PG ekspertai aptaria, kaip integruoti tvirtą AI į sveikatos priežiūrą, kodėl tarpdisciplininis bendradarbiavimas yra kritinis, o generatyvinės AI galimybė atliekant tyrimus.
Feifei Li ir Lloyd Minor pateikė įžangines pastabas inauguraciniame „Raise Health“ simpoziume Stanfordo universiteto medicinos mokykloje gegužės 14 d. Steve Fish
Dauguma dirbtinio intelekto užfiksuotų žmonių turėjo tam tikrą „Aha“ akimirką, atverdami savo mintis galimybių pasauliui. Gegužės 14 d. Inauguraciniame sveikatos simpoziume Lloyd Minor, MD, Stanfordo universiteto medicinos mokyklos dekanas ir Stanfordo universiteto medicinos reikalų viceprezidentas, pasidalino savo perspektyva.
Kai vieno smalsaus paauglio buvo paprašyta apibendrinti savo išvadas apie vidinę ausį, jis kreipėsi į generacinį dirbtinį intelektą. „Aš paklausiau:„ Kas yra aukštesnio lygio kanalo dehiscencijos sindromas? “ Nepilnametis pasakojo beveik 4000 simpoziumo dalyvių. Per kelias sekundes pasirodė kelios pastraipos.
„Jie geri, tikrai geri“, - sakė jis. „Tai, kad ši informacija buvo surinkta į glaustą, paprastai tikslų ir aiškiai prioritetinį ligos aprašymą. Tai gana nuostabu “.
Daugelis dalijosi nepilnamečių jauduliu pusės dienos renginyje, kuris buvo „Raise Health Initiative“, projekto, kurį pradėjo Stanfordo universiteto medicinos mokyklos ir Stanfordo orientuotos į žmogaus dirbtinio intelekto (HAI), siekiant vadovautis atsakingu dirbtinio naudojimo naudojimu dirbtiniam naudojimui intelektas. Intelektas biomedicininių tyrimų, švietimo ir pacientų priežiūros srityje. Kalbėtojai ištyrė, ką reiškia įgyvendinti dirbtinį intelektą medicinoje taip, kad tai būtų naudinga ne tik gydytojams ir mokslininkams, bet ir skaidriems, teisingiems ir teisingiems pacientams.
„Mes manome, kad tai yra technologija, gerinanti žmonių galimybes“,-sakė Fei-Fei Li, Stanfordo inžinerijos mokyklos informatikos mokyklos profesorius, „Raise Health“ direktorius su nedideliu projektu ir HAI direktoriumi. Generuojama po kartos, gali atsirasti naujos technologijos: nuo naujų antibiotikų molekulinių sekų iki biologinės įvairovės žemėlapių ir atskleidžiančių paslėptų pagrindinių biologijos dalių, AI spartina mokslinį atradimą. Tačiau ne visa tai yra naudinga. „Visos šios programos gali sukelti nenumatytų padarinių, ir mums reikia kompiuterių mokslininkų, kurie atsakingai kuria ir įgyvendina [dirbtinį intelektą], dirbdami su įvairiomis suinteresuotosiomis šalimis, pradedant gydytojais ir etikais ... iki saugumo ekspertų ir už jos ribų“, - sako ji. „Tokios iniciatyvos kaip„ Res Health “rodo mūsų įsipareigojimą tam“.
Trijų „Stanford Medicine“ padalinių - Medicinos mokyklos, Stanfordo sveikatos priežiūros ir Stanfordo universiteto vaikų sveikatos medicinos mokyklos konsolidacija - ir jos ryšiai su kitomis Stanfordo universiteto dalimis pateikė tokią padėtį, kai ekspertai susiduria dirbtinis intelektas. Valdymo ir integracijos klausimai sveikatos priežiūros ir medicinos srityje. Medicina, daina ėjo.
„Mes turime puikias galimybes būti dirbtinio intelekto plėtros ir atsakingo įgyvendinimo pradininku, pradedant nuo pagrindinių biologinių atradimų ir baigiant narkotikų kūrimo gerinimu ir klinikinių tyrimų procesų darymu, iki faktinio sveikatos priežiūros paslaugų teikimo. sveikatos priežiūra. Tai, kaip įsteigta sveikatos priežiūros sistema “, - sakė jis.
Keletas pranešėjų pabrėžė paprastą koncepciją: sutelkite dėmesį į vartotoją (šiuo atveju pacientą ar gydytoją) ir visa kita. „Tai pacientui nukreipia į viską, ką mes darome“, - sakė dr. Lisa Lehmann, Brigham ir moterų ligoninės bioetikos direktorė. „Turime atsižvelgti į jų poreikius ir prioritetus“.
