Pakar AI membahas bagaimana mengintegrasikan AI yang kuat ke dalam perawatan kesehatan, mengapa kolaborasi interdisipliner sangat penting, dan potensi AI generatif dalam penelitian.
Feifei Li dan Lloyd Minor memberikan sambutan pembukaan di Simposium Kesehatan Raise Peresmian di Stanford University School of Medicine pada 14 Mei. Steve Fish
Kebanyakan orang yang ditangkap oleh kecerdasan buatan telah memiliki semacam momen "aha", membuka pikiran mereka pada dunia yang memiliki kemungkinan. Pada Simposium Kesehatan Raise perdana pada 14 Mei, Lloyd Minor, MD, Dekan Fakultas Kedokteran Universitas Stanford dan Wakil Presiden Urusan Medis di Universitas Stanford, berbagi perspektifnya.
Ketika seorang remaja yang penasaran diminta untuk merangkum temuannya tentang telinga bagian dalam, ia beralih ke kecerdasan buatan generatif. “Saya bertanya, 'Apa sindrom dehiscence kanal superior?' Minor mengatakan kepada hampir 4.000 peserta simposium. Dalam hitungan detik, beberapa paragraf muncul.
"Mereka bagus, sangat bagus," katanya. “Bahwa informasi ini disusun menjadi deskripsi penyakit yang ringkas, umumnya akurat dan diprioritaskan dengan jelas. Ini cukup luar biasa. "
Banyak kegembiraan Minor untuk acara setengah hari, yang merupakan hasil dari Raise Health Initiative, sebuah proyek yang diluncurkan oleh Stanford University School of Medicine dan Stanford Institute for Human-Centered Intelligence (HAI) untuk membimbing yang bertanggung jawab atas buatan yang bertanggung jawab intelijen. Kecerdasan dalam Penelitian Biomedis, Pendidikan, dan Perawatan Pasien. Para pembicara memeriksa apa artinya menerapkan kecerdasan buatan dalam kedokteran dengan cara yang tidak hanya berguna bagi dokter dan ilmuwan, tetapi juga transparan, adil dan adil bagi pasien.
"Kami percaya ini adalah teknologi yang meningkatkan kemampuan manusia," kata Fei-Fei Li, Profesor Ilmu Komputer di Stanford School of Engineering, Direktur Raise Health with Minor Project dan co-direktur HAI. Generasi demi generasi, teknologi baru dapat muncul: dari urutan molekuler baru antibiotik hingga memetakan keanekaragaman hayati dan mengungkapkan bagian tersembunyi dari biologi mendasar, AI mempercepat penemuan ilmiah. Tetapi tidak semua ini bermanfaat. “Semua aplikasi ini dapat memiliki konsekuensi yang tidak diinginkan, dan kami membutuhkan ilmuwan komputer yang mengembangkan dan mengimplementasikan [kecerdasan buatan] secara bertanggung jawab, bekerja dengan berbagai pemangku kepentingan, dari dokter dan etika ... hingga pakar keamanan dan seterusnya,” katanya. “Inisiatif seperti meningkatkan kesehatan menunjukkan komitmen kami untuk ini.”
Konsolidasi tiga divisi Stanford Medicine - Sekolah Kedokteran, Perawatan Kesehatan Stanford dan Sekolah Kedokteran Kesehatan Anak Stanford University - dan hubungannya dengan bagian lain dari Universitas Stanford telah menempatkannya pada posisi di mana para ahli bergulat dengan perkembangan dari kecerdasan buatan. Masalah manajemen dan integrasi di bidang perawatan kesehatan dan kedokteran. Obat, lagunya pergi.
“Kami diposisikan dengan baik untuk menjadi pelopor dalam pengembangan dan implementasi yang bertanggung jawab atas kecerdasan buatan, dari penemuan biologis mendasar hingga meningkatkan pengembangan obat dan membuat proses uji klinis lebih efisien, hingga pengiriman layanan perawatan kesehatan yang sebenarnya. perawatan kesehatan. Cara sistem perawatan kesehatan diatur, ”katanya.
Beberapa pembicara menekankan konsep sederhana: fokus pada pengguna (dalam hal ini, pasien atau dokter) dan yang lainnya akan mengikuti. "Ini menempatkan pasien di pusat semua yang kami lakukan," kata Dr. Lisa Lehmann, direktur bioetika di Brigham and Women's Hospital. “Kita perlu mempertimbangkan kebutuhan dan prioritas mereka.”
