ในช่วง 2 ปีที่ผ่านมา โลกอยู่ในยุคของการระบาดใหญ่เนื่องจาก Covid-19 แม้ว่าตอนนี้สถานการณ์จะดีขึ้นแล้ว แต่เชื้อ Covid สายพันธุ์ใหม่ก็ยังเพิ่มขึ้น แพทย์กำลังทำงานตลอด 24 ชั่วโมงทุกวันเพื่อแก้ไขปัญหานี้ นอกจากโควิดแล้ว ยังมีโรคอื่นๆ ที่แพทย์ต้องการอีก แต่จะมีวิธีแก้ไขที่ทำให้งานของแพทย์ง่ายขึ้นได้หรือไม่? ใช่แล้ว มีปัญญาประดิษฐ์ แต่เอไอคืออะไร? และนำไปใช้ในวงการแพทย์ได้อย่างไร?

AI เป็นสาขาวิทยาการคอมพิวเตอร์ที่หลากหลายที่เกี่ยวข้องกับการสร้างเครื่องจักรอัจฉริยะที่สามารถปฏิบัติงานที่โดยทั่วไปต้องใช้สติปัญญาของมนุษย์ วิทยาศาสตร์การแพทย์ใช้ประโยชน์จากระบบคอมพิวเตอร์อัจฉริยะเทียมอย่างมาก การใช้งานทั่วไป ได้แก่ การรักษาผู้ป่วยทางไกล การถอดความตามใบสั่งแพทย์ การเพิ่มการสื่อสารระหว่างแพทย์กับผู้ป่วย การค้นพบและการพัฒนายาตั้งแต่ต้นจนจบ และการวินิจฉัยผู้ป่วย

การวิจัยเบื้องหลัง

จากการสำรวจโดย Deloitte จากบริษัทในสหรัฐฯ 1,100 แห่งที่ใช้ปัญญาประดิษฐ์ ด้วย AI คุณสามารถปรับปรุงแง่มุมองค์กรของอุตสาหกรรมของคุณได้ พยาบาลประจำของสหรัฐอเมริกาใช้เวลา 25% ของชั่วโมงทำงานในงานด้านกฎระเบียบและธุรการ เทคโนโลยีนี้ทำให้ง่ายต่อการรับช่วงงานประจำเหล่านี้ เช่น การเรียกเก็บเงิน การจัดการวงจรรายได้ เอกสารทางคลินิก และการจัดการบันทึก

ในการศึกษา Harvard Business Review อีกครั้ง ผู้บริหารทางการแพทย์และคลินิกมากกว่า 300 คนกล่าวว่าพวกเขามีปัญหาในการมีส่วนร่วมของผู้ป่วย ผู้ตอบแบบสำรวจมากกว่า 70% กล่าวว่าผู้ป่วยน้อยกว่าครึ่งมีส่วนร่วมอย่างลึกซึ้งในกระบวนการรักษา และ 42% ของผู้ตอบแบบสำรวจกล่าวว่าผู้ป่วยน้อยกว่าหนึ่งในสี่มีส่วนร่วมอย่างมาก การมีส่วนร่วมของผู้ป่วยที่เพิ่มขึ้นจะนำไปสู่ผลลัพธ์ด้านสุขภาพของผู้ป่วยที่ดีขึ้นอย่างไม่ต้องสงสัย การเรียนรู้ของเครื่องสามารถให้การแจ้งเตือนข้อความอัตโนมัติและเนื้อหาเป้าหมายที่เกี่ยวข้องซึ่งกระตุ้นให้เกิดการดำเนินการในช่วงเวลาสำคัญ โดยทั่วไปแล้ว AI สามารถปรับแต่งและปรับปรุงกระบวนการรักษาได้หลายวิธี

