‘Entelektüel darboğaz’ ın kırılması: AI, sağlık hizmetlerinde daha önce uyumsuz olanı nasıl hesaplıyor

Bir hasta ne zaman BT taraması alırsa Texas Üniversitesi Tıp Şubesi (UTMB), ortaya çıkan görüntüler otomatik olarak kardiyoloji bölümüne gönderilir, AI tarafından analiz edilir ve bir kalp risk skoru atanır.

Sadece birkaç ay içinde, basit bir algoritma sayesinde AI, birkaç hastayı yüksek kardiyovasküler riskle işaretledi. BT taramasının kalple ilişkili olması gerekmez; Hastanın kalp problemleri olması gerekmez. Her tarama otomatik olarak bir değerlendirmeyi tetikler.

Basittir önleyici bakım AI tarafından etkinleştirilen, tıbbi tesisin nihayet büyük miktarda verilerini kullanmaya başlamasına izin verir.

UTMB’nin AI görevlisi Peter McCaffrey, VentureBeat’e verdiği demeçte, “Veriler sadece orada oturuyor” dedi. “Bu konuda sevdiğim şey, AI’nın insanüstü bir şey yapmak zorunda olmadığı. Düşük bir akıl görevi gerçekleştiriyor, ancak çok yüksek hacimde ve bu hala çok değer sağlıyor, çünkü sürekli özlediğimiz şeyleri buluyoruz.”

“Bir şeyleri özlediğimizi biliyoruz. Daha önce, geri dönüp bulmak için araçlarımız yoktu.”

AI UTMB’nin kardiyovasküler riski belirlemesine nasıl yardımcı olur

Birçok gibi Sağlık TesisleriUTMB birkaç alanda AI uyguluyor. İlk kullanım durumlarından biri kardiyak risk taramasıdır. Modeller, kardiyovasküler riskin güçlü bir yordayıcısı olan tesadüfi koroner arter kalsifikasyonu (ICAC) için taramak üzere eğitilmiştir. Amaç, aksi takdirde göz ardı edilmiş olabilecek kalp hastalığına duyarlı hastaları belirlemek, çünkü belirgin bir semptom göstermedikleri belirtildi.

Tarama programı aracılığıyla, tesiste tamamlanan her BT taraması, koroner kalsifikasyonu tespit etmek için AI kullanılarak otomatik olarak analiz edilir. Taramanın kardiyoloji ile ilgisi yoktur; Bir omurga kırığı veya anormal bir akciğer nodülü nedeniyle sipariş edilebilir.

Taramalar, hastanın arterlerinde plak birikimini temsil eden bir Agatston skorunu hesaplayan görüntü tabanlı bir evrişim sinir ağına (CNN) beslenir. McCaffrey, tipik olarak bir insan radyologu tarafından hesaplanacağını açıkladı.

Oradan, AI 100’de ICAC skoru olan hastaları ek bilgilere dayanarak üç ‘risk katmanına’ (statin üzerinde olup olmadıkları veya bir kardiyologla ziyaret etmiş olmaları gibi) tahsis eder. McCaffrey, bu ödevin kurallara dayalı olduğunu ve elektronik sağlık kaydı (EHR) içindeki ayrık değerlerden yararlanabileceğini veya AI, ücretsiz metin işleyerek değerleri belirleyebileceğini açıkladı. Klinik ziyaret notları GPT-4O kullanarak.

Bilinen kardiyoloji ziyareti veya tedavi öyküsü olmayan 100 veya daha fazla skorla işaretlenen hastalar otomatik olarak dijital mesajlar gönderilir. Sistem ayrıca birincil doktorlarına bir not gönderir. 300 veya daha yüksek ICAC skorlarına sahip olduğu tespit edilen hastalar da bir telefon görüşmesi alır.

McCaffrey, telefon görüşmesi dışında neredeyse her şeyin otomatik olduğunu açıkladı; Bununla birlikte, tesis, sesli çağrıları otomatikleştirme umuduyla aktif olarak araçlara pilotluk yapıyor. İnsanların döngüde olduğu tek alan, otomatik bildirimle devam etmeden önce AI-türevi kalsiyum skorunu ve risk katmanını onaylamaktır.

McCaffrey, 2024’ün sonlarında programın başlatılmasından bu yana, tıbbi tesis ayda yaklaşık 450 tarama değerlendirdi ve bu vakaların beş ila on’u her ay yüksek riskli olarak tanımlandı ve müdahale gerektirdi.

“Buradaki öz, bu hastalığın olduğundan şüphelenmesi gerekmiyor, hiç kimsenin bu hastalık için çalışmayı sipariş etmemesi gerekmiyor” dedi.

Yapay zeka için bir başka kritik kullanım durumu, inme ve pulmoner emboli tespitidir. UTMB, tedaviyi hızlandırmak için görüntülemeden saniyeler içinde belirli semptomları tespit etmek ve bayrak bakım ekiplerini tespit etmek için eğitilmiş özel algoritmalar kullanır.

ICAC skorlama aracı gibi, sırasıyla inme ve pulmoner emboli için eğitilmiş CNNS, otomatik olarak BT taramaları alır ve engellenen kan akışları veya ani kan damarı kesimi gibi göstergeler arar.

McCaffrey, “İnsan radyologları bu görsel özellikleri tespit edebilir, ancak burada tespit otomatiktir ve sadece saniyeler içinde gerçekleşir” dedi McCaffrey.

İnme veya pulmoner emboli “şüphesi altında” sipariş edilen herhangi bir BT otomatik olarak AI’ya gönderilir – örneğin, ER’deki bir klinisyen yüz sarkmasını veya bulamaçları tanımlayabilir ve algoritmayı tetikleyerek bir “CT inme” siparişi verebilir.

