AI:s roll i hälso- och sjukvården

I takt med att artificiell intelligens (AI) fortsätter att utvecklas, står hälso- och sjukvården inför en betydande utmaning: att effektivt implementera dessa avancerade algoritmer i praktiken. Det är avgörande att vi inte bara utvecklar algoritmer, utan också säkerställer att de används på ett sätt som verkligen gynnar patienterna. Att övervinna utmaningarna med införandet: att överbrygga klyftan mellan utveckling av algoritmer för artificiell intelligens och implementering inom hälso- och sjukvården kan underlätta inom vården.

Artificiell intelligens (AI), i synnerhet generativ AI (en gren av AI som fokuserar på att skapa eller producera nytt innehåll, som bilder, musik eller text, genom algoritmer och maskininlärningsmodeller), har en omvälvande potential inom hela hälso- och sjukvårdsspektrat, med potentiella tillämpningar från tidig terapeutisk utveckling till diagnostik, förbättrade behandlingsmetoder och patientvård. Genom att integrera AI-verktyg i hälso- och sjukvårdssystemen har man redan kunnat visa på förbättringar inom medicinsk bildbehandling och individanpassad vård. Övergången från AI-utveckling till klinisk implementering i den verkliga världen är dock fortfarande en utmaning av många olika skäl, bland annat tekniska, etiska och regulatoriska hinder. Viktiga frågor inkluderar dataskydd, digital samverkan med befintliga system, hantering av fördomar och säkerställande av rättvis tillgång till AI-drivna vårdlösningar. Dessutom förvärras AI-implementeringsklyftan av bristen på expertis och resurser i kliniska utrymmen, vilket gör det svårt att anpassa AI-teknik till kliniska arbetsflöden. Fallstudier, såsom Prediction of Undiagnosed atrial fibrillation using a machine learning Algorithm (PULsE)-AI-initiativet för screening av förmaksflimmer i England, belyser kopplingen mellan framgångsrik algoritmutveckling och dess integrering i vårdpraxis. De delar med sig av strategier för att övervinna dessa utmaningar, inklusive tvärvetenskapligt samarbete, AI-kunskap bland vårdpersonal och tydlighet i lagstiftningen, och utveckling av infrastruktur. Att bygga upp förtroende och säkerställa patientsäkerheten är också avgörande för att möjliggöra en utbredd användning av AI. Det krävs en omfattande samarbetsstrategi för att förverkliga AI:s fulla potential inom sjukvården och överbrygga det nuvarande gapet mellan den tekniska utvecklingen av AI och dess praktiska tillämpning.

Att integrera AI i hälso- och sjukvårdssystemen har inneburit stora förändringar, från förbättrad diagnostik till effektivisering av kliniskt beslutsfattande. Innan de senaste framstegen användes regelbaserade system och expertbedömningar för att automatisera enkla uppgifter. Beroendet av fördefinierade regler begränsade dock skalbarheten och effektiviteten hos dessa verktyg.

Med generativ AI (genAI) har vi en AI som kan analysera, sammanfatta och generera innehåll på ett sätt som liknar människans. Detta uppnås med hjälp av en stor korpus av befintliga data som utnyttjar mönster och funktioner från dessa data. Dessa verktyg öppnar nya möjligheter inom medicinsk forskning, diagnostik, behandling och individanpassad patientvård. Generativa adversariala nätverk (GAN) kan till exempel generera syntetiska medicinska bilder som liknar faktiska patientdata, vilket ökar radiologernas noggrannhet och effektivitet genom att tillhandahålla ytterligare bilddata för analys och träning av AI-drivna diagnostiska algoritmer. En AI-styrd riktad screeningmetod utnyttjar befintliga kliniska data för att förbättra upptäckten av förmaksflimmer (AF), vilket potentiellt kan förbättra effektiviteten i AF-screening. Framför allt har datormodellering i kombination med maskininlärning använts för att utforma virtuella hjärtan för att vägleda ablation (en behandlingsmetod mot olika typer av hjärtklappning som enbart används när behandling med läkemedel inte fungerar) hos patienter med ihållande förmaksflimmer, med hjälp av personliga geometriska förmaksmodeller som skapats utifrån magnetresonansbilder som tagits före ingreppet.

Trots de snabba framstegen är det fortfarande en utmaning att implementera AI i klinisk praxis, eftersom flera faktorer kräver samordnade insatser för att säkerställa en ansvarsfull, etisk och rättvis användning i en klinisk miljö. Denna kommentar belyser vikten av ett samarbete mellan hälso- och sjukvårdspersonal, AI-utvecklare, tillsynsorgan, beslutsfattare och patienter för att ta itu med hinder som försvårar införandet av AI i olika hälso- och sjukvårdssystem.

