AI Healthcare

4 Unikke data udfordrer brugen af ​​AI i sundhedsårsager

Det er blevet sagt nok gange, men AI viser sig at være en game-changer i sundhedsindustrien. Fra at være bare passive deltagere i sundhedskæden tager patienter nu ansvaret for deres helbred gennem lufttætte AI-drevne patientovervågningssystemer, bærbare enheder, visualiseret indsigt i deres forhold og mere. Fra læger og sundhedsudbyders perspektiver baner AI vejen for robotarme, sofistikerede analyse- og diagnostiske moduler, hjælpende kirurgiske bots, forudsigelige vinger til at opdage genetiske lidelser og bekymringer og mere.

Men efterhånden som AI fortsætter med at påvirke sundhedsaspekter, er det lige så stigende udfordringerne forbundet med at generere og vedligeholde data. Som du ved, kan et AI-modul eller -system kun fungere godt, hvis det er blevet trænet præcist med relevante og kontekstuelle datasæt i en længere periode.

I bloggen vil vi undersøge de unikke udfordringer, som eksperter og sundhedsspecialister står over for, når anvendelsessagerne for AI i sundhedsvæsenet fortsat stiger med hensyn til deres kompleksitet.

1. Udfordringer med at opretholde privatlivets fred

Sundhedspleje er en sektor, hvor privatlivets fred er afgørende. Fra detaljerne, der går ind i elektroniske sundhedsregistre af patienter og data indsamlet under kliniske forsøg til data, der bærbare enheder til fjernovervågning af patienter sender, kræver hver tomme i sundhedsområdet yderst privatliv.

Udfordringer med at bevare privatlivet Hvis der er så meget privatliv involveret, hvordan bliver nye AI -applikationer, der er implementeret i sundhedsvæsenet, uddannet? I flere tilfælde er patienter generelt ikke klar over, at deres data bruges til undersøgelse og forskning. Forordninger nævnt af HIPAA indebærer også, at organisationer og sundhedsudbydere kan bruge patientdata til sundhedsfunktioner og dele data og indsigt med relevante virksomheder.

Der er masser af virkelige eksempler på dette. For grundlæggende forståelse skal du forstå, at Google stabilt opretholder en 10-årig forskningsforståelse med Mayo Clinic og deler begrænset adgang til data, der er anonymiseret eller afidentificeret.

Selvom dette er ganske åbenlyst, er flere AI-baserede startups, der arbejder på at udrulle forudsigelige analyseløsninger på markedet, generelt meget mor om deres kilder til kvalitets-AI-træningsdata. Dette skyldes naturligvis konkurrencemæssige årsager.

Da det er et så følsomt emne, er privatlivets fred noget, som veteraner, eksperter og forskere i stigende grad er interesserede i en vedvarende hvid hat. Der er HIPAA-protokoller til afidentifikation af data og klausuler for genidentifikation på plads. Fremadrettet bliver vi nødt til at arbejde på, hvor problemfrit privatliv kan etableres, mens vi samtidig udvikler avancerede AI-løsninger.

2. Udfordringer med at eliminere skævheder og fejl

Fejl og skævheder i sundhedssektoren kan vise sig dødelige for patienter og sundhedsorganisationer. Fejl, der stammer fra forkert placerede eller forkert justerede celler, sløvhed eller endda skødesløshed kan ændre medicinforløbet eller diagnosen for patienter. En rapport udgivet af Pennsylvania Patient Safety Authority afslørede, at omkring 775 problemer i EPJ-moduler blev identificeret. Heraf talte menneskebundne fejl omkring 54.7 %, og maskinbundne fejl talte tæt på 45.3 %.

Bortset fra fejl er skævheder en anden alvorlig årsag, der kan have uønskede konsekvenser i sundhedsvirksomheder. I modsætning til fejl er forstyrrelser sværere at få øje på eller identificere på grund af iboende tilbøjelighed til visse overbevisninger og praksis.

Et klassisk eksempel på, hvordan bias kan være dårlig, stammer fra en rapport, der deler, at algoritmer, der bruges til at opdage hudkræft hos mennesker, har en tendens til at være mindre præcise på mørkere hudtoner, fordi de for det meste blev trænet til at opdage symptomer på lyse hudtoner. Det er afgørende og den eneste vej frem for pålidelig brug af AI i sundhedsvæsenet at opdage og eliminere skævheder.

Sundheds-/medicinske data af høj kvalitet til AI- og ML-modeller

3. Udfordringer ved etablering af driftsstandarder

Datainteroperabilitet er et vigtigt ord at huske inden for sundhedsvæsenet. Som du ved, er sundhedsvæsenet et økosystem af forskellige elementer. Du har klinikker, diagnosecentre, genoptræningscentre, apoteker, F & U -vinger og mere. Ofte kræver mere end et af disse elementer, at data fungerer til deres tilsigtede formål. I sådanne tilfælde skal data, der indsamles, være ensartede og standardiserede på en måde, så de ser ud og læser det samme, uanset hvem der ser på dem.

Udfordringer ved etablering af driftsstandarder I mangel af standardisering vil der være kaos med hvert element, der opretholder sin egen version af den samme rekord. Så den, der ser på et datasæt fra et nyt perspektiv, går automatisk tabt og kræver bistand fra den berørte myndighed for at forstå indholdet af datasættet.

For at undgå dette skal standardisering gøres mere effektiv på tværs af enheder. Betydning, specifikke formater, betingelser og protokoller skal tydeligt fremlægges for obligatorisk overholdelse. Først da kunne disse data problemfrit fungere.

4. Udfordringer med at opretholde sikkerheden

Sikkerhed er en anden afgørende bekymring i sundhedsvæsenet. Det er det, der vil vise sig at være det dyreste, når aspekter relateret til databeskyttelse tages mindre alvorligt. Sundhedsdata er en skattekiste af indsigt for hackere og udnyttere, og på det seneste har der været tonsvis af tilfælde af cybersikkerhedsbrud. Ransomware og andre ondsindede angreb er blevet udført rundt om i verden.

Selv midt i Covid-19-pandemien, tæt på 37% af de adspurgte til en undersøgelse delte, at de havde oplevet et ransomware -angreb. Cybersikkerhed er nøglen på et givet tidspunkt.

Indpakning op

Dataudfordringer i sundhedsvæsenet er ikke kun begrænset til disse. Efterhånden som vi forstår avanceret integration og funktion af kunstig intelligens i sundhedsvæsenet, bliver udfordringerne kun mere indviklede, overlappende og sammenflettede.

Som altid ville vi finde en måde at tackle udfordringerne på og vige for sofistikerede AI -systemer, der lover at lave sundhedspleje AI mere præcis og tilgængelig.

Social Share