The practical implementation of artificial intelligence technologies in medicine | | Abstract | Резюме |
The development of artificial intelligence (AI)-based technologies in medicine is advancing rapidly, but real-world clinical implementation has not yet become a reality. Here we review some of the key practical issues surrounding the implementation of AI into existing clinical workflows, including data sharing and privacy, transparency of algorithms, data standardization, and interoperability across multiple platforms, and concern for patient safety. We summarize the current regulatory environment in the United States and highlight comparisons with other regions in the world, notably Europe and China.
|
Развитие технологий на основе искусственного интеллекта (ИИ) в медицине идет быстрыми темпами, но практическое клиническое внедрение еще не стало реальностью. Здесь мы рассмотрим некоторые из ключевых практических вопросов, связанных с внедрением ИИ в существующие клинические рабочие процессы, включая совместное использование данных и конфиденциальность, прозрачность алгоритмов, стандартизацию данных и совместимость на нескольких платформах, а также заботу о безопасности пациентов. Мы обобщаем текущую нормативную среду в Соединенных Штатах и выделяем сравнения с другими регионами мира, особенно с Европой и Китаем.
|
AI has recently experienced an era of explosive growth across many industries, and the healthcare industry is no exception. Studies across multiple medical specialties have employed AI to mimic the diagnostic abilities of physicians1,2,3,4. The hope is that AI may augment the ability of humans to provide healthcare. However, although these technologies are rapidly advancing, their implementation into patient-care settings has not yet become widespread. Here we review some key issues surrounding implementation of AI-based technologies in healthcare.
|
ИИ недавно пережил период бурного роста во многих отраслях, и здравоохранение не является исключением. Есть надежда, что ИИ может расширить возможности людей по оказанию медицинской помощи. Однако, хотя эти технологии быстро развиваются, их внедрение в лечебные учреждения еще не получило широкого распространения. Здесь мы рассмотрим некоторые ключевые вопросы, связанные с внедрением технологий на основе ИИ в здравоохранение.
| The current status of AI in medicine | |
AI involves the development of computer algorithms to perform tasks typically associated with human intelligence5. AI is broadly used in both the technical and popular lexicon to encompass a spectrum of learning, including but not limited to machine learning, representation learning, deep learning, and natural language processing (see Box 1 for definitions). Regardless of the specific technique, the general aim of these technologies in medicine is to use computer algorithms to uncover relevant information from data and to assist clinical decision-making6. AI technologies can perform a wide array of functions, such as aiding in diagnosis generation and therapy selection, making risk predictions and stratifying disease, reducing medical errors, and improving productivity7,8 (Fig. 1).
|
ИИ включает в себя разработку компьютерных алгоритмов для выполнения задач, обычно связанных с человеческим интеллектом. ИИ широко используется как в техническом, так и в популярном лексиконе, чтобы охватить весь спектр обучения, включая, помимо прочего, машинное обучение, репрезентативное обучение, глубокое обучение и обработку естественного языка (определения см. во вставке 1). Независимо от конкретного метода, общая цель этих технологий в медицине состоит в том, чтобы использовать компьютерные алгоритмы для извлечения соответствующей информации из данных и для помощи в принятии клинических решений. Технологии искусственного интеллекта могут выполнять широкий спектр функций, таких как помощь в постановке диагноза и выборе терапии, прогнозирование риска и стратификация заболевания, сокращение медицинских ошибок и повышение производительности.
|
Personal health data may include demographics, healthcare provider notes, images, laboratory results, genetic testing data, and recordings from medical devices or wearable sensors. A multitude of technology platforms may be involved in the generation or collection of this data, including network servers, electronic health records (EHRs), genomic data, personal computers, smart phones and mobile apps, and wearable devices and sensors. With improved global connectivity via the Internet and technology with cloud-based capabilities, data access and distribution has become easier as well. Integration of big data concerning health and disease will provide unprecedented opportunities in the management of healthcare information at the interface of patients, physicians, hospitals and healthcare authorities, and regulatory bodies.
|
Личные данные о здоровье могут включать демографические данные, заметки медицинских работников, изображения, результаты лабораторных исследований, данные генетического тестирования и записи с медицинских устройств или носимых датчиков. В создании или сборе этих данных может участвовать множество технологических платформ, включая сетевые серверы, электронные медицинские карты (ЭМК), геномные данные, персональные компьютеры, смартфоны и мобильные приложения, а также носимые устройства и датчики. Благодаря улучшенной глобальной связи через Интернет и технологиям с облачными возможностями доступ к данным и их распространение также стали проще. Интеграция больших данных, касающихся здоровья и болезней, предоставит беспрецедентные возможности в управлении медицинской информацией для взаимодействия пациентов, врачей, больниц, органов здравоохранения и регулирующих органов.
| Box 1. Key terms in artificial intelligence
Artificial intelligence: A branch of applied computer science wherein computer algorithms are trained to perform tasks typically associated with human intelligence.
