Máy tính Hưng Danh

Thuật toán AI đã len lỏi vào hàng trăm bệnh viện như thế nào?

Thuật toán AI đã len lỏi vào hàng trăm bệnh viện như thế nào?

Trong thời gian đại dịch xảy ra, gã khổng lồ hồ sơ sức khỏe điện tử Epic đã nhanh chóng triển khai một thuật toán AI để giúp các bác sĩ quyết định bệnh nhân nào cần được chăm sóc ngay lập tức nhất. Các bác sĩ tin rằng nó sẽ thay đổi cách họ điều trị.

Mùa xuân vừa rồi, các bác sĩ như chúng tôi đã nhầm lẫn. COVID-19 vừa mới bắt đầu hành trình vòng quanh thế giới đầy chết chóc, khiến bệnh nhân của chúng tôi bị nhiễm trùng phổi nặng, đột quỵ, phát ban trên da, suy nhược mệt mỏi và nhiều triệu chứng cấp tính và mãn tính khác . Được trang bị với những thiết bị lâm sàng lỗi thời, chúng tôi bị mất phương hướng bởi một căn bệnh lạ bao trùm trong sự mơ hồ.

Thuật toán AI trong ứng dụng Y Tế tại Mỹ

Trong bối cảnh này, Epic, một gã khổng lồ về hồ sơ y tế điện tử tư nhân và là nhà cung cấp dữ liệu y tế chính của Mỹ, đã đẩy nhanh việc triển khai một công cụ dự đoán lâm sàng có tên là ” Deterioration Index”. Được xây dựng với một loại trí tuệ nhân tạo AI được gọi là ” Máy học ” và được sử dụng tại một số bệnh viện trước đại dịch, chỉ số này được thiết kế để giúp các bác sĩ quyết định khi nào nên chuyển bệnh nhân vào hoặc ra khỏi phòng chăm sóc đặc biệt và bị ảnh hưởng bởi các yếu tố như nhịp thở và nồng độ kali trong máu. Epic đã nghiên cứu với danh mục này trong nhiều năm nhưng đã mở rộng việc sử dụng nó trong thời gian xảy ra đại dịch. Tại hàng trăm bệnh viện, bao gồm cả những bệnh viện mà chúng tôi làm việc, chỉ số từ Deterioration Index được hiển thị nổi bật trên biểu đồ của mỗi bệnh nhân nhập viện.

Deterioration Index sẵn sàng bổ sung một ứng dụng quan trọng trong y học: triage. Nói một cách dễ hiểu, triage là một thuật toán AI xác định mức độ nghiêm trọng của bệnh nhân tại bất kỳ thời điểm nào để ưu tiên điều trị và hạn chế được nguồn nhân lực kiểm tra. Trước đây, các bác sĩ đã thực hiện  việc này bằng cách nhanh chóng phân tích các dấu hiệu quan trọng của bệnh nhân, kết quả khám sức khỏe, kết quả xét nghiệm và các chỉ số khác, sử dụng phương pháp phỏng đoán được học qua nhiều năm đào tạo về y tế.

Rõ ràng, cốt lõi của Deterioration Index là bộ ba truyền thống có thể được tăng cường hoặc có thể được thay thế hoàn toàn bằng thuật toán AI – Deep learning và Big data. Thật vậy, một nghiên cứu trên 392 bệnh nhân COVID-19 được nhận vào Michigan Medicine rằng chỉ số này phân tích hợp lý trong việc phân biệt giữa những bệnh nhân có nguy cơ thấp và những người có nguy cơ cao được chuyển đến ICU, được đặt máy thở hoặc tử vong trong khi nhập viện. Nhưng việc triển khai Deterioration Index vào năm ngoái cũng đặt ra một tiền lệ đáng lo ngại, nó cho thấy tiềm năng của các công cụ hỗ trợ đưa ra dự đoán nhưng củng tuyên truyền những thành kiến ​​trong y học và thay đổi cách các bác sĩ nghĩ về bệnh nhân của họ.

Việc sử dụng các thuật toán để hỗ trợ việc ra quyết định lâm sàng không phải là mới. Nhưng về mặt lịch sử, những công cụ này chỉ được đưa vào sử dụng sau khi đánh giá đồng cấp nghiêm ngặt về dữ liệu thô và phân tích thống kê được sử dụng để phát triển chúng. Mặt khác, Deterioration Index của Epic vẫn là độc quyền mặc dù được triển khai rộng rãi. Mặc dù các bác sĩ được cung cấp danh sách các biến được sử dụng để tính toán chỉ số và ước tính sơ bộ về tác động của từng biến đổi với chỉ số, nhưng chúng tôi không được phép đánh giá dữ liệu thô và tính toán.

Hơn nữa, Deterioration Index không được xác nhận độc lập hoặc đánh giá ngang hàng trước khi công cụ này nhanh chóng được triển khai cho các hệ thống chăm sóc sức khỏe lớn nhất của Mỹ. Ngay cả bây giờ, theo hiểu biết của chúng tôi, chỉ có hai nghiên cứu được công bố được bình duyệt về chỉ số này. Việc triển khai một thuật toán độc quyền phần lớn chưa được thử nghiệm vào thực hành lâm sàng — với sự hiểu biết tối thiểu về những hậu quả không mong muốn có thể xảy ra đối với bệnh nhân hoặc bác sĩ lâm sàng — đặt ra một loạt vấn đề.