Komplexiteten i genomförandet
Trots de snabba framstegen har övergången till verklig implementering i vården stött på flera utmaningar. Tekniska, etiska och regulatoriska överväganden är många, och utmaningar kring patientintegritet, datasäkerhet och partiskhet är av största vikt inom sjukvården. För att säkerställa efterlevnad av befintliga regelverk, till exempel HIPAA (Health Insurance Portability and Accountability Act) i USA och den allmänna dataskyddsförordningen i Europa, krävs noggrann uppmärksamhet på datastyrning och transparens i AI-drivna beslutsprocesser. Organisationer håller på att ta fram riktlinjer och regler. Till exempel har British Standards Institution i sina riktlinjer BS30440 konsoliderat tidigare riktlinjer och ramverk för att skapa en guide till AI-utveckling för användning inom hälso- och sjukvården, vilket säkerställer att AI-produkter uppfyller effektivitet, säkerhet och etiska standarder och kan integreras i hälso- och sjukvårdsmiljön. Utanför BS30440 är vägledningen dock fragmenterad och fokuserar främst på produkter som betraktas som medicintekniska produkter.

Dessutom omfattar de tekniska utmaningarna problem med digital samverkan med befintliga hälso- och sjukvårdssystem, datakvalitet och formatvariationer samt behovet av en robust infrastruktur för att stödja nya arbetsflöden. Den ostrukturerade och heterogena karaktären hos vårddata innebär stora utmaningar för utvecklingen av AI-algoritmer och tolkningen av genAI. Att minska risken för partiskhet och säkerställa rättvis tillgång till AI-drivna vårdinterventioner är dessutom avgörande för att skapa förtroende bland patienter, vårdgivare och beslutsfattare.

Att integrera algoritmer i kliniska arbetsflöden kräver också organisatoriska och kulturella förändringar, inklusive utbildning av vårdpersonal i AI-kunskap, främjande av tvärvetenskapligt samarbete mellan datavetare och kliniker samt hantering av oro för att arbetstillfällen försvinner och arbetsflödet störs. För att övervinna dessa hinder krävs en mångfacetterad strategi som prioriterar samarbete, transparens och patientcentrerad vård. Det krävs ett aktivt engagemang och samarbete mellan olika intressenter, inklusive vårdgivare, administratörer, patienter och beslutsfattare. Läkarnas medverkan är avgörande, och det finns initiativ som National Institute for Health Researchs stöd för samarbete inom tillämpad hälsoforskning för att uppmuntra till implementering.

Förståelse för klyftan
På grund av dessa utmaningar finns det en betydande klyfta mellan utvecklingen av AI-algoritmer, användningen av genAI och implementeringen i hälso- och sjukvårdssystemen. Det finns skillnader i den expertis, de resurser och den infrastruktur som krävs för att implementera AI, och det krävs samarbetsstrategier för att överbrygga denna klyfta.

I en nyligen genomförd systematisk genomgång av 59 publikationer om införande av AI i hälso- och sjukvården identifierades hinder som omfattade etiska, tekniska, ansvars- och regleringsrelaterade, personalrelaterade, patientsäkerhetsmässiga och sociala faktorer. Hälso- och sjukvårdspersonalens olösta problem kan bidra till klyftan mellan utveckling och införande av AI, och ansvarsfördelningen vid negativa resultat som härrör från AI-system behöver klargöras. För närvarande tillskrivs hälso- och sjukvårdspersonal ansvar även om de använder en AI-algoritm som de kanske inte förstår så väl eller över huvud taget. De djupgående konsekvenserna av att använda algoritmer avskräcker därför hälso- och sjukvårdspersonal från att använda AI. Att bygga upp ett förtroende är avgörande för att AI ska kunna användas i kliniska miljöer. Det innebär att man måste diskutera många etiska frågor, t.ex. om AI kan ersätta mänskliga bedömningar, hur man ska hantera AI-fel och vilka konsekvenser AI kan få för relationen mellan patient och läkare. Patienternas perspektiv och stöd är också avgörande, med etiska, förtroende- och rättvisefrågor som måste beaktas, eventuellt genom att göra AI mer förklarligt och tillgängligt för personer med olika bakgrund.

