AI-eksperter diskuterer, hvordan man integrerer robust AI i sundhedsvæsenet, hvorfor tværfagligt samarbejde er afgørende, og potentialet for generativ AI i forskning.
Feifei Li og Lloyd Minor holdt åbningstaler ved det første RAISE Health Symposium på Stanford University School of Medicine den 14. maj. Steve Fish
De fleste mennesker, der er blevet fanget af kunstig intelligens, har haft en slags "aha"-øjeblik, hvor de har åbnet deres sind for en verden af muligheder. Ved det første RAISE Health Symposium den 14. maj delte Lloyd Minor, MD, dekan for Stanford University School of Medicine og vicepræsident for medicinske anliggender ved Stanford University, sit perspektiv.
Da en nysgerrig teenager blev bedt om at opsummere sine fund vedrørende det indre øre, vendte han sig mod generativ kunstig intelligens. "Jeg spurgte: 'Hvad er superior canal dehiscence syndrome?' fortalte Minor næsten 4.000 symposiumdeltagere. I løbet af få sekunder dukkede adskillige afsnit op.
"De er gode, virkelig gode," sagde han. "At disse oplysninger blev samlet til en kortfattet, generelt præcis og klart prioriteret beskrivelse af sygdommen. Det er ret bemærkelsesværdigt."
Mange delte Minors begejstring for halvdagsarrangementet, som var en udløber af RAISE Health-initiativet, et projekt lanceret af Stanford University School of Medicine og Stanford Institute for Human-Centered Artificial Intelligence (HAI) for at vejlede ansvarlig brug af kunstig intelligens i biomedicinsk forskning, uddannelse og patientpleje. Talerne undersøgte, hvad det vil sige at implementere kunstig intelligens i medicin på en måde, der ikke kun er nyttig for læger og forskere, men også transparent, retfærdig og rimelig for patienter.
"Vi mener, at dette er en teknologi, der forbedrer menneskelige evner," sagde Fei-Fei Li, professor i datalogi ved Stanford School of Engineering, direktør for RAISE Health with Minor-projektet og meddirektør for HAI. Generation efter generation kan nye teknologier dukke op: fra nye molekylære sekvenser af antibiotika til kortlægning af biodiversitet og afsløring af skjulte dele af grundlæggende biologi, accelererer AI videnskabelig opdagelse. Men ikke alt dette er gavnligt. "Alle disse anvendelser kan have utilsigtede konsekvenser, og vi har brug for dataloger, der udvikler og implementerer [kunstig intelligens] ansvarligt og arbejder med en række interessenter, fra læger og etikere ... til sikkerhedseksperter og mere," siger hun. "Initiativer som RAISE Health demonstrerer vores engagement i dette."
Konsolideringen af tre afdelinger af Stanford Medicine – School of Medicine, Stanford Health Care og Stanford University School of Child Health Medicine – og dets forbindelser til andre dele af Stanford University har sat det i en position, hvor eksperter kæmper med udviklingen af kunstig intelligens, ledelses- og integrationsproblemer inden for sundhedspleje og medicin. Medicin, lød sangen.
"Vi er godt positioneret til at være pionerer inden for udvikling og ansvarlig implementering af kunstig intelligens, lige fra grundlæggende biologiske opdagelser til forbedring af lægemiddeludvikling og effektivisering af kliniske forsøgsprocesser, helt frem til den faktiske levering af sundhedsydelser. Sundhedspleje. Måden sundhedssystemet er oprettet på," sagde han.
Flere talere understregede et simpelt koncept: fokus på brugeren (i dette tilfælde patienten eller lægen), og så følger alt andet. "Det sætter patienten i centrum for alt, hvad vi gør," sagde Dr. Lisa Lehmann, direktør for bioetik på Brigham and Women's Hospital. "Vi er nødt til at tage hensyn til deres behov og prioriteter."