หนึ่งในการใช้ปัญญาประดิษฐ์ที่ดีที่สุดสำหรับการรักษาพยาบาลคือระบบบอทที่ช่วยลดเวลาในการรักษาได้อย่างมาก พยาบาลผู้ป่วยเสมือนทำหน้าที่เป็นผู้ช่วยด้านสุขภาพที่ควบคุมด้วยเสียง ซึ่งให้ข้อมูลเกี่ยวกับความเจ็บป่วย ปัญหาสุขภาพ และยารักษาโรคต่างๆ วิศวกรข้อมูลทำงานเกี่ยวกับโซลูชันสำหรับกิจกรรมทางการแพทย์ทั้งหมด ซึ่งไม่เพียงแต่ครอบคลุมการตรวจสุขภาพทั่วไปเท่านั้น แต่ยังรวมถึงการรักษาและการป้องกันการเจ็บป่วยด้วย

การมีอยู่ของโมเดลปัญญาประดิษฐ์มีประโยชน์หลายประการ ได้แก่:

  • การให้คะแนนภาวะเบาหวานขึ้นจอประสาทตาอัตโนมัติ ซึ่งช่วยเพิ่มประสิทธิภาพและเร่งการวินิจฉัยผู้ป่วย
  • การให้ความเห็นที่สองสำหรับนักตรวจวัดสายตา
  • การตรวจหาภาวะเบาหวานขึ้นจอตาตั้งแต่เนิ่นๆ ต้องขอบคุณความสามารถของแบบจำลองในการวิเคราะห์ภาพในระดับละเอียด ซึ่งเป็นสิ่งที่จักษุแพทย์ของมนุษย์ไม่สามารถทำได้
  • โครงการริเริ่มคัดกรองที่หลากหลายซึ่งช่วยลดอุปสรรคในการเข้า

ในอุตสาหกรรมการดูแลสุขภาพ เทคโนโลยีปัญญาประดิษฐ์ยังถูกนำมาใช้เพื่อปรับปรุงการดูแลผู้ป่วย และประสบการณ์ของผู้ป่วย และให้ความช่วยเหลือแก่แพทย์ผ่านการจ้างผู้ช่วย AI บริษัทอย่าง BotMD ได้พัฒนาระบบที่สามารถช่วยแก้ไขปัญหาทางคลินิกที่เกี่ยวข้องกับ:

  • ระบบ AI สามารถระบุแพทย์ที่รับสายได้อย่างรวดเร็วและจองการนัดหมายครั้งต่อไป นอกจากนี้ยังสามารถสแกนระบบการจัดตารางเวลาหลายระบบในสถาบันต่างๆ
  • ตอบคำถามเกี่ยวกับใบสั่งยา เช่น ความพร้อมของยาและทางเลือกอื่นที่ราคาไม่แพง
  • การใช้แอปพลิเคชันสมาร์ทโฟนเพื่อช่วยให้แพทย์ค้นหานโยบายของโรงพยาบาล รายการเครื่องมือทางคลินิกที่มีอยู่ และยาที่มีอยู่สามารถปรับปรุงขั้นตอนการทำงานของโรงพยาบาลได้

การประยุกต์ใช้ AI ในด้านการแพทย์

การประยุกต์ใช้ AI ในทางการแพทย์มีมากมายไม่มีที่สิ้นสุด และไม่สามารถครอบคลุมได้ในบล็อกเดียว นี่คือแอปพลิเคชั่นบางส่วนที่กล่าวถึงด้านล่าง

  • การวินิจฉัยผ่านการวิเคราะห์ภาพ

ต่อไปนี้เป็นตัวอย่างสองประการของการประยุกต์ใช้อัลกอริธึมที่แม่นยำและเป็นประโยชน์ในการรักษาในปัจจุบัน ซึ่งสามารถช่วยผู้ป่วยและแพทย์โดยทำให้การวินิจฉัยง่ายขึ้น