Dari kiri ke kanan: jangkar berita stat Mohana Ravindranath; Jessica Peter Lee dari Microsoft Research; Sylvia Plevritis, Profesor Ilmu Data Biomedis, membahas peran kecerdasan buatan dalam penelitian medis. Steve Fish
Pembicara di panel, yang termasuk Lehmann, ahli bioetika medis Universitas Stanford Mildred Cho, MD, dan Chief Clinical Officer Google Michael Howell, MD, mencatat kompleksitas sistem rumah sakit, menekankan perlunya memahami tujuan mereka sebelum intervensi apa pun. Menerapkannya dan memastikan bahwa semua sistem yang dikembangkan inklusif dan mendengarkan orang -orang yang dirancang untuk membantu.
Salah satu kunci adalah transparansi: itu membuatnya jelas dari mana data yang digunakan untuk melatih algoritma berasal, apa tujuan asli algoritma tersebut, dan apakah data pasien di masa depan akan terus membantu algoritma belajar, di antara faktor -faktor lainnya.
“Mencoba memprediksi masalah etika sebelum menjadi serius [berarti] menemukan sweet spot yang sempurna di mana Anda cukup tahu tentang teknologi untuk memiliki kepercayaan diri, tetapi tidak sebelum [masalah] menyebar lebih jauh dan menyelesaikannya lebih cepat.” , Kata Denton Char. Kandidat Ilmu Kedokteran, Associate Professor Departemen Anestesiologi Anak, Kedokteran Perioperatif dan Kedokteran Nyeri. Salah satu langkah kunci, katanya, adalah mengidentifikasi semua pemangku kepentingan yang mungkin terpengaruh oleh teknologi dan menentukan bagaimana mereka sendiri ingin menjawab pertanyaan -pertanyaan itu.
Jesse Ehrenfeld, MD, presiden American Medical Association, membahas empat faktor yang mendorong adopsi alat kesehatan digital apa pun, termasuk yang didukung oleh kecerdasan buatan. Apakah itu efektif? Apakah ini akan berhasil di institusi saya? Siapa yang membayar? Siapa yang bertanggung jawab?
Michael Pfeffer, MD, kepala petugas informasi Stanford Health Care, mengutip contoh baru -baru ini di mana banyak masalah diuji di antara perawat di Stanford Hospitals. Dokter didukung oleh model bahasa besar yang memberikan anotasi awal untuk pesan pasien yang masuk. Meskipun proyek ini tidak sempurna, dokter yang membantu mengembangkan laporan teknologi bahwa model memudahkan beban kerja mereka.
“Kami selalu fokus pada tiga hal penting: keamanan, efisiensi, dan inklusi. Kami adalah dokter. Kami mengambil sumpah untuk "tidak membahayakan," kata Nina Vasan, MD, Asisten Profesor Psikiatri dan Ilmu Perilaku Klinis, yang bergabung dengan Char dan Pfeffer bergabung dengan kelompok itu. “Ini harus menjadi cara pertama untuk mengevaluasi alat -alat ini.”
Nigam Shah, MBBS, Ph.D., Profesor Kedokteran dan Ilmu Data Biomedis, memulai diskusi dengan statistik yang mengejutkan meskipun ada peringatan yang adil bagi penonton. "Saya berbicara secara umum dan angka, dan kadang -kadang mereka cenderung sangat langsung," katanya.
Menurut Shah, keberhasilan AI tergantung pada kemampuan kita untuk mengukurnya. “Melakukan penelitian ilmiah yang tepat pada suatu model membutuhkan waktu sekitar 10 tahun, dan jika masing -masing dari 123 program beasiswa dan residensi ingin menguji dan menggunakan model ke tingkat kekakuan itu, akan sangat sulit untuk melakukan sains yang benar seperti yang saat ini kami atur saat ini Upaya dan [tes] kami akan menelan biaya $ 138 miliar untuk memastikan setiap situs kami bekerja dengan benar, ”kata Shah. “Kami tidak mampu membeli ini. Jadi kita perlu menemukan cara untuk memperluas, dan kita perlu memperluas dan melakukan sains yang baik. Keterampilan keras berada di satu tempat dan keterampilan penskalaan ada di tempat lain, jadi kita akan membutuhkan jenis kemitraan itu. ”
Associate Dean Yuan Ashley dan Mildred Cho (resepsi) menghadiri Lokakarya Kesehatan Raise. Steve Fish
Beberapa pembicara di Simposium mengatakan ini dapat dicapai melalui kemitraan publik-swasta, seperti perintah eksekutif Gedung Putih baru-baru ini tentang pengembangan yang aman, aman dan dapat dipercaya serta penggunaan kecerdasan buatan dan Konsorsium untuk Kecerdasan Buatan Kesehatan (Chai). ).
