Tekoälypohjaiset ennustemallit vievät terveydenhuollon merkittävästi eteenpäin

Tekoälyn tavoitteena on mahdollistaa koneiden jäljitellä ihmisten ajatuksia ja käyttäytymistä, mukaan lukien oppiminen, päättely ja ennustaminen. Tämän pyrkimyksen ytimessä on tekoälypohjainen mallintaminen, joka toimii perustana automatisoitujen ja älykkäiden järjestelmien luomiselle.

Tällaisten mallien rakentamiseen käytetään monenlaisia tekniikoita, jotka ovat ratkaisevia älykkäiden järjestelmien luomisessa eri todellisissa sektoreissa, kuten rahoituksessa, terveydenhuollossa, maataloudessa, kyberturvallisuudessa ja muissa.

Näiden mallien kehittämisessä käytetään usein erilaisia analytiikkatyyppejä – kuvailevaa, diagnosoivaa, ennustavaa ja ohjaavaa – ongelman luonteen ja sen ratkaisutarpeiden perusteella.

Tänään keskitymme ennustavaan analytiikkaan, joka tutkii dataa ennustaakseen, mitä tulevaisuudessa tapahtuu. Hyödyntämällä valtavia tietomääriä malli tulkitsee tunnistettavia kuvioita, mikä mahdollistaa tarkat ennusteet ja auttaa tekemään perusteltuja päätöksiä. 

Klikkaa tästä saadaksesi kaikki tiedot tekoälyyn sijoittamisesta.

Tekoälyn vertaansa vailla oleva kyky tunnistaa trendejä

Tekoälyllä on vertaansa vailla oleva kyky tunnistaa trendejä muuttujajoukossa. Tämä johtuu siitä, että toisin kuin ihmiset, teknologia voi käsitellä suuria määriä dataa nopeasti, tunnistaa kuvioita ja trendejä sekä ymmärtää, mitä kaikki tämä tarkoittaa. 

Koneoppimisalgoritmien avulla tekoälymalli suorittaa tehtävänsä, eli ennustaa tuloksen annettujen tietojen perusteella.

Trendien analysoinnissa käytetään yleensä ihmisaivojen toiminnasta inspiroituja neuroverkkoja niiden oppimis- ja sopeutumiskyvyn vuoksi. Muita trendianalyysiin keskeisiä koneoppimisalgoritmeja ovat tukivektorikoneet (SVM), jotka luokittelevat dataa erillisiin luokkiin, sekä satunnaismetsät, jotka yhdistävät useita päätöspuita voimakkaiden ennustemallien luomiseksi. Bayesin verkko on toinen, joka käyttää todennäköisyyspohjaisia graafisia malleja esittämään tilastolliset riippuvuudet muuttujajoukossa.

Terveydenhuollossa näiden koneoppimisalgoritmien hyödyntäminen tekoälypohjaisten ennustemallien rakentamisessa mahdollistaa paremman ja yksilöllisesti räätälöidyn hoidon ja hoitosuunnitelmat.

Tähän tarkoitukseen tekoäly seuloo monipuolista terveydenhuollon dataa esittäen nousevia trendejä sairauden etenemisessä. Tämä mahdollistaa terveydenhuollon ammattilaisille ennakoivan reagoinnin terveysongelmiin ja hoitostrategioiden mukauttamisen, muuttaen potilashoitokokemusta.

Tekoälyn kyvyn havaitseminen kaavoja terveydenhuollossa

Tarkastellaanpa nyt teknologian todellista käyttöä kyvyssä tunnistaa trendejä muuttujajoukossa.

Tekoälyvalvontatyökalu sepsiksen havaitsemiseksi ennen oireiden alkamista

Äskettäisessä tutkimuksessa, tutkijat havaitsivat, että he voivat menestyksekkäästi ennustaa sepsiksen infektion korkean riskin potilailla ja pelastaa henkiä hyödyntämällä uutta tekoälyalgoritmia. 

Sepsis on merkittävä kuolleisuuden ja sairauskuormituksen aiheuttaja maailmanlaajuisesti. Tässä tilassa kehon immuunijärjestelmä reagoi äärimmäisesti infektion yhteydessä, aiheuttaen vahinkoa omille kudoksille ja elimille.