Ví dụ, nếu bạn chưa rõ về những thành kiến ​​nào có thể được mã hóa vào chỉ số. Y học đã có một lịch sử đầy rẫy với sự chênh lệch và thành kiến ​​về chủng tộc và giới tính. Các nghiên cứu đã chỉ ra rằng, trong số những bất cập khác, các bác sĩ đánh giá thấp sự đau đớn của số ít bệnh nhân và ít có khả năng giới thiệu phụ nữ đến phẫu thuật thay toàn bộ khớp gối khi có nhu cầu. Một số chỉ số lâm sàng, bao gồm các phép tính thường được sử dụng để đánh giá chức năng thận và phổi, theo truyền thống được điều chỉnh dựa trên chủng tộc của bệnh nhân – một thực hành mà nhiều người trong cộng đồng y tế hiện đang phản đối. Nếu không có quyền truy cập trực tiếp vào các thuật toán nằm trong Deterioration Index của Epic hoặc tìm hiểu thêm từ bên ngoài, không thể biết liệu chỉ số có kết hợp các điểm số được điều chỉnh theo chủng tộc như vậy trong thuật toán của riêng nó hay không, có khả năng lan truyền thành kiến.

Đưa thuật toán AI – Deep Learning vào quy trình phân loại về cơ bản có thể thay đổi cách chúng ta dạy về y học. Nó có tiềm năng cải thiện chăm sóc bệnh nhân nội trú bằng cách làm nổi bật các liên kết mới giữa dữ liệu lâm sàng và kết quả. Nhưng nó cũng có thể làm các bác sĩ trẻ giảm sự nhanh nhạy đối với các xét nghiệm cụ thể và các yếu tố sức khỏe mà thuật toán cho là quan trọng; nó có thể ảnh hưởng đến khả năng trau dồi trực giác lâm sàng của các học viên. Về bản chất, các bác sĩ được đào tạo sẽ học y học theo các thuật ngữ của Epic.

Rất may, có những biện pháp bảo vệ có thể được thực hiện tương đối dễ dàng. Vào năm 2015, International Equator Network đã tạo 22 điểm Tripod checklist để hướng dẫn phát triển, xác nhận và cải tiến có trách nhiệm các công cụ dự đoán lâm sàng như Deterioration Index. Ví dụ: nó yêu cầu các nhà phát triển công cụ cung cấp chi tiết về cách tạo ra các nhóm rủi ro, báo cáo các biện pháp hiệu suất với khoảng tin cậy và thảo luận về các hạn chế của các nghiên cứu xác nhận. Các công ty môi giới dữ liệu y tế tư nhân như Epic nên luôn tuân theo tiêu chuẩn này.

Giờ đây, các chỉ số Deterioration Index đã được sử dụng trong các môi trường lâm sàng, Epic nên phát hành ngay lập tức để xem xét ngang hàng các phương trình cơ bản và tập dữ liệu ẩn danh mà nó sử dụng để xác thực nội bộ để các bác sĩ và nhà nghiên cứu dịch vụ y tế có thể hiểu rõ hơn về bất kỳ tác động tiềm ẩn nào mà họ có vì bình đẳng sức khỏe. Cần có các kênh liên lạc rõ ràng để nêu ra, thảo luận và giải quyết mọi vấn đề nảy sinh trong quá trình đánh giá đồng cấp, bao gồm cả những lo ngại về tính hợp lệ của chỉ số, giá trị tiên lượng, sự chênh lệch hoặc hậu quả không mong muốn. Các công ty như Epic cũng nên tham gia một cách thiện chí và cởi mở hơn với các bác sĩ sử dụng thuật toán của họ; họ nên chia sẻ thông tin về quần thể mà các thuật toán đã được đào tạo, các câu hỏi mà các thuật toán được trang bị tốt nhất để trả lời, và các sai sót mà các thuật toán có thể mắc phải. Những lưu ý và cảnh báo cần được thông báo rõ ràng và nhanh chóng cho tất cả các bác sĩ lâm sàng sử dụng các chỉ số.

Đại dịch COVID-19, đã thúc đẩy việc triển khai rộng rãi các công cụ dự đoán lâm sàng như Deterioration Index, có thể báo trước một sự cộng tác mới giữa bác sĩ và máy móc trong nghệ thuật y học. Bây giờ là lúc để thiết lập các quy tắc cơ bản để đảm bảo rằng sự hợp tác này giúp chúng ta thay đổi y học tốt hơn chứ không phải tệ hơn.


Tiến sĩ Vishal Khetpal là bác sĩ nội trú được đào tạo trong Chương trình Nội khoa Đại học Brown.

Tiến sĩ Nishant R. Shah là trợ lý giáo sư y khoa tại Trường Y khoa Alpert thuộc Đại học Brown và là trợ lý giáo sư về dịch vụ y tế, thực hành và chính sách tại Trường Y tế Công cộng Đại học Brown.

Nguồn : Epic

Tham khảo và tìm hiểu về Trí tuệ nhân tạo tại : Máy Tính Hưng Danh

Xây dựng cấu hình PC Đồ hoạ – Workstation -Server tại đây 

Trả lời

Địa chỉ email của bạn sẽ không được công bố.