อัลกอริธึมแรกเป็นเพียงหนึ่งในหลายตัวอย่างของอัลกอริธึมที่มีอยู่ซึ่งทำงานได้ดีกว่าแพทย์ในงานจัดหมวดหมู่ภาพ นักวิจัยที่โรงพยาบาลมหาวิทยาลัยแห่งชาติโซลและวิทยาลัยแพทยศาสตร์ได้สร้างระบบ AI DLAD (การตรวจจับอัตโนมัติด้วยการเรียนรู้เชิงลึก) ในฤดูใบไม้ร่วงปี 2018 เพื่อวิเคราะห์ภาพเอ็กซ์เรย์ทรวงอกและค้นหาการพัฒนาของเซลล์ที่ผิดปกติ เช่น มะเร็งที่อาจเกิดขึ้น ในภาพถ่ายชุดเดียวกัน ระบบมีประสิทธิภาพเหนือกว่าแพทย์ 17 คนจาก 18 คน เมื่อเปรียบเทียบกับทักษะการตรวจจับของแพทย์ที่แตกต่างกัน

อัลกอริธึมที่สองของเหล่านี้ได้รับการพัฒนาโดยนักวิจัย AI Healthcare ของ Google ในฤดูใบไม้ร่วงปี 2018 ซึ่งเป็นผู้พัฒนา LYNA (ผู้ช่วยต่อมน้ำเหลือง) ซึ่งเป็นระบบการเรียนรู้ที่ตรวจสอบเนื้อเยื่อวิทยาสไลด์ตัวอย่างเนื้อเยื่อที่เปื้อนเพื่อจดจำเนื้องอกมะเร็งเต้านมระยะลุกลามจากการตัดชิ้นเนื้อต่อมน้ำเหลือง แม้ว่านี่ไม่ใช่การใช้ AI ครั้งแรกเพื่อทำการวิเคราะห์ทางเนื้อเยื่อวิทยา แต่สิ่งสำคัญที่ควรทราบคือระบบนี้สามารถระบุจุดที่มีปัญหาในตัวอย่างชิ้นเนื้อที่ให้มาซึ่งแยกไม่ออกจากสายตามนุษย์ ในชุดข้อมูลสองชุด LYNA ได้ถูกนำไปทดสอบ และระบุตัวอย่างที่เป็นมะเร็งหรือไม่เป็นมะเร็งได้สำเร็จถึง 97% นอกจากนี้ LYNA ยังลดเวลาในการดูสไลด์ตามปกติลงครึ่งหนึ่งเมื่อใช้ร่วมกับการวิเคราะห์ตัวอย่างเนื้อเยื่อเปื้อนของแพทย์เป็นประจำ

  • การคาดการณ์ฮอตสปอตของ Covid-19 โดยใช้การติดตามการติดต่อ

หน่วยงานของรัฐใช้การติดตามผู้สัมผัสเป็นกลยุทธ์ในการป้องกันโรคเพื่อหยุดยั้งการแพร่กระจายของโรค การติดตามการติดต่อทำงานโดยการติดต่อ ให้ความรู้ และสั่งการให้ผู้ที่สัมผัสใกล้ชิดกับผู้ที่ติดโรคกักกันตัวเองเพื่อป้องกันไม่ให้โรคแพร่กระจาย ตามรายงานของ Apple Newsroom ยักษ์ใหญ่ด้านเทคโนโลยีอย่าง Google และ Apple ได้ร่วมมือกันพัฒนาแพลตฟอร์มสำหรับการติดตามผู้ติดต่อที่จะใช้ปัญญาประดิษฐ์ผ่านการใช้อินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชันหรือ API ตามที่รู้จักบนอุปกรณ์มือถือ ผู้ใช้ที่ต้องการสมัครเข้าร่วมแพลตฟอร์มจะสามารถรายงานผลการวิจัยในห้องปฏิบัติการของตนได้ แพลตฟอร์มดังกล่าวจะสามารถเข้าถึงทุกคนที่อาจใกล้ชิดกับผู้ติดเชื้อได้ ต้องขอบคุณบริการระบุตำแหน่ง