Her iki algoritma da bir bulgu yapılır yapılmaz tüm bakım ekibini bildiren bir mesajlaşma uygulaması içerir. Bu, lezyonun yeri üzerinde bir artı işaretine sahip görüntünün bir ekran görüntüsünü içerecektir.

McCaffrey, “Bunlar, tedavinin ne kadar hızlı başlattığınız özel durum kullanım durumlarıdır” dedi. “Birkaç dakikalık müdahale kazanabileceğimiz vakalar gördük çünkü AI’dan daha hızlı kafalarımız vardı.”

Halüsinasyonları azaltmak, önyargıyı demirleme

Modellerin mümkün olduğunca en iyi performans göstermesini sağlamak için UTMB, hassasiyet, özgüllük, F-1 skoru, önyargı ve diğer faktörler için hem deploylama öncesi hem de yer değiştirme sonrası profiller.

Bu nedenle, örneğin, ICAC algoritması, radyologlar manuel olarak puan alırken, modeli dengeli bir CT taraması üzerinde çalıştırarak deploylamayı doğrular-o zaman ikisi karşılaştırılır. Bu arada dağıtım sonrası incelemede, radyologlara AI puanlı BT taramalarının rastgele bir alt kümesi verilir ve AI skoruna kör olan tam bir ICAC ölçümü gerçekleştirir. McCaffrey, bunun ekibinin model hatasını tekrarlanan hesaplamasına ve ayrıca potansiyel önyargıyı tespit etmesine izin verdiğini açıkladı (bu da hatanın büyüklüğünde ve/veya yönünde bir değişim olarak görülecek).

AI ve insanların karşılaştıkları ilk bilgi parçasına çok fazla güvendikleri, böylece karar verirken önemli ayrıntıları kaçırdıkları önyargıyı önlemeye yardımcı olmak için UTMB bir “akran öğrenme” tekniği kullanıyor. Radyoloji sınavlarının rastgele bir alt kümesi seçilir, karıştırılır, anonimleştirilir ve farklı radyologlara dağıtılır ve cevapları karşılaştırılır.

Bu sadece bireysel radyolog performansını derecelendirmeye yardımcı olmakla kalmaz, aynı zamanda AI’nın belirli anomalileri özel olarak vurgulamak için kullanıldığı çalışmalarda kaçırılan bulguların oranının daha yüksek olup olmadığını tespit eder (böylece sapma önyargısına yol açar).

Örneğin, AI bir röntgen üzerinde kemik kırıklarını tanımlamak ve işaretlemek için kullanılmışsa, ekip kemik kırıkları için bayraklarla yapılan çalışmaların eklem boşluk daralması (artritte yaygın) gibi diğer faktörler için artmış MISs oranlarına sahip olup olmadığına bakacaktır.

McCaffrey ve ekibi, hem sınıflar (GPT-4O’nun çeşitli versiyonları) hem de sınıflar arasında (GPT-4.5’e karşı 3.5) daha düşük halüsinasyon oranına sahip olma eğiliminde olan birbirini izleyen model sürümlerinin bulunduğunu bulmuşlardır. “Ama bu sıfır olmayan ve belirsiz değil, bu yüzden-güzel olsa da-halüsinasyon olasılığını ve sonuçlarını görmezden gelemeyiz” dedi.

Bu nedenle, genellikle kaynaklarına atıfta bulunmak için iyi bir iş çıkaran üretken AI araçlarına yönelirler. Örneğin, bir hastanın tıbbi seyrini özetleyen bir model, çıktısının temelini oluşturan klinik notaları da ortaya çıkarır.

McCaffrey, “Bu, sağlayıcının halüsinasyona karşı verimli bir şekilde korunma görevi görmesini sağlıyor” dedi.

Sağlık hizmetlerini geliştirmek için ‘temel şeyleri’ işaretlemek

UTMB ayrıca, tıbbi personelin yatarak kabullerin haklı olup olmadığını belirlemesine yardımcı olan otomatik bir sistem de dahil olmak üzere diğer bazı alanlarda AI kullanıyor. Sistem, EHR’den tüm hasta notlarını otomatik olarak çıkararak ve kullanan bir ortak pilot olarak çalışır. ClaudeGPT ve İkizler, personele değerlendirmeler sunmadan önce bunları özetlemek ve incelemek için.

McCaffrey, “Bu, personelimizin tüm hasta popülasyonuna ve filtre/triyaj hastalarına bakmasına izin veriyor” dedi. Araç ayrıca personele kabul veya gözlemi desteklemek için belgeler hazırlamada yardımcı olur.

Diğer alanlarda AI, ekokardiyoloji yorumları veya klinik notalar gibi raporları yeniden incelemek ve bakımdaki boşlukları tanımlamak için kullanılır. McCaffrey, birçok durumda, “sadece temel şeyleri işaretliyor” dedi.

Sağlık hizmetleri karmaşıktır, her yerden gelen veri beslemeleri ile – görüntüler, doktor notları, laboratuvar sonuçları – ancak bu verilerin çok azı hesaplanmıştır, çünkü yeterli insan insan gücü yoktur.

Bu, “büyük, büyük bir entelektüel darboğaz” olarak tanımladığı şeye yol açtı. Proaktif olma ve daha önce bir şeyler bulma potansiyel olmasına rağmen, birçok veri hesaplanmıyor.

McCaffrey, “Bu herhangi bir yerin iddianamesi değil,” dedi. “Bu genellikle sağlık hizmetlerinin durumu.” Yok AI, “Zekayı, incelemeyi, her şeyi yakalamak için gereken ölçekte düşünce çalışmasını konuşlandıramazsınız.”