Watson heeft de dokter niet gebeten, en heel goed

Hoewel, zoals op veel andere gebieden, het enthousiasme om artsen te vervangen door AI enigszins is afgenomen na een reeks diagnostische mislukkingen, wordt er nog steeds gewerkt aan de ontwikkeling van op AI gebaseerde geneeskunde. Want desalniettemin bieden ze nog steeds grote kansen en een kans om de efficiëntie van de operaties op veel van haar gebieden te verbeteren.

IBM werd in 2015 aangekondigd en kreeg in 2016 toegang tot gegevens van vier grote patiëntengegevensbedrijven (1). Het beroemdste, dankzij talloze mediaberichten, en tegelijkertijd het meest ambitieuze project met geavanceerde kunstmatige intelligentie van IBM had betrekking op oncologie. Wetenschappers hebben geprobeerd de enorme hoeveelheid gegevens te gebruiken om ze te verwerken om ze om te zetten in goed aangepaste antikankertherapieën. Het doel op lange termijn was om Watson te laten arbitreren klinische proeven en resultaten zoals een arts zou doen.

1. Een van de visualisaties van het medische systeem van Watson Health

Het bleek echter dat Watson kan niet zelfstandig verwijzen naar medische literatuur en evenmin informatie halen uit elektronische medische dossiers van patiënten. De ernstigste beschuldiging tegen hem was echter dat: onvermogen om een ​​nieuwe patiënt effectief te vergelijken met andere oudere kankerpatiënten en om symptomen te detecteren die op het eerste gezicht onzichtbaar zijn.

Toegegeven, er waren enkele oncologen die beweerden vertrouwen te hebben in zijn oordeel, zij het meestal in termen van Watsons suggesties voor standaardbehandelingen, of als een aanvullende, aanvullende medische mening. Velen hebben erop gewezen dat dit systeem een ​​geweldige geautomatiseerde bibliothecaris voor artsen zal zijn.

Als gevolg van niet erg vleiende recensies van IBM problemen met de verkoop van het Watson-systeem in Amerikaanse medische instellingen. IBM-verkopers wisten het te verkopen aan enkele ziekenhuizen in India, Zuid-Korea, Thailand en andere landen. In India evalueerden artsen () Watsons aanbevelingen voor 638 gevallen van borstkanker. Het nalevingspercentage voor behandeladviezen is 73%. Slechter Watson stopte bij het Gachon Medical Center in Zuid-Korea, waar zijn beste aanbevelingen voor 656 colorectale kankerpatiënten slechts 49 procent van de tijd overeenkwamen met de aanbevelingen van deskundigen. Artsen hebben dat beoordeeld Watson deed het niet goed met oudere patiëntendoor hen bepaalde standaardmedicijnen niet aan te bieden, en maakte de cruciale fout om agressieve behandelingssurveillance uit te voeren voor sommige patiënten met gemetastaseerde ziekte.

Uiteindelijk, hoewel zijn werk als diagnosticus en arts als onsuccesvol wordt beschouwd, zijn er gebieden waarop hij buitengewoon nuttig is gebleken. Product Watson voor Genomics, dat is ontwikkeld in samenwerking met de University of North Carolina, Yale University en andere instellingen, wordt gebruikt genetische laboratoria voor het opstellen van rapporten voor oncologen. Watson downloadt lijstbestand genetische mutaties bij een patiënt en kan binnen enkele minuten een rapport genereren met suggesties voor alle belangrijke geneesmiddelen en klinische onderzoeken. Watson verwerkt genetische informatie relatief gemakkelijkomdat ze in gestructureerde bestanden worden gepresenteerd en geen dubbelzinnigheden bevatten: er is sprake van een mutatie, of er is geen mutatie.

IBM-partners van de University of North Carolina publiceerden in 2017 een paper over efficiëntie. Watson vond in 32% van hen potentieel belangrijke mutaties die niet werden geïdentificeerd door studies bij mensen. patiënten bestudeerd, waardoor ze goede kandidaten zijn voor het nieuwe medicijn. Er is echter nog steeds geen bewijs dat gebruik leidt tot betere behandelresultaten.