Yhdysvalloissa vuosittain vähintään 1,7 miljoonaa aikuista sairastaa sepsistä, ja noin 350 000 kuolee tästä henkeä uhkaavasta veritulehduksesta. Samaan aikaan arvioitu 48,9 miljoonaa ihmistä on vuosittain maailmanlaajuisesti vaikuttunut, joista noin 11 miljoonaa kuolee.

Kuitenkin Kalifornian yliopiston San Diegon lääketieteellisen koulun tutkijat aikovat muuttaa näitä lukuja hyödyntämällä tekoälyä.

Digital Medicine -lehden verkkojulkaisun mukaan tutkijat kehittivät tekoälyalgoritmin nimeltä COMPOSER. Se hyödyntää reaaliaikaista dataa ennustaakseen etukäteen, onko potilaalla tila ennen kuin sen kliiniset merkit ilmenevät, toimien “hiljaisesti ja turvallisesti taustalla”. 

Malli tarkkailee jatkuvasti jokaisen potilaan sepsiksen merkkejä, totesi tutkimuksen yhteiskirjoittaja Gabriel Wardi, MD, UC San Diegon (UCSD) hätäosaston kriittisen hoidon osaston johtaja.

Sepsiksen varhainen tunnistaminen on kriittistä, sillä toimenpiteet tuottavat suurempia hyötyjä, kun ne toteutetaan varhaisessa vaiheessa.

Mallia käytettiin UC San Diego Healthin päivystyksissä, alueen ainoassa akateemisessa terveydenhuoltojärjestelmässä, tunnistamaan sepsisin riskipotilaat, ja se on vähentänyt kuolleisuutta 17 %.

Toimintaperiaate on, että potilaan kirjautuessa päivystykseen COMPOSER alkaa seurata yli 150 erilaista potilasmuuttujaa, jotka voivat liittyä sepsikseen. Näihin muuttujiiin kuuluvat demografiset tiedot, sairaushistoria, elintoiminnot ja laboratoriotulokset.

Jos potilaalla havaitaan useita näitä muuttujia, mikä johtaa korkeaan sepsisin riskiin, algoritmi ilmoittaa hoitajille sairaalan sähköisen potilastietojärjestelmän kautta. Henkilökunta tarkistaa tiedot lääkärin kanssa vahvistusta varten ja määrittää sopivan hoitosuunnitelman potilaalle. 

“Nämä kehittyneet tekoälyalgoritmit voivat havaita kuvioita, jotka eivät aluksi ole ilmeisiä ihmisen silmälle.” 

– Shamim Nemati, Ph.D., tutkimuksen yhteiskirjoittaja ja ennustavan analytiikan johtaja sekä biolääketieteellisen informatiikan apulaisprofessori UC San Diego School of Medicineissa

Hän lisäsi myös:

“Järjestelmä voi tarkastella näitä riskitekijöitä ja tuottaa erittäin tarkan sepsiksen ennusteen.”

Tutkimus, jonka rahoittivat National Institutes of Health, National Library of Medicine sekä Joan ja Irwin Jacobs Center for Health Innovation UC San Diego Healthissa, tarkasteli yli 6 200 potilaan sisäänkirjautumista ennen ja jälkeen tekoälyalgoritmin käyttöönottoa sairaalan päivystyksissä.

Tämä on ensimmäinen tutkimus, jossa hyödynnettiin tekoälyn syväoppimismallia ja raportoitiin potilastulosten parantumisesta. Malli käyttää keinotekoisia neuroverkkoja tunnistaakseen potilaiden monimutkaiset ja useat riskitekijät tarkasti ja turvallisesti. Wardi sanoi:

“Juuri tämän tekoälymallin ansiosta tiimimme voivat tarjota elintärkeitä hoitoja potilaille nopeammin.”

COMPOSER otettiin ensimmäisen kerran käyttöön yli vuosi sitten, joulukuussa 2022. Sitä käytetään tällä hetkellä monissa sairaalan sisäosastoissa UC San Diego Healthissa, ja tulevaisuudessa UC San Diego Health East Campus alkaa myös käyttää sitä.

