אפשר לסלוח לך במחשבה ש- AI יחליף בקרוב רופאים אנושיים על בסיס כותרות כמו "הרופא של ה- AI יראה אותך עכשיו", "הרופא העתידי שלך עשוי להיות לא אנושי" ו- "AI זה פשוט היכה רופאים אנושיים בבחינה קלינית "אבל מומחים אומרים שהמציאות היא יותר שיתוף פעולה מאשר הדחה: חולים יוכלו למצוא את חייהם בקרוב בחלקם בידי שירותי AI העובדים לצד קלינאים אנושיים.
בקהילה הרפואית לא חסרים אופטימיות לגבי AI. אך רבים גם מזהירים כי ההייפ סביב ה- AI טרם מומש במסגרות קליניות אמיתיות. ישנם גם חזיונות שונים כיצד שירותי AI יכולים להשפיע ביותר. ועדיין לא ברור אם AI ישפר את חייהם של חולים או רק את השורה התחתונה עבור חברות עמק הסיליקון, ארגוני בריאות ומבטחים.
"אני חושב שכל המטופלים שלנו צריכים לרצות שרק טכנולוגיות ה- AI יובאו על חולשות במערכת הבריאות, אבל עלינו לעשות זאת באופן שאינו מקיף בעמק הסיליקון, " אומר אייזק כהנא, חוקר אינפורמטיקה ביו-רפואי ב בית הספר לרפואה של הרווארד.
אם AI יעבוד כמובטח, הוא יכול לדמרטז את שירותי הבריאות על ידי הגברת הגישה לקהילות המופחתות והוזלת העלויות - יתרון בארצות הברית, שמדורג בצורה לא טובה על אמצעי בריאות רבים למרות עלות טיפולית שנתית ממוצעת של 10, 739 דולר לאדם. מערכות AI עלולות לשחרר רופאים עמוסים מדי ולהקטין את הסיכון לטעויות רפואיות העלולות להרוג עשרות אלפים, אם לא מאות אלפי, חולים אמריקאים בכל שנה. ובמדינות רבות עם מחסור ברופאים לאומיים, כמו סין שבה מחלקות החוץ העירוניות הצפיפות עשויות לראות עד 10, 000 איש ביום, טכנולוגיות כאלה אינן זקוק לדיוק מושלם כדי להוכיח מועיל.
אך מבקרים מציינים כי כל ההבטחה הזו עלולה להיעלם אם המיהרה ליישום מחלת הסוכנות הרוסית לרמוס את זכויות הפרטיות של המטופלים, לא תשקיף מהטיות ומגבלות, או לא תצליח לפרוס שירותים באופן שישפר את תוצאות הבריאות עבור מרבית האנשים.
"באותו אופן שטכנולוגיות יכולות לסגור פערים, הן יכולות להחמיר את הפערים, " אומר ג'יאנת קומארני, מייסד ויו"ר פרויקט האבחון האנושי (Human Dx), תאגיד לתועלת הציבור המתמקד במומחיות רפואית המוצעת המונים. "ולשום דבר אין את היכולת הזו להחמיר פערים כמו AI"
***
כיום, טכניקות ה- AI הפופולריות ביותר הן למידת מכונות ובן-דודה הצעיר, למידה עמוקה. שלא כמו תוכנות מחשב העומדות בקפדנות על כללים שנכתבו על ידי בני אדם, גם למידת מכונה וגם אלגוריתמי למידה עמוקים יכולים להסתכל במערך נתונים, ללמוד ממנו ולבצע תחזיות חדשות. למידה מעמיקה במיוחד יכולה להקדים תחזיות מרשימות על ידי גילוי דפוסי נתונים שאנשים עלולים לפספס.
אבל כדי להפיק את המרב מהתחזיות הללו בתחום הבריאות, AI לא יכול להסתדר עם זה לבד. במקום זאת, בני האדם עדיין חייבים לעזור בקבלת החלטות שיכולות להיות בעלות השלכות בריאותיות וכלכליות משמעותיות. מכיוון שמערכות AI חסרות את האינטליגנציה הכללית של בני האדם, הן יכולות להניח תחזיות מבלבלות שעלולות להוכיח כמזיקות אם רופאים ובתי חולים יבואו ללא עוררין.