Fra venstre mod højre: STAT News-vært Mohana Ravindranath; Jessica Peter Lee fra Microsoft Research; Sylvia Plevritis, professor i biomedicinsk datavidenskab, diskuterer kunstig intelligens' rolle i medicinsk forskning. Steve Fish
Panelet, der inkluderede Lehmann, den medicinske bioetiker Mildred Cho, MD, og Googles kliniske chef Michael Howell, MD, bemærkede kompleksiteten af hospitalssystemer og understregede behovet for at forstå deres formål, før der foretages nogen intervention. Implementer det, og sørg for, at alle udviklede systemer er inkluderende, og at du lytter til de mennesker, de er designet til at hjælpe.
En nøgle er gennemsigtighed: det gør det klart, hvor de data, der bruges til at træne algoritmen, kommer fra, hvad algoritmens oprindelige formål er, og om fremtidige patientdata fortsat vil hjælpe algoritmen med at lære, blandt andre faktorer.
"At forsøge at forudsige etiske problemer, før de bliver alvorlige, [betyder] at finde det perfekte sweet spot, hvor man ved nok om teknologien til at have en vis tillid til den, men ikke før [problemet] spreder sig yderligere og løser det hurtigere," sagde Denton Char, kandidat i medicinske videnskaber, lektor ved Institut for Pædiatrisk Anæstesiologi, Perioperativ Medicin og Smertemedicin. Et vigtigt skridt, siger han, er at identificere alle de interessenter, der kan blive berørt af teknologien, og bestemme, hvordan de selv ønsker at besvare disse spørgsmål.
Jesse Ehrenfeld, MD, præsident for American Medical Association, diskuterer fire faktorer, der driver adoptionen af et hvilket som helst digitalt sundhedsværktøj, herunder dem, der drives af kunstig intelligens. Er det effektivt? Vil det fungere på min institution? Hvem betaler? Hvem er ansvarlig?
Michael Pfeffer, MD, IT-chef hos Stanford Health Care, nævnte et nyligt eksempel, hvor mange af problemstillingerne blev testet blandt sygeplejersker på Stanfords hospitaler. Klinikere understøttes af store sprogmodeller, der giver indledende annotationer til indgående patientbeskeder. Selvom projektet ikke er perfekt, rapporterer læger, der har hjulpet med at udvikle teknologien, at modellen letter deres arbejdsbyrde.
"Vi fokuserer altid på tre vigtige ting: sikkerhed, effektivitet og inklusion. Vi er læger. Vi aflægger en ed om ikke at 'gøre nogen skade'," sagde Nina Vasan, MD, klinisk adjunkt i psykiatri og adfærdsvidenskab, som sluttede sig til Char og Pfeffer i gruppen. "Dette bør være den første måde at evaluere disse værktøjer på."
Nigam Shah, MBBS, ph.d., professor i medicin og biomedicinsk datalogi, indledte diskussionen med en chokerende statistik trods en fair advarsel til publikum. "Jeg taler i generelle vendinger og tal, og nogle gange har de en tendens til at være meget direkte," sagde han.
Ifølge Shah afhænger AI's succes af vores evne til at skalere den. "Det tager omkring 10 år at udføre ordentlig videnskabelig forskning på en model, og hvis hvert af de 123 fellowship- og residency-programmer ønskede at teste og implementere modellen til det niveau af stringens, ville det være meget vanskeligt at udføre den korrekte videnskabelige arbejde, som vi i øjeblikket organiserer vores indsats og [tester]]. Det ville koste 138 milliarder dollars at sikre, at alle vores websteder fungerer korrekt," sagde Shah. "Vi har ikke råd til dette. Så vi er nødt til at finde en måde at udvide på, og vi er nødt til at udvide og udføre god videnskab. Strengefærdighederne er ét sted, og skaleringsfærdighederne er et andet, så vi får brug for den type partnerskab."
Prodekan Yuan Ashley og Mildred Cho (reception) deltog i RAISE Health Workshop. Steve Fish
Nogle talere på symposiet sagde, at dette kunne opnås gennem offentlig-private partnerskaber, såsom den nylige bekendtgørelse fra Det Hvide Hus om sikker, tryg og pålidelig udvikling og brug af kunstig intelligens og konsortiet for kunstig intelligens i sundhedsvæsenet (CHAI).