Machine learning: Providing knowledge to computers through data without explicit programming. Attempts to optimize a ‘mapping’ between inputs and outputs.
Representation learning: Learning effective representations of a data source algorithmically, as opposed to hand-crafting combinations of data features.
Deep learning: Multiple processing layers are used to learn representations of data with multiple layers of abstraction.
Supervised learning: Training is conducted with specific labels or annotations.
Unsupervised learning: Training is conducted without any specific labels, and the algorithm clusters data to reveal underlying patterns.
Natural language processing: The organization of unstructured narrative text into a structured form that can be interpreted by a machine and allows for automated information extraction.
| Вставка 1. Ключевые термины искусственного интеллекта
Машинное обучение: передача знаний компьютерам посредством данных без явного программирования. Попытки оптимизировать «отображение» между вводом и выводом [информации].
Обучение представлению: алгоритмическое изучение эффективных представлений источника данных, в отличие от ручного создания комбинаций функций данных.
Глубокое обучение: несколько уровней обработки используются для изучения представлений данных с несколькими уровнями абстракции.
Обучение под наблюдением (обучение с учителем): обучение проводится с использованием определенных меток или аннотаций.
Неконтролируемое обучение (обучение без учителя): обучение проводится без каких-либо конкретных меток, а алгоритм группирует данные для выявления базовых закономерностей.
Обработка естественного языка: организация неструктурированного повествовательного текста в структурированную форму, которая может быть интерпретирована машиной и позволяет автоматически извлекать информацию.
| Potential roles for AI in clinical settings
We envision several ways in which AI-based technologies could be implemented into clinical practice. The first is as a triage or screening tool. For example, AI could analyze radiology images and use the probability of disease as a basis to decide which images should be interpreted first by a human radiologist9, or it could examine retinal images to determine which patients have a vision-threatening condition and should be referred to an ophthalmologist2. Similarly, the Babylon app, an AI-based chatbot being piloted in the United Kingdom10, is essentially a triage tool used to differentiate patients who simply need reassurance from those who need referral for an in-person examination. AI-based triaging would theoretically decrease burden on the healthcare system and direct resources toward the patients most likely to have a real medical need.
| Потенциальные роли ИИ в клинических условиях
Мы предполагаем несколько способов внедрения технологий на основе ИИ в клиническую практику. Во-первых, как инструмент сортировки или скрининга. Например, ИИ может анализировать рентгенологические изображения и использовать вероятность заболевания в качестве основы для принятия решения о том, какие изображения должны быть интерпретированы рентгенологом в первую очередь, или ИИ может исследовать изображения сетчатки, чтобы определить, какие пациенты имеют состояние, угрожающее зрению, и должны быть направлены на лечение. к офтальмологу. Точно так же приложение Babylon, чат-бот на основе искусственного интеллекта, запущенный в Соединенном Королевстве, по сути является инструментом сортировки, используемым для разделения пациентов, которым просто нужно заверение, от тех, кому требуется направление на личное обследование. Сортировка на основе ИИ теоретически снизит нагрузку на систему здравоохранения и направит ресурсы на пациентов, которые, скорее всего, действительно нуждаются в медицинской помощи.
|
AI technologies may also function in a replacement scenario. While unlikely to replace human healthcare providers entirely, AI may perform certain tasks with greater consistency, speed, and reproducibility than humans. Examples include estimation of bone age on radiographic exams9, diagnosing treatable retinal diseases on optical coherence tomography2,11, or quantifying vessel stenosis and other metrics on cardiac imaging12. By automating tasks which are not theoretically complex but can be incredibly labor- and time-intensive, healthcare providers may be freed to tackle more complex tasks, representing an improved use of human capital.
|
Технологии искусственного интеллекта также могут работать в альтернативном сценарии. Хотя ИИ вряд ли полностью заменит медицинских работников, он может выполнять определенные задачи с большей согласованностью, скоростью и воспроизводимостью, чем люди. Примеры включают оценку костного возраста при рентгенографическом исследовании, диагностику излечимых заболеваний сетчатки при оптической когерентной томографии или количественную оценку стеноза сосудов и других показателей при визуализации сердца. Автоматизируя задачи, которые теоретически несложны, но могут быть невероятно трудоемкими и затратными по времени, поставщики медицинских услуг могут быть освобождены для решения более сложных задач, представляя более эффективное использование человеческого капитала.
