AI helsevesen

4 Unike data utfordrer bruken av AI i helsemessige årsaker

Det har blitt sagt nok ganger, men AI viser seg å være en game-changer i helsesektoren. Fra å være bare passive deltakere i helsevesenskjeden, tar pasienter nå kontroll over helsen sin gjennom lufttette AI-drevne pasientovervåkingssystemer, bærbare enheter, visualisert innsikt om tilstandene deres og mer. Fra legers og helsepersonells perspektiver baner AI vei for robotarmer, sofistikerte analyse- og diagnostiske moduler, assisterende kirurgiske roboter, prediktive vinger for å oppdage genetiske lidelser og bekymringer, og mer.

Men ettersom AI fortsetter å påvirke helseaspekter, er det like økende utfordringene knyttet til å generere og vedlikeholde data. Som du vet, kan en AI-modul eller et system bare fungere godt hvis det har blitt trent nøyaktig med relevante og kontekstuelle datasett over en lengre periode.

I bloggen vil vi utforske de unike utfordringene eksperter og helsespesialister står overfor når brukstilfellene av AI i helsevesenet fortsetter å øke når det gjelder kompleksiteten.

1. Utfordringer med å opprettholde personvernet

Helsevesenet er en sektor der personvern er avgjørende. Fra detaljene som går inn i elektroniske helsejournaler av pasienter og data samlet inn under kliniske studier til data som bærbare enheter for ekstern pasientovervåking overfører, krever hver tomme i helsevesenet det ytterste personvern.

Utfordringer med å opprettholde personvernet Hvis det er så mye personvern involvert, hvordan trenes nye AI-applikasjoner som er distribuert i helsevesenet? Vel, i flere tilfeller er pasienter generelt sett ikke klar over at dataene deres brukes til studie- og forskningsformål. Forskrifter nevnt av HIPAA innebærer også at organisasjoner og helsepersonell kan bruke pasientdata til helsefunksjoner og dele data og innsikt med relevante virksomheter.

Det er tonnevis av eksempler fra den virkelige verden for dette. For grunnleggende forståelse, forstå at Google har en solid 10-årig forskningsforståelse med Mayo Clinic og deler begrenset tilgang til data som er anonymisert eller avidentifisert.

Selv om dette er ganske åpenbart, er flere AI-baserte oppstartsselskaper som jobber med å rulle ut prediktive analyseløsninger i markedet, generelt ganske mye om kildene deres for AI-treningsdata av høy kvalitet. Dette skyldes åpenbart konkurransemessige årsaker.

Som et så sensitivt tema, er personvern noe som veteraner, eksperter og forskere i økende grad er opptatt av en pågående hvit hatt. Det er HIPAA-protokoller for avidentifikasjon av data og klausuler for re-identifikasjon på plass. Fremover må vi jobbe med hvordan sømløst personvern kan etableres og samtidig utvikle avanserte AI-løsninger.

2. Utfordringer med å eliminere skjevheter og feil

Feil og skjevheter i helsesektoren kan vise seg å være dødelige for pasienter og helseorganisasjoner. Feil som stammer fra feilplasserte eller feiljusterte celler, sløvhet eller til og med uforsiktighet kan endre medisinering eller diagnose for pasienter. En rapport utgitt av Pennsylvania Patient Safety Authority avslørte at rundt 775 problemer i EPJ-moduler ble identifisert. Ut av dette nummererte menneskebundne feil rundt 54.7 % og maskinbundne feil var nær 45.3 %.

Bortsett fra feil, er skjevheter en annen alvorlig årsak som kan gi uønskede konsekvenser i helseselskaper. I motsetning til feil, er skjevheter vanskeligere å oppdage eller identifisere på grunn av iboende tilbøyelighet til visse oppfatninger og praksiser.

Et klassisk eksempel på hvordan skjevhet kan være dårlig kommer fra en rapport, som deler at algoritmer som brukes til å oppdage hudkreft hos mennesker har en tendens til å være mindre nøyaktige på mørkere hudtoner fordi de for det meste ble opplært til å oppdage symptomer på lyse hudtoner. Å oppdage og eliminere skjevheter er avgjørende og den eneste veien videre for pålitelig bruk av AI i helsevesenet.

Høykvalitets helsetjenester/medisinske data for AI- og ML-modeller

3. Utfordringer med å etablere driftsstandarder

Datainteroperabilitet er et viktig ord å huske i helsevesenet. Som du vet, er helsevesenet et økosystem av forskjellige elementer. Du har klinikker, diagnostiske sentre, rehabiliteringssentre, apotek, FoU-vinger og mer. Ofte krever mer enn ett av disse elementene data for å fungere med deres tiltenkte formål. I slike tilfeller må data som samles inn være enhetlige og standardiserte på en måte som ser ut og leser likt uansett hvem som ser på dem.

Utfordringer med å etablere driftsstandarder I mangel av standardisering vil det være kaos med hvert element som opprettholder sin egen versjon av den samme posten. Så den som ser på et datasett fra et nytt perspektiv går automatisk tapt og trenger hjelp fra den berørte myndigheten for å forstå innholdet i datasettet.

For å unngå dette må standardisering gjøres mer effektiv på tvers av enheter. Det betyr at spesifikke formater, betingelser og protokoller må legges klart ut for obligatorisk overholdelse. Først da kan disse dataene være sømløst interoperable.

4. Utfordringer med å opprettholde sikkerheten

Sikkerhet er en annen viktig bekymring i helsevesenet. Det er dette som vil vise seg å være det dyreste når aspekter knyttet til personvern tas mindre alvorlig. Helsedata er en skattekiste av innsikt for hackere og utnyttere, og i det siste har det vært tonnevis av tilfeller av brudd på nettsikkerheten. Ransomware og andre ondsinnede angrep har blitt utført over hele verden.

Selv midt i Covid-19-pandemien, i nærheten av 37 % av respondentene i en undersøkelse delte at de hadde opplevd et løsepenge-angrep. Cybersikkerhet er nøkkelen til enhver tid.

Innpakning Up

Datautfordringer i helsevesenet er ikke bare begrenset til disse. Ettersom vi forstår avansert integrering og bruk av AI i helsevesenet, blir utfordringene bare mer intrikate, overlappende og flettet sammen.

Som alltid ville vi finne en måte å takle utfordringene og gi plass for sofistikerte AI-systemer som lover å gjøre helsevesenet AI mer nøyaktig og tilgjengelig.

Sosial Share