"Det offentlig-private partnerskab med det største potentiale er et partnerskab mellem den akademiske verden, den private sektor og den offentlige sektor," sagde Laura Adams, seniorrådgiver for National Academy of Medicine. Hun bemærkede, at regeringen kan sikre offentlighedens tillid, og at akademiske medicinske centre kan give legitimitet, og at den private sektor kan levere teknisk ekspertise og computertid. "Vi er alle bedre end nogen af os, og vi erkender, at ... vi ikke kan bede om at realisere potentialet i [kunstig intelligens], medmindre vi forstår, hvordan vi interagerer med hinanden."
Flere talere sagde, at kunstig intelligens også har en indflydelse på forskning, uanset om forskere bruger den til at udforske biologiske dogmer, forudsige nye sekvenser og strukturer af syntetiske molekyler for at understøtte nye behandlinger eller endda hjælpe dem med at opsummere eller skrive videnskabelige artikler.
"Dette er en mulighed for at se det ukendte," sagde Jessica Mega, MD, kardiolog ved Stanford University School of Medicine og medstifter af Alphabets Verily. Mega nævnte hyperspektral billeddannelse, som indfanger billedtræk, der er usynlige for det menneskelige øje. Ideen er at bruge kunstig intelligens til at opdage mønstre i patologi-slides, som mennesker ikke ser, og som indikerer sygdom. "Jeg opfordrer folk til at omfavne det ukendte. Jeg tror, at alle her kender nogen med en eller anden form for medicinsk tilstand, der har brug for noget ud over det, vi kan tilbyde i dag," sagde Mejia.
Paneldeltagerne var også enige om, at kunstig intelligens-systemer vil give nye måder at identificere og bekæmpe forudindtaget beslutningstagning, uanset om den træffes af mennesker eller kunstig intelligens, med evnen til at identificere kilden til biasen.
"Sundhed er mere end blot lægehjælp," var flere paneldeltagere enige om. Talerne understregede, at forskere ofte overser sociale sundhedsdeterminanter, såsom socioøkonomisk status, postnummer, uddannelsesniveau samt race og etnicitet, når de indsamler inkluderende data og rekrutterer deltagere til studier. "AI er kun så effektiv som de data, som modellen er trænet på," sagde Michelle Williams, professor i epidemiologi ved Harvard University og lektor i epidemiologi og befolkningssundhed ved Stanford University School of Medicine. "Hvis vi gør det, vi stræber efter at gøre. forbedre sundhedsresultater og eliminere uligheder, skal vi sikre, at vi indsamler data af høj kvalitet om menneskelig adfærd og det sociale og naturlige miljø."
Natalie Pageler, MD, klinisk professor i pædiatri og medicin, sagde, at aggregerede kræftdata ofte udelukker data om gravide kvinder, hvilket skaber uundgåelige bias i modeller og forværrer eksisterende forskelle i sundhedsvæsenet.
Dr. David Magnus, professor i pædiatri og medicin, sagde, at ligesom enhver ny teknologi kan kunstig intelligens enten forbedre tingene på mange måder eller forværre dem. Risikoen, sagde Magnus, er, at kunstig intelligens-systemer vil lære om ulige sundhedsresultater drevet af sociale sundhedsdeterminanter og forstærke disse resultater gennem deres output. "Kunstig intelligens er et spejl, der afspejler det samfund, vi lever i," sagde han. "Jeg håber, at hver gang vi har mulighed for at belyse et problem – at holde et spejl op for os selv – vil det tjene som motivation til at forbedre situationen."
Hvis du ikke kunne deltage i RAISE Health-workshoppen, kan du finde en optagelse af sessionen her.
Stanford University School of Medicine er et integreret akademisk sundhedssystem, der består af Stanford University School of Medicine og sundhedssystemerne for voksne og børn. Sammen realiserer de biomedicinens fulde potentiale gennem samarbejdende forskning, uddannelse og klinisk patientpleje. For mere information, besøg med.stanford.edu.
En ny model for kunstig intelligens hjælper læger og sygeplejersker på Stanford Hospital med at arbejde sammen om at forbedre patientplejen.
Opslagstidspunkt: 19. juli 2024