  • การพัฒนาและการค้นพบยา

การเรียนรู้เชิงลึกด้านการแพทย์สามารถสร้างโครงสร้างทางเคมีใหม่และเร่งกระบวนการค้นพบยาให้เร็วขึ้น มีการใช้ร่วมกับวิธีการที่ใช้ ML อื่นๆ เพื่อประเมินคุณสมบัติทางชีวภาพ การดูดซึม การกระจาย เมแทบอลิซึม และการขับถ่าย (ADME) เพื่อเลือกโมเลกุลที่มีคุณสมบัติทางเคมีกายภาพและชีวภาพที่ได้เปรียบ

โปรแกรม druGAN เป็นตัวอย่างที่ดีของการประยุกต์ใช้ ML ในการดูแลสุขภาพ บนพื้นฐานของคุณสมบัติของยาต้านมะเร็งที่กำหนดไว้ล่วงหน้า มีเป้าหมายเพื่อสร้างลายนิ้วมือระดับโมเลกุลใหม่และการออกแบบยาที่รวมคุณลักษณะที่จำเป็น ได้แสดงให้เห็นถึงความก้าวหน้าที่เห็นได้ชัดเจนในการสร้างการออกแบบยาใหม่ๆ ที่มีคุณสมบัติเฉพาะ

  • การจัดการเวชระเบียน

เวลาของแพทย์ถูกใช้ไปอย่างมากกับการเก็บบันทึก อย่างไรก็ตาม ML ในการดูแลสุขภาพสามารถแก้ไขปัญหานี้ได้ สามารถบรรเทาแพทย์จากกิจกรรมที่ทำซ้ำๆ มากมาย ควบคู่ไปกับการประมวลผลภาษาธรรมชาติ (NLP) ซึ่งเป็นอีกสาขาหนึ่งของ AI ตัวอย่างเช่น อัลกอริธึม NLP สามารถแปลงคำพูดของมนุษย์ในระหว่างการเยี่ยมผู้ป่วยเป็นข้อความ ทำให้แพทย์ไม่จำเป็นต้องป้อนบันทึกทางคลินิกด้วยตนเอง นอกจากนี้ ด้วยการปลดล็อกข้อมูลที่ไม่มีโครงสร้างอันมีค่าจาก EHR, NLP และอัลกอริธึมการรู้จำอักขระด้วยแสง (OCR) ช่วยให้แพทย์สามารถใช้ข้อมูลนี้เพื่อการวิเคราะห์และการตัดสินใจได้ นอกจากนี้ อัลกอริธึมเหล่านี้ยังสามารถจัดระเบียบและจัดเรียงเอกสารทางคลินิก ทำให้เหมาะสำหรับการเรียนรู้ของเครื่องมากขึ้น

ธุรกิจสัญชาติดัตช์ "MedInReal" ซึ่งนำเสนอผู้ช่วยดูแลเสมือนจริงสำหรับแพทย์ที่ใช้ AI เป็นตัวอย่างที่ยอดเยี่ยม พวกเขาสามารถอัปเดต EHR โดยใช้ความสามารถของ NLP และทำให้ขั้นตอนที่น่าเบื่อเป็นอัตโนมัติ ใช้การเรียนรู้ของเครื่องเพื่อระบุองค์ประกอบของข้อมูลที่มีโครงสร้างและตรวจสอบว่าสอดคล้องกับคำศัพท์ทางการแพทย์ อีกตัวอย่างหนึ่งคือ "Cloud Vision API ของ Google" ซึ่งใช้เทคโนโลยีการจดจำลายมืออยู่แล้วเพื่อจัดระเบียบข้อมูลในบันทึกสุขภาพอิเล็กทรอนิกส์