"Kemitraan publik-swasta dengan potensi terbesar adalah salah satu antara akademisi, sektor swasta dan sektor publik," kata Laura Adams, penasihat senior untuk Akademi Kedokteran Nasional. Dia mencatat bahwa pemerintah dapat memastikan kepercayaan publik, dan pusat medis akademik dapat. Berikan legitimasi, dan keahlian teknis dan waktu komputer dapat disediakan oleh sektor swasta. “Kita semua lebih baik daripada kita, dan kita menyadari bahwa ... kita tidak dapat berdoa untuk menyadari potensi [kecerdasan buatan] kecuali kita memahami bagaimana berinteraksi satu sama lain.”
Beberapa pembicara mengatakan AI juga berdampak pada penelitian, apakah para ilmuwan menggunakannya untuk mengeksplorasi dogma biologis, memprediksi urutan dan struktur baru molekul sintetis untuk mendukung perawatan baru, atau bahkan membantu mereka meringkas atau menulis makalah ilmiah.
"Ini adalah kesempatan untuk melihat yang tidak diketahui," kata Jessica Mega, MD, seorang ahli jantung di Stanford University School of Medicine dan salah satu pendiri Alphabet's Veryy. Mega menyebutkan pencitraan hiperspektral, yang menangkap fitur gambar yang tidak terlihat oleh mata manusia. Idenya adalah menggunakan kecerdasan buatan untuk mendeteksi pola dalam slide patologi yang tidak dilihat manusia yang menunjukkan penyakit. “Saya mendorong orang untuk merangkul yang tidak diketahui. Saya pikir semua orang di sini mengenal seseorang dengan semacam kondisi medis yang membutuhkan sesuatu di luar apa yang dapat kami berikan hari ini, ”kata Mejia.
Para panelis juga sepakat bahwa sistem kecerdasan buatan akan memberikan cara baru untuk mengidentifikasi dan memerangi pengambilan keputusan yang bias, baik yang dibuat oleh manusia atau kecerdasan buatan, dengan kemampuan untuk mengidentifikasi sumber bias.
"Kesehatan lebih dari sekadar perawatan medis," beberapa panelis setuju. Pembicara menekankan bahwa para peneliti sering mengabaikan penentu sosial kesehatan, seperti status sosial ekonomi, kode pos, tingkat pendidikan, dan ras dan etnis, ketika mengumpulkan data inklusif dan merekrut peserta untuk studi. "AI hanya seefektif data di mana model dilatih," kata Michelle Williams, seorang profesor epidemiologi di Universitas Harvard dan seorang profesor epidemiologi dan kesehatan populasi di Fakultas Kedokteran Universitas Stanford. “Jika kita melakukan apa yang berusaha kita lakukan. Meningkatkan hasil kesehatan dan menghilangkan ketidaksetaraan, kita harus memastikan kita mengumpulkan data berkualitas tinggi tentang perilaku manusia dan lingkungan sosial dan alam. ”
Natalie Pageler, MD, profesor klinis pediatri dan kedokteran, mengatakan data kanker agregat sering kali tidak termasuk data tentang wanita hamil, menciptakan bias yang tak terhindarkan dalam model dan memperburuk perbedaan yang ada dalam perawatan kesehatan.
David Magnus, seorang profesor pediatri dan kedokteran, mengatakan bahwa seperti teknologi baru, kecerdasan buatan dapat membuat segalanya lebih baik dalam banyak hal atau memperburuknya. Risiko, kata Magnus, adalah bahwa sistem kecerdasan buatan akan belajar tentang hasil kesehatan yang tidak adil yang didorong oleh penentu sosial kesehatan dan memperkuat hasil -hasil tersebut melalui output mereka. "Kecerdasan buatan adalah cermin yang mencerminkan masyarakat tempat kita tinggal," katanya. “Saya berharap bahwa setiap kali kita memiliki kesempatan untuk menyinari masalah - untuk memegang cermin untuk diri kita sendiri - itu akan berfungsi sebagai motivasi untuk memperbaiki situasi.”
Jika Anda tidak dapat menghadiri Lokakarya Kesehatan Raise, rekaman sesi dapat ditemukan di sini.
Stanford University School of Medicine adalah sistem perawatan kesehatan akademik terintegrasi yang terdiri dari Fakultas Kedokteran Universitas Stanford dan sistem pemberian perawatan kesehatan dewasa dan anak. Bersama -sama mereka menyadari potensi penuh biomedis melalui penelitian kolaboratif, pendidikan dan perawatan pasien klinis. Untuk informasi lebih lanjut, kunjungi med.stanford.edu.
Model kecerdasan buatan baru membantu dokter dan perawat di Rumah Sakit Stanford bekerja sama untuk meningkatkan perawatan pasien.
Waktu posting: Jul-19-2024