Sztuczna inteligencja może sprawić, że opieka zdrowotna będzie bardziej sprawiedliwa — pomagając nam wierzyć w to, co mówią pacjenci

Pani Tech

W ciągu ostatnich kilku lat badania wykazały, że uczenie głębokie może dorównać wydajności na poziomie eksperta w zadaniach obrazowania medycznego, takich jak wczesne wykrywanie raka oraz diagnoza choroby oczu . Ale jest też powód do ostrożności. Inne badania wykazały, że uczenie głębokie ma tendencję do: utrwalać dyskryminację . W systemie opieki zdrowotnej, w którym występują już rozbieżności, niechlujne zastosowania uczenia głębokiego mogą to pogorszyć.

Ale już nowy papier opublikowane w Nature Medicine proponuje sposób na opracowanie algorytmów medycznych, które mogą pomóc odwrócić, a nie zaostrzyć istniejące nierówności. Kluczem, jak mówi Ziad Obermeyer, profesor nadzwyczajny na Uniwersytecie Kalifornijskim w Berkeley, który nadzorował badania, jest zaprzestanie trenowania algorytmów, aby dopasować je do wydajności ludzkiego eksperta.

W artykule przyjrzymy się specyficznemu klinicznemu przykładowi różnic występujących w leczeniu choroby zwyrodnieniowej stawu kolanowego, choroby powodującej przewlekły ból. Ocena nasilenia tego bólu pomaga lekarzom przepisać właściwe leczenie, w tym fizjoterapię, leki lub zabieg chirurgiczny. Tradycyjnie robi to radiolog oceniający prześwietlenie stawu kolanowego i oceniający ból pacjenta w skali Kellgrena-Lawrence'a (KLG), która oblicza poziom bólu na podstawie obecności różnych cech radiologicznych, takich jak stopień braku chrząstki lub uszkodzenie strukturalne.

Jednak dane zebrane przez Narodowy Instytut Zdrowia wykazały, że lekarze stosujący tę metodę systematycznie oceniają ból czarnych pacjentów o tyle, że jest on o wiele mniej dotkliwy niż ten, którego doświadczają. Pacjenci samodzielnie zgłaszają swój poziom bólu za pomocą ankiety, w której pyta się, jak bardzo boli różne rzeczy, takie jak pełne wyprostowanie kolana. Ale te zgłaszane przez siebie poziomy bólu są ignorowane na korzyść wyniku KLG radiologa podczas przepisywania leczenia. Innymi słowy, czarni pacjenci, którzy wykazują taką samą ilość brakujących chrząstek, jak biali pacjenci, zgłaszają wyższy poziom bólu.

To konsekwentnie drażniło ekspertów medycznych. Jedna z hipotez głosi, że czarnoskórzy pacjenci mogą zgłaszać wyższy poziom bólu, aby lekarze traktowali ich poważniej. Ale jest alternatywne wyjaśnienie. Sama metodologia KLG może być stronnicza. Został opracowany kilkadziesiąt lat temu z białą populacją Brytyjczyków. Niektórzy eksperci medyczni twierdzą, że lista markerów radiograficznych, którą powinni szukać klinicyści, może nie obejmować wszystkich możliwych fizycznych źródeł bólu w bardziej zróżnicowanej populacji. Innymi słowy, mogą istnieć radiograficzne wskaźniki bólu, które pojawiają się częściej u osób rasy czarnej, które po prostu nie są częścią rubryki KLG.

Powiązana historia

Lekarze wykorzystują sztuczną inteligencję do selekcji pacjentów z Covid-19. Narzędzia mogą pozostać W obliczu niedoborów personelu i przytłaczającego obciążenia pacjentów coraz większa liczba szpitali zwraca się ku zautomatyzowanym narzędziom, które pomagają im radzić sobie z pandemią.

Aby przetestować tę możliwość, naukowcy wyszkolili model głębokiego uczenia się, aby przewidywać zgłaszany przez pacjentów poziom bólu na podstawie prześwietlenia kolana. Jeśli wynikowy model miałby straszną dokładność, sugerowałoby to, że zgłaszany ból jest raczej arbitralny. Ale gdyby model miał naprawdę dobrą dokładność, dostarczyłoby to dowodu, że zgłaszany ból jest w rzeczywistości skorelowany ze znacznikami radiograficznymi na zdjęciu rentgenowskim.

Po przeprowadzeniu kilku eksperymentów, w tym kilku zaprojektowanych w celu odrzucenia wszelkich czynników zakłócających, naukowcy odkryli, że model był znacznie dokładniejszy niż KLG w przewidywaniu zgłaszanych przez siebie poziomów bólu zarówno dla pacjentów rasy białej, jak i czarnej, ale zwłaszcza dla pacjentów rasy czarnej. Zmniejszyło to różnice rasowe na każdym poziomie bólu o prawie połowę.

Celem niekoniecznie jest rozpoczęcie stosowania tego algorytmu w warunkach klinicznych. Jednak przewyższając metodologię KLG, okazało się, że standardowy sposób mierzenia bólu jest wadliwy, co dla osób czarnoskórych jest znacznie większe. Powinno to skłonić społeczność medyczną do zbadania, które markery radiologiczne może widzieć algorytm, i zaktualizować ich metodologię punktacji.

W rzeczywistości podkreśla to naprawdę ekscytującą część, w której tego rodzaju algorytmy mogą pasować do procesu odkryć medycznych, mówi Obermeyer. Mówi nam, czy jest tu coś, na co warto się przyjrzeć, czego nie rozumiemy. Ustawia scenę dla ludzi, którzy następnie wkraczają i używając tych algorytmów jako narzędzi, próbują dowiedzieć się, co się dzieje.

Fajną rzeczą w tym artykule jest myślenie o rzeczach z zupełnie innej perspektywy, mówi Irene Chen, badaczka z MIT, która bada, jak zmniejszyć nierówności w opiece zdrowotnej w uczeniu maszynowym i nie była zaangażowana w pracę. Zamiast trenować algorytm na ugruntowanej wiedzy eksperckiej, naukowcy postanowili traktować samoocenę pacjentów jako prawdę. Dzięki temu odkryto ważne luki w tym, co medycyna zwykle uważa za bardziej obiektywny środek bólu.

To był dokładnie sekret, zgadza się Obermeyer. Twierdzi, że jeśli algorytmy będą kiedykolwiek szkolone tylko w celu dostosowania ich do wydajności ekspertów, po prostu utrwalą istniejące luki i nierówności. To badanie jest przebłyskiem bardziej ogólnego rurociągu, który możemy coraz częściej wykorzystywać w medycynie do generowania nowej wiedzy.

ukryć