Iš kairės į dešinę: „Stat News“ anūkė Mohana Ravindranath; Jessica Peter Lee iš „Microsoft Research“; Biomedicininių duomenų mokslo profesorė Sylvia Plevritis aptaria dirbtinio intelekto vaidmenį medicinos tyrimuose. Steve Fish
Skydelyje, kuriam buvo Lehmann, Stanfordo universiteto medicinos bioeticistė Mildred Cho, MD, ir „Google“ vyriausiasis klinikinis pareigūnas Michaelas Howellas, MD, pažymėjo ligoninių sistemų sudėtingumą, pabrėždami poreikį suprasti savo tikslą prieš bet kokią intervenciją. Įdiekite jį ir įsitikinkite, kad visos sukurtos sistemos yra įtraukiančios ir klausykite žmonių, kuriems jie yra skirti padėti.
Vienas iš raktų yra skaidrumas: tai leidžia suprasti, iš kur kyla duomenys, naudojami algoritmo mokymui, koks yra pirminis algoritmo tikslas, ir ar būsimi paciento duomenys ir toliau padės algoritmui išmokti, be kitų veiksnių.
„Bandymas numatyti etines problemas, kol jos netaps rimtomis [priemonėmis] rasti tobulą saldžią vietą, kurioje pakankamai žinote apie technologiją, kad ja pasitikėtumėte, bet ne anksčiau nei [problema] pasklido toliau ir išspręs ją greičiau“. , Sakė Dentonas Char. Medicinos mokslų kandidatas, vaikų anesteziologijos, perioperacinės medicinos ir skausmo medicinos katedros docentas. Jis sako, kad vienas svarbiausias žingsnis yra nustatyti visas suinteresuotosios šalys, kurioms gali būti paveikta technologija, ir nustatyti, kaip jie patys norėtų atsakyti į tuos klausimus.
Jesse Ehrenfeld, MD, Amerikos medicinos asociacijos prezidentas, aptaria keturis veiksnius, skatinančius bet kokios skaitmeninės sveikatos priemonės priėmimą, įskaitant dirbtinio intelekto maitinimą. Ar jis efektyvus? Ar tai veiks mano įstaigoje? Kas moka? Kas yra atsakingas?
Michaelas Pfefferis, MD, „Stanford Health Care“ vyriausiasis informacijos pareigūnas, paminėjo neseniai pateiktą pavyzdį, kuriame daugelis klausimų buvo patikrinta tarp slaugytojų Stanfordo ligoninėse. Klinikų gydytojus palaiko dideli kalbos modeliai, kurie pateikia pradinius ateinančių pacientų pranešimų komentarus. Nors projektas nėra tobulas, gydytojai, padėję parengti technologijos ataskaitą, kad modelis palengvina jų darbo krūvį.
„Mes visada sutelkiame dėmesį į tris svarbius dalykus: saugumą, efektyvumą ir įtraukimą. Mes esame gydytojai. Mes prisiekiame „nedaryti jokios žalos“, - sakė MD Nina Vasan, klinikinio psichiatrijos ir elgesio mokslų docentė, prisijungusi prie Char ir Pfeffer. „Tai turėtų būti pirmas būdas įvertinti šias priemones“.
Nigam Shah, MBBS, Ph.D., Medicinos ir biomedicinos duomenų mokslo profesorius, diskusiją pradėjo šokiruojančia statistika, nepaisant sąžiningo įspėjimo auditorijai. „Aš kalbu bendromis sąlygomis ir skaičiais, o kartais jie linkę būti labai tiesioginiai“, - sakė jis.
Anot Shaho, AI sėkmė priklauso nuo mūsų sugebėjimo ją išplėsti. „Tinkamų mokslinių modelio tyrimų atlikimas trunka apie 10 metų, o jei kiekviena iš 123 stipendijų ir rezidentūros programų norėtų išbandyti ir panaudoti modelį iki tokio griežtumo lygio, būtų labai sunku atlikti teisingą mokslą, nes šiuo metu mes šiuo metu organizuojame Mūsų pastangos ir [testas]] kainuotų 138 milijardų dolerių, kad įsitikintume, jog kiekviena mūsų svetainė veikia teisingai “, - teigė Shahas. „Mes negalime to sau leisti. Taigi turime rasti būdą, kaip plėstis, ir turime plėstis ir padaryti gerą mokslą. Svarbūs įgūdžiai yra vienoje vietoje, o mastelio keitimo įgūdžiai yra kitoje, todėl mums reikės tokio tipo partnerystės. “
Asocijuotasis dekanas Yuanas Ashley ir Mildred Cho (priėmimas) dalyvavo „Raise Health“ seminare. Steve Fish
Kai kurie simpoziumo pranešėjai teigė, kad tai gali būti pasiekta per viešojo ir privačiojo sektorių partnerystes, tokias kaip neseniai vykęs Baltųjų rūmų vykdomasis įsakymas dėl saugaus, saugaus ir patikimo dirbtinio intelekto bei sveikatos priežiūros dirbtinio intelekto (Chai) konsorciumo plėtros ir naudojimo. ).