Domesticatie van eiwitten

Dit en vele andere voorbeelden dragen bij aan het groeiende geloof dat alle tekortkomingen in de gezondheidszorg worden aangepakt, maar we moeten zoeken naar gebieden waar dit echt kan helpen, omdat het daar niet zo goed gaat met mensen. Zo'n veld is bijv. eiwit onderzoek. Vorig jaar kwam er informatie naar voren dat het de vorm van eiwitten nauwkeurig kon voorspellen op basis van hun volgorde (2). Dit is een traditionele taak, die buiten de macht ligt van niet alleen mensen, maar zelfs van krachtige computers. Als we de precieze modellering van het draaien van eiwitmoleculen onder de knie krijgen, liggen er enorme kansen voor gentherapie. Wetenschappers hopen dat we met behulp van AlphaFold de functies van duizenden zullen bestuderen, en dit zal ons op zijn beurt in staat stellen de oorzaken van vele ziekten te begrijpen.

Figuur 2. Eiwit draaien gemodelleerd met DeepMind's AlphaFold.

Nu we kennen tweehonderd miljoen eiwitten, maar we begrijpen de structuur en functie van een klein deel ervan volledig. Eiwitten het is de fundamentele bouwsteen van levende organismen. Ze zijn verantwoordelijk voor de meeste processen die in cellen plaatsvinden. Hoe ze werken en wat ze doen, wordt bepaald door hun 50D-structuur. Ze nemen de juiste vorm aan zonder enige instructies, geleid door de wetten van de fysica. Al decennia lang zijn experimentele methoden de belangrijkste methode om de vorm van eiwitten te bepalen. In de jaren XNUMX werd het gebruik Röntgenkristallografische methoden. In de afgelopen tien jaar is het het onderzoeksinstrument bij uitstek geworden. kristal microscopie. In de jaren 80 en 90 begon men met computers om de vorm van eiwitten te bepalen. De resultaten waren de wetenschappers echter nog steeds niet tevreden. Methoden die voor sommige eiwitten werkten, werkten niet voor andere.

Al in 2018 AlphaFold erkenning gekregen van experts op het gebied van eiwit modellering. In die tijd gebruikte het echter methoden die erg op andere programma's leken. De wetenschappers veranderden van tactiek en creëerden een andere, die ook informatie gebruikte over de fysieke en geometrische beperkingen bij het vouwen van eiwitmoleculen. AlphaFold gaf ongelijke resultaten. Soms deed hij het beter, soms slechter. Maar bijna tweederde van zijn voorspellingen viel samen met de resultaten die met experimentele methoden werden verkregen. Begin jaar 2 beschreef het algoritme de structuur van verschillende eiwitten van het SARS-CoV-3-virus. Later bleek dat de voorspellingen voor het Orf2020a-eiwit consistent zijn met de experimenteel verkregen resultaten.

Het gaat niet alleen om het bestuderen van de interne manieren om eiwitten te vouwen, maar ook om het ontwerp. Onderzoekers van het NIH BRAIN-initiatief gebruikten machine learning een eiwit ontwikkelen dat de serotoninespiegels in de hersenen in realtime kan volgen. Serotonine is een neurochemische stof die een sleutelrol speelt in de manier waarop de hersenen onze gedachten en gevoelens beheersen. Veel antidepressiva zijn bijvoorbeeld ontworpen om de serotoninesignalen die tussen neuronen worden overgedragen, te veranderen. In een artikel in het tijdschrift Cell beschreven wetenschappers hoe ze geavanceerde genetische manipulatie methoden verander een bacterieel eiwit in een nieuw onderzoeksinstrument dat kan helpen bij het volgen van serotoninetransmissie met grotere nauwkeurigheid dan de huidige methoden. Preklinische experimenten, meestal bij muizen, hebben aangetoond dat de sensor onmiddellijk subtiele veranderingen in serotonineniveaus in de hersenen kan detecteren tijdens slaap, angst en sociale interacties, en de effectiviteit van nieuwe psychoactieve medicijnen kan testen.