הדוגמה הקלאסית באה מעשיר קרואנה, חוקר בכיר במחקר של מיקרוסופט, כפי שהסביר במגזין הנדסה וטכנולוגיה בשנה שעברה. בשנות התשעים עבדה קרואנה על פרויקט שניסה להשתמש בצורה קודמת של למידת מכונה כדי לחזות האם חולה בדלקת ריאות הוא סיכון נמוך או מקרה בעל סיכון גבוה. אך צרות עלו כאשר מודל למידת המכונה ניסה לחזות את המקרה לסובלים מאסתמה, שהם בסיכון גבוה מכיוון שקשיי הנשימה הקיימים שלהם טרם הופכים אותם לפגיעים לדלקת ריאות. המודל תקע חולים אלה בסיכון נמוך, הדורש התערבות קלה ולא אשפוז - דבר שמומחה אנושי מעולם לא היה עושה.
אם אתה עוקב אחר המודל בעיוורון, אומר קנת יונג, מדען מחקר במרכז סטנפורד למחקר ביו-רפואי אינפורמטיקה, "אז אתה מרוצה. מכיוון שהדוגמנית אומרת: "אה, הילד הזה עם אסתמה נכנס והם חלו בדלקת ריאות, אבל אנחנו לא צריכים לדאוג לגביהם ואנחנו שולחים אותם הביתה עם קצת אנטיביוטיקה."
תחזיות למידה מעמיקה יכולות להיכשל גם אם הם נתקלים בנקודות נתונים חריגות, כמו מקרים רפואיים ייחודיים, לראשונה, או כאשר הם לומדים דפוסים משונים במערכי נתונים ספציפיים שאינם הכללים היטב למקרים רפואיים חדשים.
תחזיות ה- AI מיטביות כאשר הן מיושמות על מערכי נתונים מאסיביים, כמו בסין, שיש לה יתרון באימוני מערכות AI בזכות הגישה לאוכלוסיות גדולות ונתוני מטופלים. בפברואר פרסם כתב העת " Nature Medicine" מחקר של חוקרים שבסיסם בסן דייגו וגואנגג'ואו, סין, שהראה הבטחה באבחון מחלות ילדות נפוצות רבות על סמך רישומי הבריאות האלקטרוניים של יותר מ- 567, 000 ילדים.
אבל אפילו מערכי נתונים גדולים יכולים להוות בעיות, במיוחד כאשר החוקרים מנסים ליישם את האלגוריתם שלהם על אוכלוסייה חדשה. במחקר רפואת הטבע, כל חצי מיליון המטופלים הגיעו ממרכז רפואי אחד בגואנגג'ואו, מה שאומר שאין כל ערובה לכך ששיעורי האבחון שנלמדו מההכשרה במערך נתונים זה יחולו על מקרי ילדים במקומות אחרים. כל מרכז רפואי עשוי למשוך מערך חולים ייחודי משלו - בית חולים הידוע במרכז הלב וכלי הדם שלו, למשל, עשוי למשוך מצבי לב קריטיים יותר. וממצאים מבית חולים בגואנגג'ואו שמושכים בעיקר חולים אתניים סינים עשויים שלא לתרגם לאחד בשנחאי עם מספר גבוה יותר של חולים ילידי חוץ, שאינם סינים.
בשיחת ה- TEDx הזו לשנת 2017, שינג'יני קונדו מבית החולים ג'ונס הופקינס מסביר כיצד לכלי ה- AI יש פוטנציאל לגזור יותר מתמונות רפואיות ממה שרופאים בלבד יכולים לעשות - כולל חיזוי מחלות לפני שהמטופלים מראים סימפטומים.
אקסטרפולציה זו תתגלה כקשה גם במצבים אחרים. לדוגמה, אומר מרזיה ע'אסמי, מדען מחשבים ומהנדס ביו-רפואי באוניברסיטת טורונטו, אומר שיש לך 40, 000 חולי טיפול נמרץ במרכז הרפואי בית ישראל לדיכאון - זה רק בית חולים אחד בעיר אחת. "וכך יש לי את כל המסמכים האלה שעשו חיזויים עם הנתונים האלה. האם זה עובד עם בית חולים אחר בבוסטון? אולי. האם זה עובד עבור בית חולים במדינה אחרת? האם זה יעבוד במדינה אחרת? אנחנו לא יודעים. "
***
בעוד שדגמי AI עשויים שלא לעבוד בכל מקרה, Ghassemi סבור שעדיין שווה לבחון את הטכנולוגיה. "אני מאוד בעד לקחת את הדגמים האלה מהספסל לצד המיטה, " היא אומרת, "אבל בצעדים זהירים מאוד אגרסיביים."