  • การติดตามแนวโน้มด้านสุขภาพจิต

การเรียนรู้และการทำนายข้อกังวลด้านสุขภาพจิตทั่วโลกหรือในกลุ่มประชากรเฉพาะเป็นหนึ่งในการประยุกต์ใช้แมชชีนเลิร์นนิงในการดูแลสุขภาพ กลุ่มประชากรที่ไวต่อความเครียด เช่น โรคระบาดหรือภัยพิบัติทางธรรมชาติ ผู้เชี่ยวชาญด้านสุขภาพจิตอาจระบุกลุ่มประชากรได้โดยใช้ผลการสอบสวนนี้

ตัวอย่างเช่น การตรวจสอบภาษาที่ผู้คนใช้ในการถ่ายทอดความกังวลทางออนไลน์ นักวิจัยของ MIT และมหาวิทยาลัยฮาร์วาร์ดใช้การเรียนรู้ของเครื่องเพื่อวัดผลที่ตามมาจากการระบาดใหญ่ทั่วโลกที่มีต่อสุขภาพจิต พวกเขาค้นพบว่าวิชาที่เกี่ยวข้องกับการฆ่าตัวตายและความเหงาเพิ่มขึ้นเกือบสองเท่าหลังจากที่อัลกอริธึมการเรียนรู้ของเครื่องตรวจสอบข้อความ Reddit 800,000 ข้อความ ผลลัพธ์อาจทำให้จิตแพทย์ตรวจพบและช่วยเหลือผู้ที่ต้องการสุขภาพจิตได้ง่ายขึ้น

  • การผ่าตัดด้วยหุ่นยนต์

ยังเร็วเกินไปที่จะหารือเกี่ยวกับหุ่นยนต์ที่ทำขั้นตอนการผ่าตัดทั้งหมด แต่สามารถช่วยแพทย์ได้มากเมื่อพูดถึงการจัดการเครื่องมือผ่าตัดและการทำงานบางอย่าง การเย็บแบบอัตโนมัติ การประเมินทักษะการผ่าตัด และการปรับปรุงการสร้างแบบจำลองขั้นตอนการทำงาน ทั้งหมดนี้สำเร็จได้ด้วยการใช้การเรียนรู้ของเครื่องจักร
ตัวอย่างเช่น หุ่นยนต์อัตโนมัติสำหรับเนื้อเยื่ออัจฉริยะ (STAR) จากมหาวิทยาลัย Johns Hopkins ได้พิสูจน์แล้วว่าสามารถทำได้ งานผ่าตัดเช่นการเย็บและการผูกปมได้ดีกว่าศัลยแพทย์มนุษย์

บริษัทที่ใช้ AI ในวิทยาศาสตร์การแพทย์

ข้อจำกัดของปัญญาประดิษฐ์ในวิทยาศาสตร์การแพทย์

  • การสร้างแบบจำลองที่มีอคติ

ข้อมูลจะถูกเก็บไว้สำหรับการทดสอบ ในขณะที่ชุดย่อยของข้อมูลที่ได้รับจะถูกนำมาใช้ในการฝึกระบบอัจฉริยะเทียม (หรือที่เรียกว่าชุดข้อมูลการฝึกอบรม) (หรือที่เรียกว่าชุดข้อมูลการทดสอบ) ดังนั้น โมเดลสุดท้ายจะมีอคติหากข้อมูลบิดเบือน นั่นคือหากกำหนดเป้าหมายไปที่เชื้อชาติ เพศ หรือกลุ่มอายุโดยเฉพาะ ดังนั้นประชากรที่มีจุดประสงค์ในการใช้ข้อมูลจะต้องสะท้อนข้อมูลที่ได้มาอย่างถูกต้อง