De strijd tegen de pandemie is niet altijd succesvol geweest

Dit was tenslotte de eerste epidemie waarover we in MT schreven. Als we het bijvoorbeeld hebben over het hele proces van de ontwikkeling van de pandemie, dan leek AI in de beginfase iets van een mislukking. Geleerden hebben geklaagd dat kunstmatige intelligentie kan de omvang van de verspreiding van het coronavirus niet correct voorspellen op basis van gegevens van eerdere epidemieën. “Deze oplossingen werken op sommige gebieden goed, zoals het herkennen van gezichten met een bepaald aantal ogen en oren. SARS-CoV-2-epidemie Dit zijn voorheen onbekende gebeurtenissen en veel nieuwe variabelen, dus kunstmatige intelligentie op basis van de historische gegevens die zijn gebruikt om het te trainen, werkt niet goed. De pandemie heeft aangetoond dat we op zoek moeten naar andere technologieën en benaderingen”, zei Maxim Fedorov van Skoltech in april 2020 in een verklaring aan de Russische media.

Na verloop van tijd waren er echter algoritmen die het grote nut van AI lijken te bewijzen in de strijd tegen COVID-19. Wetenschappers in de VS ontwikkelden in het najaar van 2020 een systeem om kenmerkende hoestpatronen te herkennen bij mensen met COVID-19, ook als ze geen andere symptomen hadden.

Toen vaccins verschenen, ontstond het idee om de bevolking te helpen vaccineren. Ze zou bijvoorbeeld kunnen helpen bij het modelleren van transport en logistiek van vaccins. Ook bij het bepalen welke populaties als eerste gevaccineerd moeten worden om de pandemie sneller aan te pakken. Het zou ook helpen de vraag te voorspellen en de timing en snelheid van vaccinatie te optimaliseren door problemen en knelpunten in de logistiek snel te identificeren. De combinatie van algoritmen met continue monitoring kan ook snel informatie opleveren over mogelijke bijwerkingen en gezondheidsgebeurtenissen.

deze systemen die AI gebruiken in het optimaliseren en verbeteren van de zorg zijn al bekend. Hun praktische voordelen werden gewaardeerd; bijvoorbeeld het gezondheidszorgsysteem dat is ontwikkeld door Macro-Eyes aan de Stanford University in de VS. Zoals het geval is met veel andere medische instellingen, was het probleem het gebrek aan patiënten die niet kwamen opdagen voor afspraken. Macro Ogen bouwde een systeem dat betrouwbaar kon voorspellen welke patiënten er waarschijnlijk niet zouden zijn. In sommige situaties kan hij ook alternatieve tijden en locaties voor klinieken voorstellen, waardoor de kans groter wordt dat een patiënt komt opdagen. Later werd soortgelijke technologie op verschillende plaatsen toegepast, van Arkansas tot Nigeria, met steun van met name het Amerikaanse Agentschap voor Internationale Ontwikkeling i.

In Tanzania werkte Macro-Eyes aan een project gericht op: verhoging van de vaccinatiegraad van kinderen. De software analyseerde hoeveel doses vaccins er naar een bepaald vaccinatiecentrum moesten worden gestuurd. Hij was ook in staat om te beoordelen welke gezinnen misschien terughoudend zijn om hun kinderen te vaccineren, maar ze konden worden overgehaald met de juiste argumenten en de locatie van een vaccinatiecentrum op een gunstige locatie. Met behulp van deze software heeft de Tanzaniaanse overheid de effectiviteit van haar vaccinatieprogramma met 96% kunnen verhogen. en het vaccinafval te verminderen tot 2,42 per 100 mensen.

In Sierra Leone, waar gezondheidsgegevens van bewoners ontbraken, probeerde het bedrijf dit te koppelen aan informatie over onderwijs. Het bleek dat het aantal docenten en hun leerlingen alleen al genoeg was om 70 procent te voorspellen. de nauwkeurigheid van de vraag of de plaatselijke kliniek toegang heeft tot schoon water, wat al een voetafdruk is van gegevens over de gezondheid van de mensen die er wonen (3).