Äskettäin Health Care Center ilmoitti ensimmäisestä pääterveys-AI-virastaan. Se on myös käynnistänyt pilottihankkeen, jossa pilvipohjaiset sähköiset potilastietojärjestelmät Epic ja ChatGPT laativat automaattisesti myötätuntoisempia viestivastauksia, jotta lääkärit ja hoitajat voivat keskittyä potilashoitoon. 

“Tekoälyteknologian integrointi sähköiseen potilastietojärjestelmään auttaa toteuttamaan digitaalisen terveyden lupauksen.” 

– Christopher Longhurst, tutkimuksen yhteiskirjoittaja ja Jacobs Center for Health Innovationin toimitusjohtaja sekä UC San Diego Healthin päälääketieteen virkamies ja päädigitaalinen virkamies

Ohjelmisto genomidatan analysoimiseksi tarkkaan sairauden ennustamiseen

Toinen esimerkki tekoälypohjaisista ennustemalleista, jotka auttavat terveydenhuoltosektoria, löytyy viime viikolla julkaistusta tutkimuksesta. Rutgers Healthissa kehitetty, ainutlaatuinen ohjelmisto nimeltä IntelliGenes yhdistää tekoälyn ja koneoppimisen auttaakseen ennustamaan yksilöiden sairauksia. Malli tarkastelee genomidataa löytääkseen terveyteen liittyviä biomarkkereita, jotta voidaan tuottaa henkilökohtaisia potilaan ennusteita sekä niiden visuaalinen esitys.

Monigenominen data kertoo potilaan perimästä ja sillä on potentiaalia paljastaa uusia biomarkkereita heidän sairausriskinsä perusteella. Tutkimus totesi:

“Uskomme, että useiden tekoälyalgoritmien synergistinen käyttö tuottaa tarkempia tuloksia, tarjoaa oivaltavia johtopäätöksiä ja tarkkoja ennusteita todellisista ongelmista verrattuna yksittäiseen tekoälyalgoritmiin.”

Lisäksi havaittiin, että tukivektorikone (SVM) ja satunnaismetsä (RF) ovat menestyneimpiä koneoppimisalgoritmeja, joita käytetään tarkkojen ennusteiden tekemiseen ja regressio- sekä luokittelutehtävien ratkaisemiseen.

Tällä hetkellä ei ole saatavilla tekoälytyökaluja, jotka pystyvät tutkimaan ja tulkitsemaan koko ihmisen genomia, erityisesti ei-asiantuntijoille. Tästä syystä tutkijat kehittivät IntelliGenes-ohjelmiston, jota kuka tahansa voi käyttää, myös ne, joilla ei ole paljon bioinformatiikan tekniikoiden tuntemusta tai pääsyä tehokkaisiin tietokoneisiin.

Käyttämällä yhdistelmää koneoppimisalgoritmeja Rutgers Healthin tutkijat pyrkivät paljastamaan tietoa, joka yleensä jää havaitsematta perinteisten tilastotieteen ja bioinformatiikan menetelmien avulla.

Tutkijat sovelsivat sitten IntelliGenes-ohjelmistoa toisessa tutkimuksessa löytääkseen uusia biomarkkereita ja ennustaakseen sydän- ja verisuonitauteja (CVD) erittäin tarkasti.

Tekoälyn ja koneoppimisen menetelmien oikea käyttö, tutkimuksen mukaan, voi tarjota uusia oivalluksia ja ymmärrystä sydän- ja verisuonitaudeista. Tämä puolestaan mahdollistaa paremmat henkilökohtaiset hoidot. 

Tutkimus alkoi voimakkaalla geeniekspressiodatan esikäsittelyllä ja käytti sen jälkeen kolmea tilastollista testiä arvioidakseen transkriptomisen (kokonais-RNA:n tutkimus) ilmaisun eroja sekä CVD-potilaiden ja terveiden yksilöiden kliinisten ominaisuuksien eroja.

Tutkimuksessaan tiimi löysi 18 transkriptomista biomarkkeria, jotka ovat erittäin merkittäviä CVD-populaatiossa. Niitä käytettiin sitten sairauden ennustamiseen jopa 96 % tarkkuudella. Nämä tulokset vahvistettiin myös kliinisillä potilastietueilla, jotka kerättiin kohortista.

