делать. The practical implementation of artificial intelligence technologies in medicine
 Скачать 64.99 Kb.
|
| Above and beyond building AI algorithms, ‘productizing’ them for clinical use is incredibly complex17. This productization process requires the availability of a massive amount of data, integration into complex existing clinical workflows, and compliance with regulatory frameworks. | Помимо создания алгоритмов ИИ, «изготовление» их для клинического использования невероятно сложно. Этот процесс производства требует наличия огромного количества данных, интеграции в сложные существующие клинические рабочие процессы и соблюдения нормативных рамок. |
| Existing data-sharing efforts include biobanks and international consortia for medical imaging databases, such as the Cardiac Atlas Project23, the Visual Concept Extraction Challenge in Radiology (VISCERAL) Project24, the UK Biobank (http://www.ukbiobank.ac.uk/), and the Kaggle Data Science Bowl (https://www.kaggle.com/datasets). However, the extent of data sharing required for widespread adoption of AI technologies across health systems will require more expansive efforts. | Существующие усилия по обмену данными включают биобанки и международные консорциумы для баз данных медицинских изображений, такие как Cardiac Atlas Project, проект Visual Concept Extraction Challenge in Radiology (VISCERAL), Британский биобанк (http://www.ukbiobank.ac.uk/ ) и Kaggle Data Science Bowl (https://www.kaggle.com/datasets). Однако масштабы обмена данными, необходимые для широкого внедрения технологий ИИ в системах здравоохранения, потребуют более масштабных усилий. |
| The current healthcare environment holds little incentive for data sharing7. This may change with ongoing healthcare reforms that favor bundled-outcome-based reimbursement over fee-for-service models. This would create greater incentive to compile and exchange information7. Furthermore, the government should promote data sharing. The National Science and Technology Council Committee on Technology recommended that open data standards for AI should be a key priority for federal agencies16. Similarly, a strategic plan issued by the Obama Administration envisioned a ‘sociotechnical’ infrastructure with a wide variety of accessible training and testing datasets22, and the current Trump administration has also expressed support for research and development in AI25. | Нынешняя среда здравоохранения не имеет большого стимула для обмена данными. Это может измениться в связи с продолжающимися реформами здравоохранения, которые отдают предпочтение комплексному возмещению расходов на основе результатов, а не моделям оплаты за услуги. Это создало бы больший стимул для сбора и обмена информацией. Кроме того, правительство должно способствовать обмену данными. Комитет Национального совета по науке и технологиям рекомендовал сделать стандарты открытых данных для ИИ ключевым приоритетом для федеральных агентств. Точно так же стратегический план, выпущенный администрацией Обамы, предусматривал «социотехническую» инфраструктуру с широким спектром доступных наборов данных для обучения и тестирования, а нынешняя администрация Трампа также выразила поддержку исследованиям и разработкам в области ИИ. |
| Some have proposed creating anonymized ‘benchmarking datasets’ with known diagnoses that are updated and ‘calibrated’ at regular intervals using local data from the implementing institutions, similar to how clinical laboratories maintain a local reference standard for blood-based biomarkers9. These maintenance measures would clearly require extensive data sharing and significant human effort. The local calibration is important, because certain algorithms may have local or cultural-specific parameters that may not be generalizable to different populations. | Некоторые предложили создать анонимные «наборы данных для сравнительного анализа» с известными диагнозами, которые обновляются и «калибруются» через регулярные промежутки времени с использованием местных данных от учреждений-исполнителей, подобно тому, как клинические лаборатории поддерживают местный эталонный стандарт для биомаркеров на основе крови. Эти меры по техничекому обслуживанию явно потребуют обширного обмена данными и значительных человеческих усилий. Локальная калибровка важна, потому что некоторые алгоритмы могут иметь местные или культурно-специфические параметры, которые нельзя обобщить на разные группы населения. |