3. Macro-Eyes illustratie van AI-gedreven zorgprogramma's in Afrika.

De mythe van de machinedokter verdwijnt niet

Ondanks mislukkingen Watson nieuwe diagnostische benaderingen worden nog steeds ontwikkeld en worden als steeds geavanceerder beschouwd. Vergelijking gemaakt in Zweden in september 2020. gebruikt bij beeldvormende diagnostiek van borstkanker toonde aan dat de beste van hen op dezelfde manier werkt als een radioloog. De algoritmen zijn getest met behulp van bijna negenduizend mammografische afbeeldingen die zijn verkregen tijdens routinematige screening. Drie systemen, aangeduid als AI-1, AI-2 en AI-3, behaalden een nauwkeurigheid van 81,9%, 67%. en 67,4%. Ter vergelijking: voor radiologen die deze beelden als de eerste interpreteren, was dit cijfer 77,4%, en in het geval van radiologenwie was de tweede om het te beschrijven, het was 80,1 procent. Het beste van de algoritmen was ook in staat om gevallen te detecteren die radiologen tijdens de screening over het hoofd hadden gezien, en vrouwen werden in minder dan een jaar als ziek gediagnosticeerd.

Volgens de onderzoekers bewijzen deze resultaten dat: kunstmatige intelligentie-algoritmen helpen bij het corrigeren van fout-negatieve diagnoses van radiologen. Door de mogelijkheden van AI-1 te combineren met een gemiddelde radioloog steeg het aantal gedetecteerde borstkankers met 8%. Het team van het Koninklijk Instituut dat dit onderzoek uitvoert, verwacht dat de kwaliteit van AI-algoritmen zal blijven groeien. Een volledige beschrijving van het experiment is gepubliceerd in JAMA Oncology.

W op een vijfpuntsschaal. Momenteel zijn we getuige van een aanzienlijke technologische versnelling en bereiken we het IV-niveau (hoge automatisering), wanneer het systeem de ontvangen gegevens zelfstandig automatisch verwerkt en de specialist vooraf geanalyseerde informatie biedt. Dit bespaart tijd, voorkomt menselijke fouten en zorgt voor een efficiëntere patiëntenzorg. Dat oordeelde hij een paar maanden geleden Stan AI op het gebied van geneeskunde dicht bij hem, prof. Janusz Braziewicz van de Poolse Vereniging voor Nucleaire Geneeskunde in een verklaring aan het Poolse Persbureau.

4. Machine bekijken van medische beelden

Algoritmen, volgens experts als prof. Brazievichzelfs onmisbaar in deze branche. De reden is de snelle toename van het aantal diagnostische beeldvormende tests. Alleen voor de periode 2000-2010. het aantal MRI-onderzoeken en onderzoeken is vertienvoudigd. Helaas is het aantal beschikbare gespecialiseerde artsen dat deze snel en betrouwbaar zou kunnen uitvoeren niet toegenomen. Er is ook een tekort aan gekwalificeerde technici. De implementatie van op AI gebaseerde algoritmen bespaart tijd en maakt volledige standaardisatie van procedures mogelijk, evenals het vermijden van menselijke fouten en efficiëntere, gepersonaliseerde behandelingen voor patiënten.

Zoals later bleek, ook forensische geneeskunde kan profiteren van ontwikkeling van kunstmatige intelligentie. Specialisten op dit gebied kunnen het exacte tijdstip van overlijden van de overledene bepalen door chemische analyse van de afscheidingen van wormen en andere wezens die zich voeden met dood weefsel. Een probleem ontstaat wanneer mengsels van secreties van verschillende typen necrofagen in de analyse worden opgenomen. Hier komt machine learning om de hoek kijken. Wetenschappers van de Universiteit van Albany hebben ontwikkeld een kunstmatige-intelligentiemethode die een snellere identificatie van wormsoorten mogelijk maakt op basis van hun "chemische vingerafdrukken". Het team trainde hun computerprogramma met behulp van mengsels van verschillende combinaties van chemische afscheidingen van zes soorten vliegen. Hij ontcijferde de chemische kenmerken van insectenlarven met behulp van massaspectrometrie, die chemicaliën identificeert door nauwkeurig de verhouding van massa tot elektrische lading van een ion te meten.

Dus, zoals je kunt zien, echter AI als rechercheur niet erg goed, het kan erg handig zijn in een forensisch lab. Misschien verwachtten we in dit stadium te veel van haar, anticiperend op algoritmen die artsen werkloos zouden maken (5). Als we kijken naar kunstmatige intelligentie meer realistisch, gericht op specifieke praktische voordelen in plaats van de algemene, ziet haar carrière in de geneeskunde er weer veelbelovend uit.

5. Visie op de auto van de dokter