צעדים אלה צריכים להתקיים במהלך פיתוח ופריסה של AI, אומר I. גלן כהן, פרופסור למשפטים באוניברסיטת הרווארד ומוביל עבור הפרויקט לרפואה מדויקת, בינה מלאכותית והחוק. זה עשוי לכלול אימות של דיוק ושקיפות של תחזיות AI. ובמהלך איסוף הנתונים, החוקרים יצטרכו גם להגן על פרטיות המטופלים ולבקש הסכמה לשימוש בנתוני מטופלים לצורך הכשרת AI
נושא ההסכמה עולה שוב כאשר מודל ה- AI מוכן לבדיקה קלינית ניסיונית עם חולים אמיתיים. "האם צריך לומר לכם על המטופלים שאתה משתמש באלגוריתם המופיע בהם, והאם זה משנה אם ה- AI מדריך טיפול לחלוטין או באופן חלקי מנחה טיפול?", שואל כהן. "יש באמת מעט חשיבה בשאלות האלה."
Ghassemi תומך גם בביקורת תכופה של אלגוריתמי AI בכדי להבטיח הגינות ודיוק בקרב קבוצות שונות של אנשים על סמך אתניות, מין, גיל וביטוח בריאות. זה חשוב לנוכח האופן בו יישומי AI בתחומים אחרים כבר הראו שהם יכולים להרים הטיות בקלות.
לאחר כל הצעדים האלה, האנשים והחברות המספקים שירותי AI יצטרכו למיין אחריות משפטית במקרה של טעויות בלתי נמנעות. ובניגוד לרוב המכשירים הרפואיים, אשר בדרך כלל זקוקים לאישור רגולטורי אחד בלבד, שירותי AI עשויים לדרוש בדיקה נוספת בכל פעם שהם לומדים מנתונים חדשים.
סוכנויות רגולטוריות מסוימות שוקלות חשיבה מחודשת כיצד להעריך מחלות בריאות בתחום הבריאות. באפריל פרסם מנהל המזון והתרופות האמריקני (FDA) מסמך דיון כדי לקבל משוב ציבורי כיצד לעדכן את סקירת הרגולציה הרלוונטית. "מה שאנחנו מנסים לעשות כאן ברציפות זה לחזור למטרה שלנו לתת לאנשים גישה לטכנולוגיות, אבל אנחנו גם מבינים שהשיטות הנוכחיות שלנו לא ממש עובדות טוב", אומר בקול פאטל, מנהל תחום הבריאות הדיגיטלית במשרד ה- FDA. "לכן עלינו לבחון גישה הוליסטית של כל מחזור חיי המוצר."
בנוסף לנושאים הנוגעים לגישה, פרטיות ותקנות, לא ברור גם מי עומד להפיק תועלת מרבית משירותי הבריאות של AI. ישנם כבר פערים בתחום הבריאות: על פי הבנק העולמי וארגון הבריאות העולמי, מחצית מאוכלוסיית העולם חסרה גישה לשירותי בריאות חיוניים וכמעט 100 מיליון איש נדחקים לעוני קיצוני על ידי הוצאות שירותי בריאות. בהתאם לאופן הפריסה, AI יכול לשפר את אי השוויון הללו או להחמיר אותם.
"הרבה מהדיון ב- AI עסק בנושא דמוקרטיזציה של שירותי הבריאות, ואני רוצה לראות את זה קורה", אומר אפי וויינה, ביו-אתטיקאי במכון הפדרלי לטכנולוגיה בשוויץ.
"אם תסתיים במתן שירות מהודר יותר למי שיכול להרשות לעצמו טיפול בריאותי בכל מקרה, " היא מוסיפה, "אני לא בטוחה אם זו השינוי שאנחנו מחפשים."
