Машинное обучение значительно улучшит здравоохранение. Уже есть множество эффективных медицинских приложений от визуализации до прогнозирования повторных обращений. Но есть и дорогостоящие проекты, которые не достигли своих целей.
Дерек А.Хаас, генеральный директор Avant-garde Health, компании, занимающейся технологиями и аналитикой в области здравоохранения с коллегами выявили три распространенных мифа о машинном обучении (МО) в здравоохранении.
Миф 1: Машинное обучение может многое из того, что делают врачи.
Реальность такова, что приложения МО могут выполнять то, что делают врачи сегодня, но они не заменят большую часть того, что будут делать врачи в обозримом будущем (даже радиологи). Врачи выполняют три основных функции: (1) помогают предотвратить заболевание людей, (2) диагностируют, что не так, когда люди заболевают, и (3) обеспечивают уход и лечение. МО действительно вносит важный вклад в первую и вторую функции. Например, алгоритмы МО оказались особенно полезными при прогнозировании характеристик рака по изображениям или при диагностике переломов по рентгеновским снимкам. Алгоритмы обучения без участия человека продемонстрировали потенциал в связывании рисков заболеваний с геномными биомаркерами.
Подписывайтесь на Youtube-канал delo.uaОднако даже при дальнейшем развитии этих приложений они не смогут обеспечивать уход и лечение. Выводы, сделанные МО должны быть проанализированы кем-то со знанием предметной области; в противном случае тривиальные данные могут быть интерпретированы как существенные, а основные данные — как тривиальные. Эти взаимосвязи затем должны быть переведены в практическое клиническое управление.
Существует также человеческий фактор, помогающий пациентам решить, стоит ли и каким образом получать лечение. У пациентов часто возникают опасения или неуверенность по поводу прохождения лечения. Врачи должны учитывать психическое состояние пациента, ожидания, историю и культурные факторы в процессе совместного принятия решений с пациентом и его семьей. Пациенты ценят это взаимодействие с человеком, и могут расстроиться, если не получат его в нужное время.
Наконец, после завершения лечения сам процесс восстановления требует тщательного контроля и заботы. Осложнения часто выявляются при клиническом наблюдении, а не по протоколу тестирования или диагностики.
Миф 2: Большие данные + прогрессивные научные ученые — всегда залог успеха.
Реальность такова, что эти данные необходимы, но не достаточны. Чем больше данных, тем лучше, но только если это правильные данные, и мы их полностью понимаем. Мы считаем полезным задавать следующие вопросы:
Как собирались данные? Подумайте, как принятие электронных медицинских карт (ЭМК) может привести к тому, что все поставленные диагнозы и лекарства, назначенные разными врачами для пациента, будут включены в единую запись — такую, которая будет более полной, чем бумажные записи отдельных врачей. Без учета этого изменения, которое уменьшит, если вообще не исключит, потери информации, можно ошибочно сделать вывод, что количество людей с заболеваниями стало гораздо больше, основываясь только на том, что больше стало людей с сезонными заболеваниями.
С какой целью были собраны данные? Рассмотрим лабораторные данные, собранные больницей. Поскольку больница собирает данные о пациентах, которых лечат в больнице, она не будет репрезентативной для населения, так как больные люди с большей вероятностью будут брать кровь в больнице.
Каковы потенциальные проблемы или ограничения данных? Рассмотрим данные о пациентах, собранные во многих организациях, которые используют одного и того же поставщика. Несмотря на то, что все организации могут использовать одного поставщика EHR (электронных медицинских карт), структура данных, значения полей и степень чистоты данных, вероятно, различаются в разных организациях.
Изменились ли обстоятельства? Данные, которые использовались для построения модели МО, все еще актуальны? Например, пол исторически был представлен как мужчина и женщина. Сегодня гендерная идентичность представлена как мужской, женский, другой и неизвестный. В ближайшем будущем это, вероятно, будет представлено как ответы на ряд вопросов, которые позволят врачам найти наилучший подход к клиенту и высказывать ему уважение.
Высококвалифицированные специалисты в области данных имеют решающее значение для построения сложных моделей МО, но также важно иметь экспертов по предметной области, которые понимают, как думать о моделях и результатах. Представьте себе использование большого набора данных для разработки алгоритма прогнозирования выживаемости пациентов с раком. Модель идентифицирует множество факторов, связанных с самой низкой выживаемостью. Одним из факторов оказывается количество визитов пациента в поликлинику. Естественно, что пациенты, которые умерли, имели бы больше амбулаторных посещений, а также визуализации и анализов в течение недель или месяцев, предшествующих их смерти, чем те, кто был здоровее. Однако было бы неправильно определять эти факторы как фактор риска смерти в этой выборке пациентов.
В некоторых случаях подход МО-плюс-человек работает лучше всего. Часто выходные данные модели МО не являются окончательными, но имеют связанную с этим вероятность.
Миф 3: Успешные алгоритмы будут приняты и использованы.
К сожалению, многие мощные алгоритмы не приняты или не используются, потому что они не интегрированы в рабочий процесс потенциальных пользователей. Одна из больниц создала приложение, которое поможет врачам определить, кто является тем специалистом, к которому они должны направить пациента с конкретной проблемой. Никто не использовал это. Врачи были слишком заняты, чтобы выйти из электронный медицинской карты, открыть приложение, ввести в него информацию, а затем вернуться к использованию карты. Сьюзан Девор, исполнительный директор Premier, аналитической компании, которая обслуживает поставщиков медицинских услуг, отметила, что "самый большой пробел в инструментах поддержки принятия решений — это включение их в рабочий процесс карты".
Существует много способов использовать поддержку принятия решений, основанную на МО, в том числе справочные материалы, комплекты заказов, планы обслуживания, отчеты и оповещения. Из них оповещения на этапе принятия решений, как правило, являются наиболее эффективными. Например, приложение, созданное для Медицинского центра Бет Исраэль Диконесс (BIDMC) в Бостоне. Согласие на операцию приходит разными способами — на бумаге, по почте, по факсу и по электронной почте. Найти их может быть проблемой. BIDMC создал приложение МО, которое автоматически "считывает" входящие факсы и записывает их в нужную медицинскую карту, добавляя предупреждение в контрольный список перед операцией. Это экономит 120 часов рабочего времени в месяц. Другой пример касается своевременной выписки пациентов из больницы, что имеет решающее значение для оптимизации рабочего процесса, управления местами и доходов. BIDMC создал приложение, которое прогнозирует дату выписки с высокой степенью точности. Предоставление этой информации клиницистам и кураторам помогает доставить пациентов домой в нужное время, сокращая количество ненужных больничных дней.
Эти успешные примеры, а также многие тысячи других в сфере здравоохранения, дают нам большую уверенность в способности МО значительно улучшить обслуживание пациентов и снизить затраты. Важно подумать над тем, какие проблемы МО способен решить, кто должен быть вовлечен в разработку модели и интерпретацию результатов, и как сделать так, чтобы людям было удобно использовать их и воздействовать на них.
Читайте также: Роботы наступают: проблема, которой мы должны радоваться