоднозначный, серый». Если инженеры собираются добиться успеха в здравоохранении, я рекомендую им работать с врачами, чтобы понять, как мы решаем проблемы и насколько сложно принимать решения с ограниченными данными, которые у нас есть.
Для многих приложений машинного обучения в здравоохранении, включая системы поддержки принятия решений, доступность данных очень важна. Какие, по вашему мнению, наиболее многообещающие подходы к согласованию конфиденциальности пациентов с обменом данными?
Мы должны быть полностью прозрачными с пациентами и получать информированное согласие на использование их данных в исследованиях. Если вы объясните пациентам, как вы собираетесь использовать их данные, большинство пациентов захотят участвовать в улучшении лечения. Для систем здравоохранения очень важно вовлечь пациентов в этот разговор. Положительным моментом в этом отношении являются приложения, например приложение, которое предлагает Apple, которое позволяет пациентам загружать свои медицинские данные непосредственно с серверов больницы в свой телефон. Техническая компания находится не посередине, и медицинская информация не проходит через их серверы. После этого пациенты получают полный контроль над тем, кому они дают разрешение на использование своих данных. Эти примеры многообещающие, но они требуют соблюдения конфиденциальности. Ведущие технологические компании должны будут соблюдать конфиденциальность, чтобы исследования стали возможными.
Как мы можем дать пациентам возможность участвовать в обсуждении этики и последствий автоматизированных клинических решений, использования данных и искусственного интеллекта в медицине?
Я думаю, что в этом обсуждении должны будут участвовать как врачи, так и их пациенты. Академические центры будут лидировать в привлечении врачей и установлении стандартов прозрачности работы с пациентами . Обсуждение займет время, но при правильном руководстве в академических центрах и технологических компаниях мы доберемся до цели.