  • การประมวลผลข้อมูลล่วงหน้า

ยังคงเป็นไปได้ที่จะพัฒนาแบบจำลองอคติแม้ว่าจะรวบรวมข้อมูลตามวัตถุประสงค์แล้วก็ตาม ก่อนที่ข้อมูลจะสามารถนำมาใช้ในการฝึกอัลกอริธึมได้ จะต้องได้รับการประมวลผลล่วงหน้าก่อน ข้อมูลที่ป้อนด้วยตนเองหรือปัจจัยอื่นๆ หลายประการอาจทำให้เกิดความไม่ถูกต้องในข้อมูลดิบที่รวบรวมได้ รายการเหล่านี้มีการเปลี่ยนแปลงเป็นครั้งคราวโดยให้เหตุผลทางคณิตศาสตร์หรือละเว้นทั้งหมด ต้องหลีกเลี่ยงการจัดเตรียมข้อมูลอย่างระมัดระวังเพื่อป้องกันการสร้างชุดข้อมูลเอนเอียง

  • ข้อมูลที่กระจัดกระจาย

การไม่สามารถเปลี่ยนรูปแบบได้อย่างราบรื่น (เช่น การถดถอย การจำแนกประเภท การจัดกลุ่ม และ NLP) ที่องค์กรหนึ่งใช้เวลาและความพยายามในการออกแบบและปรับใช้สำหรับงานเฉพาะไปยังองค์กรอื่นเพื่อใช้งานได้ทันทีโดยไม่ต้องปรับเทียบใหม่ ถือเป็นอีกข้อจำกัดหนึ่งของการประยุกต์ใช้ AI การแลกเปลี่ยนข้อมูลระหว่างบริษัทด้านการดูแลสุขภาพมักไม่พร้อมใช้งานหรือมีข้อจำกัดเนื่องจากข้อกังวลด้านความเป็นส่วนตัว ซึ่งนำไปสู่ข้อมูลที่กระจัดกระจายซึ่งทำให้ความแม่นยำของแบบจำลองลดลง

  • กล่องดำ

เนื่องจากความซับซ้อนของกระบวนการทางคณิตศาสตร์ที่ซ่อนอยู่ ระบบปัญญาประดิษฐ์จึงมีชื่อเสียงว่าเป็น "กล่องดำ" มีความจำเป็นต้องปรับปรุงการใช้งานและการตีความของแบบจำลอง แม้จะมีความก้าวหน้าในด้านนี้ แต่ก็ยังมีงานที่ต้องทำอีกมาก

บทสรุป

แม้ว่าเรายังอีกยาวไกลในการทำให้ AI กลายเป็นความจริง แต่ก็มีศักยภาพที่จะช่วยแก้ไขปัญหาสำคัญหลายประการด้านการดูแลสุขภาพได้ ข้อมูลถือเป็นปัญหาสำคัญและเป็นอุปสรรคต่อการทำให้สิ่งนี้เป็นจริง หากไม่มีข้อมูลที่เพียงพอและเป็นตัวแทนที่ดี เราจะไม่สามารถใช้ประโยชน์จาก AI ในการดูแลสุขภาพได้อย่างเต็มที่ ไม่ว่าเทคโนโลยีและอัลกอริธึมการเรียนรู้ของเครื่องจักรจะกลายเป็นนวัตกรรมแค่ไหนก็ตาม ภาคการดูแลสุขภาพจะต้องแปลงเวชระเบียนให้เป็นดิจิทัล บรรลุข้อตกลงเกี่ยวกับการสร้างมาตรฐานของสถาปัตยกรรมข้อมูล และพัฒนากลไกที่เข้าใจผิดได้ในการจัดการความยินยอมของข้อมูลผู้ป่วย และรักษาความปลอดภัยในการไม่เปิดเผยตัวตนของผู้ป่วย คงเป็นเรื่องยากที่จะตระหนักถึงคำมั่นสัญญาที่แท้จริงของ AI ที่จะปรับปรุงสุขภาพของมนุษย์ หากไม่มีการปฏิรูปและความร่วมมือที่สำคัญเหล่านี้ในภาคการดูแลสุขภาพ

ขอขอบคุณที่อ่านโพสต์นี้จนจบ หากคุณชอบโพสต์นี้ ปรบมือ แสดงความคิดเห็น และแบ่งปันกับเพื่อนของคุณ

ข้อมูลอ้างอิง