“Datakokonaisuuksien yhdistämisessä ja tekoälyn sekä koneoppimisen huikeissa kehityksissä on valtava potentiaali.”

– Zeeshan Ahmed, tutkimuksen pääkirjoittaja. Ahmed on Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) -laitoksen tiedekunnan jäsen ja Robert Wood Johnson Medical Schoolin apulaisprofessori lääketieteessä

Hänen mukaansa malli ei ainoastaan tue henkilökohtaista varhaista havaitsemista sekä yleisissä että harvinaisissa sairauksissa, vaan avaa myös ovet laajemmalle tutkimukselle, joka lopulta johtaa uusiin interventioihin ja hoitoihin.

Tekoäly ei ole vielä täydellinen ratkaisu!

Kuten näimme, tekoälypohjaisilla malleilla on merkittäviä etuja terveydenhuollon alalla. Ne pystyvät havaitsemaan sairauksia hyvissä ajoin tarkasti ja pelastamaan monia henkiä. Kuitenkin ne eivät ole lopullinen ratkaisu, eivät vielä ainakaan. Tämä käy ilmi tämän kuukauden alussa julkaistusta tutkimuksesta, jossa osoitettiin, että kun tekoälyä sovelletaan todellisessa maailmassa, virheitä tapahtuu. 

Tässä kuussa Modern Pathology -lehdessä julkaistu tutkimus on ensimmäinen, joka tarkastelee, miten kudoskontaminaatio vaikuttaa tekoälyn oppimismalleihin.

Tässä tutkimuksessa tutkijat kouluttivat kolme tekoälymallia analysoimaan istukan kudosslidesiä, tehtäviin kuuluen verisuonten vaurioiden tunnistaminen, raskauden iän arviointi ja makroskooppisten läiskien luokittelu. Lisäksi neljäs malli koulutettiin havaitsemaan eturauhassyöpä neulabiopsioiden kudosnäytteistä.

Testatakseen niiden kestävyyttä tutkijat altistivat jokaisen mallin pienille määrille kontaminoitunutta kudosta – kuten verta ja virtsarakon kudosta – otettuina satunnaisesti muista slideista. Tämä vaihe pyrki jäljittelemään todellisia olosuhteita, joissa kontaminaatioita esiintyy usein.

Arvioitaessa tekoälymallien suorituskykyä havaittiin, että kaikki neljä mallia siirsivät huomionsa kudoskontaminaatioihin sen sijaan, että keskittyisivät päätehtäviinsä. Tämä häiriö aiheutti epätarkkuuksia raskauden iän määrittämisessä, eturauhassyövän diagnosoinnissa, läiskien tunnistamisessa ja verisuonten vaurioiden arvioinnissa. Tämä johtuu siitä, että tekoälyt kohtaavat todellisessa maailmassa monenlaisia materiaaleja, joihin ne eivät ole koulutettu, toisin kuin puhtaissa simuloiduissa ympäristöissä.

“Tuloksemme muistuttavat siitä, että laboratoriossa erinomaisesti toimiva tekoäly voi kaatua todellisessa maailmassa. Potilaiden tulisi edelleen odottaa, että ihmisen asiantuntija on lopullinen päätöksentekijä biopsioiden ja muiden kudosnäytteiden diagnooseissa. Patologit pelkäävät – ja tekoälyyritykset toivovat – että tietokoneet uhkaavat työpaikkojamme. Ei vielä.”

– Yhteiskirjoittaja tohtori Jeffery Goldstein

Ei kyseessä ole vain tekoäly, vaan myös patologit, jotka on laajasti koulutettu havaitsemaan sama, kohtaavat kudoskontaminaatiota melko yleisenä ongelmana. Tutkimus kuitenkin huomauttaa, että lääkärit ja ei-patologiset tutkijat ovat usein yllättävän tietämättömiä tästä. Siinä todettiin, että yhdeltä päivältä patologin skannaamien 80–100 slide:n joukossa 2–3 odotetaan olevan kontaminoituja, ja ne on koulutettu sivuuttamaan.