האופן בו כל זה מתבטא תלוי בחזונות השונים ליישום AI ההתפתחות המוקדמת התמקדה ביישומי אבחון צרים מאוד, כמו בדיקת תמונות לגבי רמזים לסרטן עור או פטרת ציפורניים, או קריאת צילומי רנטגן בחזה. אולם המאמצים האחרונים ניסו לאבחן מצבים בריאותיים מרובים בבת אחת.
באוגוסט 2018 בית חולים עין מורפילדס בבריטניה ו- DeepMind. מעבדת ה- AI מבוססת לונדון בבעלות חברת האם האלפבית של גוגל, הראתה כי הם הכשירו בהצלחה מערכת AI לזיהוי יותר מ- 50 מחלות עיניים בסריקות, שתואמות את הביצועים של מומחים מובילים. באותה מידה שאיפות רחבות הניעו את המחקר של סן דייגו וגואנגג'ואו שהכשיר את מחלת הסיכון למחלות נפוצה בקרב ילדים. אלה האחרונים לא היו טובים באותה מידה באבחון מחלות ילדים בהשוואה לרופאים בכירים, אך הם הצליחו להיות טובים יותר מכמה שרופאים זוטרים.
ייתכן שמערכות AI כאלה לא יצטרכו להעלות על ביצועם על מיטב המומחים האנושיים שיסייעו לדמוקרטיזציה של שירותי הבריאות, אלא פשוט להרחיב את הגישה לתקנים הרפואיים הנוכחיים. עם זאת, עד כה יישומי AI רבים המוצעים מתמקדים בשיפור הסטנדרט הנוכחי של הטיפול במקום בהפצת שירותי בריאות סבירים, כהן אומר: "הדמוקרטיזציה של מה שיש לנו כבר תהיה המפץ הרבה יותר גדול עבור הכסף שלך מאשר שיפור מה שיש לנו תחומים רבים. "
חברת Accenture, חברת ייעוץ, צופה כי יישומי AI מובילים עשויים לחסוך למשק האמריקני 150 מיליארד דולר לשנה עד שנת 2026. אך לא ברור אם חולים ומערכות שירותי בריאות בתוספת דמי משלם המס יפיקו תועלת, או אם יותר כסף פשוט יזרום לחברות הטק., ספקי שירותי בריאות, ומבטחים.
"השאלה מי הולך לנהוג בזה ומי הולך לשלם על זה היא שאלה חשובה, " אומר כהנא. "משהו הזוי בכל התוכניות העסקיות האלה הוא שהם חושבים שהם יודעים איך זה יסתדר."
גם אם שירותי AI יעלו המלצות לחיסכון בעלויות, רופאים אנושיים וארגוני בריאות עשויים להסס לקבל ייעוץ AI אם הם מרוויחים פחות כסף כתוצאה מכך, מזהיר כהנא. זה מדבר על הנושא המערכתי הגדול יותר של מבטחי הבריאות בארה"ב, תוך שימוש במודל תמורת שירות, אשר לרוב מתגמל רופאים ובתי חולים על הוספת בדיקות והליכים רפואיים, גם כאשר אין בהם צורך.
***
קיימת הזדמנות נוספת ל- AI שיכולה לשפר את איכות הטיפול תוך השארת מרבית האבחנות הרפואיות בידי הרופאים. בספרו מ -1959, אריק טופול, מנהל ומייסד מכון התרגום לחקר סקריפ, מדבר על יצירת בעצם סירי רפואית בעלת supercharged - עוזר AI לרשום הערות על יחסי הגומלין בין רופאים למטופליהם, להזין את ההערות בבריאות אלקטרונית. רשומות, ולהזכיר לרופאים לשאול על חלקים רלוונטיים בהיסטוריה של המטופל.
"השאיפה שלי היא שנפרק את עבודתם של רופאים ונפטר מתפקיד פקיד הנתונים שלהם, נעזור למטופלים לקחת על עצמם אחריות רבה יותר, ונמלא את הנתונים כך שלא ייקח כל כך הרבה זמן לבחון את הדברים", אומר טופול.