|
Perhaps the most powerful role for AI will be as an add-on to or augmentation of human providers. Studies have demonstrated a synergistic effect when clinicians and AI work together, producing better results than either alone13,14. AI-based technologies could also augment real-time clinical decision support, resulting in improved efforts toward precision medicine15.
|
Возможно, самая действенная роль ИИ будет заключаться в том, чтобы дополнять или усиливать человеческие возможности. Исследования продемонстрировали синергетический эффект, когда медицинские работники и ИИ работают вместе, что дает лучшие результаты, чем каждый из них по отдельности. Технологии на основе искусственного интеллекта также могут улучшить поддержку принятия клинических решений в режиме реального времени, что приведет к улучшению усилий в области точной медицины.
| Engagement in the AI health space
The AI health space seems to be constantly expanding. The National Science and Technology Council’s Committee on Technology estimated that the US government’s investment in research and development in AI-related technologies was $1.1 billion in 2015 and that this will substantially increase over subsequent years16. While this amount also includes funding for other areas, even within healthcare the numbers are staggering. To illustrate, Massachusetts General Hospital and Brigham and Women’s Hospital have spent more than $1 billion on health information and data collection infrastructures to promote operationalizing AI algorithms for real-world clinical practice17. While much of this investment was for an EHR system, because many AI technologies will be expected to interface with the EHR in order to influence the delivery of healthcare, this infrastructure investment can be considered an initial step toward translating AI algorithms, even if EHR implementation is not AI per se. In addition, academic institutions are increasingly engaged in AI-related research: 212 AI-related publications were indexed globally in 1990, increasing to 1,153 in 201418.
| Участие в сфере здравоохранения ИИ
Сфера здравоохранения ИИ, кажется, постоянно расширяется. Комитет по технологиям Национального совета по науке и технологиям подсчитал, что инвестиции правительства США в исследования и разработки в области технологий, связанных с ИИ, в 2015 году составили около 1,1 миллиарда долларов США и что в последующие годы эта сумма существенно возрастет. Хотя эта сумма также включает финансирование других областей, даже в сфере здравоохранения цифры ошеломляют. Например, Massachusetts General Hospital и Brigham and Women’s Hospital потратили более 1 миллиарда долларов на инфраструктуру медицинской информации и сбора данных, чтобы способствовать внедрению алгоритмов ИИ в реальную клиническую практику. Хотя большая часть этих инвестиций была направлена на систему ЭМК, поскольку ожидается, что многие технологии ИИ будут взаимодействовать с электронной медицинской картой (ЭМК), чтобы влиять на предоставление медицинских услуг, эти инвестиции в инфраструктуру можно считать начальным шагом к переводу алгоритмов ИИ, даже если внедрение ЭМК не является ИИ как таковым. К тому же, научные учреждения все активнее занимаются исследованиями, связанными с ИИ: в 1990 году во всем мире было проиндексировано 212 публикаций, связанных с ИИ, а в 2014 году их число увеличилось до 1 153.
|
On the industry side, AI-related health start-ups have experienced increased funding and investor interest. By 2021, growth in the AI market is expected to reach $6.6 billion19. The number of healthcare-focused AI deals increased from less than 20 in 2012 to nearly 70 by mid-201620. Even companies not traditionally linked with healthcare, such as Google and Amazon, are increasing their involvement in this sector.
|
Что касается отрасли, стартапы в области здравоохранения, связанные с ИИ, столкнулись с увеличением финансирования и интереса инвесторов. Ожидается, что к 2021 году рост рынка ИИ достигнет 6,6 млрд долларов. Количество сделок с ИИ, ориентированных на здравоохранение, увеличилось с менее чем 20 в 2012 году до почти 70 к середине 2016 года. Даже компании, традиционно не связанные со здравоохранением, такие как Google и Amazon, расширяют свое участие в этом секторе.
|
Despite this growing interest in healthcare-related AI, substantial translation or implementation of these technologies into clinical use has not yet transpired. How we tackle issues in implementation in the next few years will likely have far-reaching impacts for the future practice of medicine.
|
Несмотря на этот растущий интерес к искусственному интеллекту, связанному со здравоохранением, существенного перевода или внедрения этих технологий в клиническое использование еще не произошло. То, как мы будем решать вопросы реализации внедрения в ближайшие несколько лет, вероятно, будет иметь далеко идущие последствия для будущей медицинской практики.
| Key issues in implementation | Ключевые вопросы внедрения | |
Скачать 64.99 Kb.