Att använda dessa algoritmer på ett effektivt sätt är en stor utmaning och kräver olika färdigheter och resurser. Det är ont om utbildare med nödvändig expertis om betydelsen och tillämpningen av AI i vårdmiljöer. Det finns ett behov av att ta itu med olika nivåer av teknisk kompetens och tillfredsställelse med kunskap om och tillämpning av aktuell teknik innan arbetskraften är redo för och skicklig på att använda dessa i kliniska miljöer. Befintlig teknik inom hälso- och sjukvården är en utmaning för läkarna, och att lära sig att integrera AI-verktyg i sin praktik kan öka deras frustration. Dessutom står vårdorganisationer ofta inför budgetbegränsningar och konkurrerande prioriteringar, vilket gör det svårt att fördela resurser. Sjukvårdsinstitutionerna måste också navigera genom regulatoriska hinder, integrera AI-system med befintliga elektroniska patientjournaler och säkerställa att patientsekretessbestämmelser som HIPAA efterlevs.

Initiativet Prediction of Undiagnosed atrial fibrillation using a machine learning Algorithm (PULsE-AI) i England exemplifierar den stora klyftan mellan utvecklingen av en traditionell AI-algoritm och dess praktiska tillämpning inom sjukvården. Detta initiativ genomfördes på sex allmänpraktiker i England för att utvärdera implementeringen av PULsE-AI:s algoritm för screening av AF-risk. PULsE-AI använder datadriven maskininlärningsteknik för att bygga vidare på befintliga modeller för riskprediktion av förmaksflimmer och upptäcka samband mellan kända riskfaktorer för förmaksflimmer och incidens. Trots bevisad effekt i en randomiserad kontrollerad multicenterstudie och ytterligare validering genom data från den verkliga världen har PULsE-AI ännu inte integrerats på bred front i primärvårdens arbetsflöden. Det är viktigt att förstå och ta itu med orsakerna till denna motvilja.

Ett betydande hinder är bristen på sömlös integration med de GPMS-system (General Practice Management Systems) som används inom primärvården. Det finns stora variationer i hur olika allmänläkare arbetar med att upptäcka och diagnostisera AF, vilket försvårar införandet av ett standardiserat verktyg. Många mottagningar rapporterar också om kapacitetsbegränsningar, vilket leder till lägre prioritet för att engagera sig i verktygets resultat och avsätta resurser för att agera på dem. Dessutom är det inte säkert att de nuvarande ersättningsstrukturerna främjar insatser för att öka upptäckten av förmaksflimmer.

Det krävs ett kulturellt skifte från en reaktiv, behandlingsfokuserad modell till en proaktiv strategi som betonar tidig screening och identifiering av högriskpatienter. Den nuvarande informationen och vägledningen kanske inte är tillräcklig för att övertyga allmänläkarna om att avsätta sina begränsade resurser till denna förändring. Det krävs ett mångfacetterat angreppssätt för att hantera dessa utmaningar.

Nathan R. Hill
Bristol Myers Squibb, Lawrenceville, NJ, USA
Korrespondens till: Namn: Nathan R. Hill, PhD: Nathan R. Hill, doktorand. Bristol Myers Squibb, 3401 Princeton Pike, Lawrenceville, NJ 08648, USA. E-post:: Nathan.hill@bms.com. doi: 10.21037/jmai-24-385

Nyckelord: artificiell intelligens; förmaksflimmer; hälso- och sjukvård; implementering; strategi

Förkortningar
AF, förmaksflimmer
AI, artificiell intelligens
FDA, Food and Drug Administration genAI, generativ artificiell intelligens
GPMS, General Practice Management Systems Allmänläkare, General Practitioners
HCM, hypertrofisk kardiomyopati HCP, hälso- och sjukvårdspersonal
HIPAA, Health Insurance Portability and Accountability Act NHS, National Health Service PULsE-AI, Prediction of Undiagnosed atrial fibrillationusing a machine learning Algorithm UK, Storbritannien

Artificiell intelligens (AI) eller maskinintelligens är förmågan hos datorprogram och robotar att efterlikna människors och andra djurs naturliga intelligens, främst kognitiva funktioner såsom förmåga att lära sig saker av tidigare erfarenheter, förstå naturligt språk, lösa problem, planera en sekvens av handlingar och att generalisera Det är också namnet på det akademiska studieområde som studerar hur man skapar datorprogram med intelligent beteende. Exempel på äldre delområde och metodik är expertsystem, medan mer aktuella delområden är maskininlärning, databrytning (datamining), datorseende, stora språkmodeller och generativ AI. Exempel på tillämpningsområden är maskinläsning, röststyrning, maskinöversättning, chattbotar, digitala assistenter, business intelligence, ansiktsigenkänning, deepfake, självkörande bilar och autonoma vapensystem.
Wikipedia