אותו "עוזר רפואי או סופר, שלא ישכח אותו", אומר כהנא, ידרוש מחלת הזיהוי הנפוצה שיכולה לעקוב ולהעתיק אוטומטית מספר קולות בין רופאים למטופלים. הוא תומך ברעיון של טופול, אך מוסיף כי נראה שרוב יישומי ה- AI בפיתוח אינם ממוקדים בעוזרים כאלה. ועדיין, חברות מסוימות כמו Saykara ו- DeepScribe פיתחו שירותים בקווים אלה, ואפילו גוגל התחברה עם אוניברסיטת סטנפורד כדי לבחון טכנולוגיה דומה של "כתב דיגיטלי".
עוזר AI אולי נשמע פחות מרגש מאשר רופא AI, אך זה יכול לשחרר רופאים לבלות יותר זמן עם מטופליהם ולשפר את איכות הטיפול הכללית. רופאי משפחה במיוחד מבלים לעתים קרובות יותר ממחצית מימי העבודה שלהם בהזנת נתונים לרשומות בריאות אלקטרוניות - גורם מרכזי מאחורי שחיקה גופנית ורגשית, שיש לה השלכות קשות, כולל מקרי מוות של חולים.
באופן אירוני, רשומות בריאות אלקטרוניות היו אמורות לשפר את הטיפול הרפואי ולקצץ בעלויות על ידי הפיכת מידע חולה לנגיש יותר. כעת הצביעו טופול ומומחים רבים על רישומי בריאות אלקטרוניים כסיפור אזהרה להייפ הנוכחי סביב AI ברפואה ובבריאות.
יישום רשומות בריאות אלקטרוניות כבר יצר מערכת טלאים שהתפשטה בקרב מאות ספקים פרטיים שמצליחה בעיקר לבודד את נתוני המטופלים והופכת אותם לנגישים לרופאים וגם למטופלים. אם ההיסטוריה היא מדריך כלשהו, חברות טכנולוגיות רבות וארגוני בריאות ירגישו את המשיכה ללכת בדרכים דומות על ידי אגירת נתונים רפואיים למערכות AI שלהם.
דרך אחת לעקוף זאת יכולה להיות שימוש במערכת מודיעין קולקטיבית המצטברת ומדרגת מומחיות רפואית ממקורות שונים, אומרת קומארני, שמנסה גישה זו עם Human Dx. מגובה על ידי ארגונים רפואיים מרכזיים כמו התאחדות הרפואה האמריקאית, Human Dx בנתה פלטפורמה מקוונת לייעוץ בהסעות פנים אלפי רופאים על מקרים רפואיים ספציפיים. קומרני מקווה שפלטפורמה כזו יכולה, בתיאוריה, גם יום אחד לכלול ייעוץ אבחוני משירותי AI רבים ושונים.
"באותה דרך שרבים מאנשי מקצוע אנושיים עשויים לבחון את המקרה שלך בעתיד, אין שום סיבה שמספר מקורות AI לא יוכלו לעשות זאת", אומר קומארני.
בזמן שהרופאים ממתינים לעוזרי ה- AI שלהם, פרויקטים רבים של משאבי קהל כמו Human Dx "בהחלט יכולים להוביל לאבחון משופר או אפילו להמלצות משופרות לטיפול", אומר טופול, ששותף במחקר לשנת 2018 בפלטפורמה דומה בשם Medscape Consult. העיתון הסיק כי אינטליגנציה אנושית קולקטיבית יכולה להיות "אסטרטגיה תחרותית או משלימה" ל- AI ברפואה.
אך אם שירותי AI יעברו את כל הבדיקות והבדיקות בעולם האמיתי, הם עלולים להפוך לשותפים משמעותיים עבור בני האדם בעיצוב מחדש של שירותי הבריאות המודרניים.
"יש דברים שמכונות לעולם לא יעשו טוב, ואז אחרים שבהם הם יחרגו ממה שכל אדם יכול לעשות, " אומר טופול. "אז כשמחברים את השניים זו חבילה מאוד עוצמתית."
***
ג'רמי הסו הוא עיתונאי פרילנסר שבסיסו בעיר ניו יורק. הוא כותב לעתים קרובות על מדע וטכנולוגיה עבור Backchannel, IEEE Spectrum, Popular Science ו- Scientific American, בין פרסומים אחרים.
מאמר זה פורסם במקור ב- Undark. קרא את המאמר המקורי.