Tutkimuksen mukaan tekoälymallit toimivat samankaltaisesti kuin ihmiset tarkastelevat kudoksia slideilla. Kun ihmiset tarkastelevat kudoksia slideilla, he voivat katsoa vain rajoitettua aluetta mikroskoopissa, siirtyä sitten uuteen alueeseen ja yhdistää kerätyt tiedot diagnoosin tekemiseksi.

Kuitenkin tekoäly osoittautui helposti harhaanjohtavaksi kontaminaatioiden vuoksi, koska sen täytyi päättää, mihin kiinnittää huomiota ja mihin ei. “Se on nollasummapeli,” sanoi Goldstein, joka on perinataalipatologian johtaja ja apulaisprofessori perinataalipatologiassa ja ruumiinavausleikkauksissa tutkimusintensiivisessä Feinberg School of Medicineissa, Northwestern Universityssa, selittäessään:

“Jos se kiinnittää huomiota kudoskontaminaatioihin, se kiinnittää vähemmän huomiota potilaan tarkasteltavaan kudokseen.”

Tutkimuksen tekijöiden mukaan ammattilaisten tulisi pyrkiä kvantifioimaan ja parantamaan tekoälymallien kyvyttömyyttä koodata biologisia epäpuhtauksia.

Kuitenkin tulokset ovat saaneet Goldsteinin “luottamaan siihen, että istukan tekoälyarvioinnit ovat toteutettavissa,” kutsuen tekoälyn haasteita “nopeusraiteeksi.” Tämä tarkoittaa yksinkertaisesti, että “Olemme matkalla kohti parempaa koneoppimisen integrointia patologiaan,” hän lisäsi.

Yritykset, jotka voivat hyötyä tekoälypohjaisista ennustemalleista

Kun tekoälymallit osoittavat suurta potentiaalia, tarkastellaan nyt, mitkä yritykset hyötyvät niistä eniten:

1. Google DeepMind

Se on Googlen tytäryhtiö, jonka tavoitteena on ratkaista älykkyys edistääkseen tiedettä ja hyödyttääkseen ihmiskuntaa. 

Viime aikoina Google DeepMind -tutkijat paljastivat kehittäneensä tekoälyavustajan lääkäreille nimeltä Articulate Medical Intelligence Explorer (AMIE), joka voi auttaa potilaiden diagnosoinnissa. Organisaation toinen julkaisu ehdotti WARM-ratkaisua palkkioiden manipuloinnin torjumiseksi suurissa kielimalleissa (LLM).

Osakkeiden hintana $152,59, 8,94 %:n nousu kuluvan vuoden alusta, kirjoitushetkellä Google (GOOGL) omaa markkina-arvon 1,9 biljoonaa dollaria. Yritys ilmoitti liikevaihdon (TTM) 297 miljardia dollaria, EPS:n (TTM) 5,21 ja P/E:n (TTM) 29,19.

2. Siemens Healthineers

Johtava terveydenhuoltoyritys on panostanut tekoälyyn terveydenhuollon mullistamiseksi. Siemens Healthineers (SHL.SW ) (SHL.DE ) on kehittänyt 84 tekoälyä tukevan tuotteen marraskuussa 2023 mennessä ja omistaa yli 800 patenttia, jotka liittyvät teknologiaan.

Siemensin emoyhtiöstä irrotettu terveydenhuollon ratkaisuntarjoaja omaa markkina-arvon 63 miljardia dollaria, kun sen osakkeet käyvät hintaan $51,68. Siemens Healthineersin EPS (TTM) on 1,35 ja P/E (TTM) 38,28.

Lopullinen ajatus

Kuten näimme, tekoälyllä on valtava potentiaali trendianalyysissä, ja teknologian kehittyessä näemme entistä tarkempia ja toteuttamiskelpoisia oivalluksia sekä innovaatioita eri sektoreilla. Terveydenhuollossa tekoälypohjaiset ennustemallit yhdistävät dataa, oivalluksia ja interventioita henkilökohtaisen terveydenhuollon luomiseksi ja tulosten optimoimiseksi. 

Klikkaa tästä saadaksesi lisätietoa tekoälyn ja neurotieteen kasvavasta synergian kehityksestä.