„Viešojo ir privačiojo sektoriaus partnerystė su didžiausiu potencialu yra tarp akademinės bendruomenės, privačiojo sektoriaus ir viešojo sektoriaus“,-sakė Laura Adams, Nacionalinės medicinos akademijos vyresnioji patarėja. Ji pažymėjo, kad vyriausybė gali užtikrinti visuomenės pasitikėjimą, o akademiniai medicinos centrai gali. Pateikite teisėtumą, o techninę kompetenciją ir kompiuterio laiką gali suteikti privatusis sektorius. „Mes visi esame geresni už bet kurį iš mūsų ir suprantame, kad ... negalime melstis, kad realizuotume [dirbtinio intelekto] galimybes, nebent suprantame, kaip bendrauti tarpusavyje“.
Keli kalbėtojai teigė, kad AI taip pat daro įtaką tyrimams, nesvarbu, ar mokslininkai jį naudoja tyrinėdami biologinę dogmą, numatyti naujas sintetinių molekulių sekas ir struktūras, kad palaikytų naują gydymą, ar net padeda jiems apibendrinti ar rašyti mokslinius dokumentus.
„Tai galimybė pamatyti nežinomą“,-sakė Jessica Mega, MD, Stanfordo universiteto medicinos mokyklos kardiologė ir „Alfabet's“ įkūrėja. „Mega“ paminėjo hiperspektrinį vaizdą, kuris fiksuoja vaizdo ypatybes, kurios nematomos žmogaus akiai. Idėja yra naudoti dirbtinį intelektą, kad aptiktų patologinių skaidrių modelius, kurių žmonės nemato, rodančios ligas. „Aš skatinu žmones priimti nežinomybę. Manau, kad visi čia pažįsta kažkokią sveikatos būklę, kuriam reikia kažko, ką mes galime pateikti šiandien “, - sakė Mejia.
Panelės taip pat sutiko, kad dirbtinio intelekto sistemos pateiks naujų būdų, kaip nustatyti ir kovoti su šališkais sprendimų priėmimu, nesvarbu, ar tai padarys žmonės, ar dirbtinis intelektas, su galimybe nustatyti šališkumo šaltinį.
„Sveikata yra ne tik medicininė priežiūra“, - sutiko keli komisijos nariai. Kalbėtojai pabrėžė, kad tyrėjai dažnai nepastebi socialinių sveikatos veiksnių, tokių kaip socialinė ir ekonominė būklė, pašto kodas, švietimo lygis, rasė ir etninė priklausomybė, rinkdami inkliuzinius duomenis ir įdarbindami dalyvius studijoms. „PG yra tik veiksminga, kaip ir duomenys, kuriais mokomas modelis“, - teigė Michelle Williams, Harvardo universiteto epidemiologijos profesorė ir Stanfordo universiteto medicinos mokyklos epidemiologijos ir gyventojų sveikatos docentas. „Jei darysime tai, ką stengiamės daryti. Pagerinkite sveikatos rezultatus ir pašaliname nelygybę, turime užtikrinti, kad renkame aukštos kokybės duomenis apie žmogaus elgesį ir socialinę bei natūralią aplinką. “
Natalie Pageler, MD, klinikinė pediatrijos ir medicinos profesorė, teigė, kad sujungti vėžio duomenys dažnai neįtraukia duomenų apie nėščias moteris, sukuriant neišvengiamą modelių šališkumą ir pablogindami esamus sveikatos priežiūros skirtumus.
Pediatrijos ir medicinos profesorius daktaras Davidas Magnusas teigė, kad, kaip ir bet kokia nauja technologija, dirbtinis intelektas gali padaryti viską geriau įvairiais būdais arba pabloginti. Rizika, pasak Magnuso, yra ta, kad dirbtinio intelekto sistemos sužinos apie nelyginius sveikatos rezultatus, kuriuos lemia socialiniai sveikatos veiksniai, ir sustiprins tuos rezultatus per jų produkciją. „Dirbtinis intelektas yra veidrodis, atspindintis visuomenę, kurioje gyvename“, - sakė jis. „Tikiuosi, kad kiekvieną kartą, kai turėsime galimybę atkreipti dėmesį į problemą - išlaikyti veidrodį sau - tai bus motyvacija pagerinti situaciją“.
Jei negalėjote dalyvauti „Raise Health“ dirbtuvėse, sesijos įrašą galite rasti čia.
Stanfordo universiteto medicinos mokykla yra integruota akademinės sveikatos priežiūros sistema, susidedanti iš Stanfordo universiteto medicinos mokyklos ir suaugusiųjų bei vaikų sveikatos priežiūros paslaugų teikimo sistemų. Kartu jie suvokia visą biomedicinos potencialą bendradarbiaudami, švietimą ir klinikinę pacientų priežiūrą. Norėdami gauti daugiau informacijos, apsilankykite „Med.stanford.edu“.
Naujas dirbtinio intelekto modelis padeda gydytojams ir slaugytojams Stanfordo ligoninėje kartu, siekiant pagerinti pacientų priežiūrą.
Pašto laikas: 2012 m. Liepos 19 d