По рекомендации профессионала лучевой диагностики Константина Кенигсберга мы перевели для Вас интересный материал:

03 октября 2016 года / Дэйв Пирсон

Растущий потенциал технологий, способных к самообучению, позволяющий быстро преобразовать большой объем данных о здоровье в доказательную медицину, бросит вызов всем практическим врачам, вынуждая либо развиваться вместе с технологиями, либо быть оставленными за бортом. И радиологи будут в числе первых, кто почувствует этот толчок (если они уже не вошли в число специалистов, работающих с этими технологиями).

Так предсказывают отдельные лидеры медицинской мысли в комментарии, опубликованном онлайн 29 сентября в New England Journal of Medicine. Врач экстренной помощи Зияд Обермейер, MD, MPhil из Гарварда и онколог и специалист по биоэтике Иезекииль Эмануэль, MD, PhD, из Университета Пенсильвании отмечают, что подполе искусственного интеллекта (ИИ), отвечающее за самообучение, способно к вычленению закономерности из массива данных.

Это отличается от так называемых “экспертных систем” ИИ – алгоритмов, которые применяют правила, созданные человеком, чтобы делать выводы о конкретных сценариях.

Авторы отмечают, что использование технологий самообучения стало повсеместным в большинстве наук.

«В астрономии алгоритмы просеивают миллионы изображений из наблюдений телескопов, чтобы классифицировать галактики и находить сверхновые», – пишут они. «Те же методы откроют в медицине новые широкие возможности».

Для того чтобы полноценно выполнять свои функции, добавляют они, алгоритмы самообучения медицинских технологий должны основываться  на массивных объемах данных, включающих миллионы медицинских наблюдений.

(По этой причине первыми успешными пользователями в радиологии, вероятнее, станут крупные практические центры, такие как гигант телерадиологии Virtual Radiologic (Виртуальная радиология – vRad), который уже работает с технологиями самообучения и в настоящее время занимается сбором и обработкой данных и изображений из более чем 2000 организаций по визуализации, расположенных по всем США).

Обермейер и Эмануэль предлагают три пути, как медицина может быть разрушена наступающими методами преобразования данных в знания.

1.Самообучающиеся технологии  резко улучшат способность медицинских работников определять прогноз.
Обермейер и Эмануэль подтверждают это, ссылаясь на ранние результаты их собственного текущего исследования по использованию технологий, способных к самообучению при прогнозировании смертельного исхода у пациентов с метастатическим раком.
«Мы можем с высокой точностью идентифицировать большие подгруппы пациентов с уровнем смертности, приближающимся к 100 процентам, и подгруппы с уровнем, достигающим 10 процентов», – пишут они. «Прогнозирование основано на тонкой детализации информации в разных системах органов: инфекционные процессы, неконтролируемые симптомы, использование инвалидных колясок и другие данные».
Авторы предсказывают распространение использования прогностических алгоритмов в течение ближайших пяти лет, добавив в качестве оговорки вероятность того, что на проспективную оценку потребуется еще несколько лет сбора данных.

2.Самообучающиеся технологии  заберут на себя большую часть работы рентгенологов и патологоанатомов.
Врачи этих специальностей в основном сосредоточены на интерпретации оцифрованных изображений, которые легко могут быть подключены непосредственно к алгоритмам, отмечают Обермейер и Эмануэль.
«Массивные базы данных с изображениями в сочетании с последними достижениями в области компьютерного зрения приведут к быстрому повышению производительности, а точность технологий в скором времени будет выше, чем у людей», – пишут они. «На самом деле, радиология уже частично на этом пути: алгоритмы могут заменить второго радиолога при интерпретации маммограмм, и результаты в скором времени превысят человеческую точность».
Авторы считают, что стремление к безопасности пациентов сделает более предпочтительным использование алгоритмов, а не человеческие ресурсы. «В конце концов, алгоритмам не нужно спать, и их бдительность одинакова в 2 часа ночи, как в 9 утра».

3. Самообучающиеся технологии улучшат диагностическую точность.

Ссылаясь на тревожную частоту медицинские ошибки, как указано в докладе Института медицины (The Institute of Medicine) в 2015 г. «Улучшение диагностики в здравоохранении», Обермейер и Эмануэль предсказывают, что алгоритмы самообучения «вскоре будут генерировать дифференциальные диагнозы, предлагать исследования с высокой точностью и уменьшать злоупотребление исследованиями».

Они предполагают, что внедрение в данной сфере произойдет медленнее, чем в двух других случаях, не в последнюю очередь из-за того, что стандарт для диагностики зачастую четко не обозначен и может перекрываться во многих ситуациях (например, сепсис и ревматоидный артрит), в то время как часто выбор бывает четким и бинарным – злокачественное либо доброкачественное – как в радиологии и патологической анатомии.

В заключение Обермейер и Эмануэль отмечают, что необходимость в обработке больших наборов данных не является чем-то новым для врачей, которые в ежедневной практике давно ассимилируют физиологические и поведенческие факторы пациентов вместе с данными гистологии и визуализации.

«Способность справляться с подобной сложной работой всегда отличает хорошего врача от других», – пишут они.

«Самообучающиеся технологии станут незаменимым инструментом для клиницистов, стремящихся по-настоящему понять своих пациентов», пишут они. «Как и в других отраслях, эта задача создаст победителей и проигравших в медицине. Но мы с оптимизмом ожидаем, что пациенты, чья жизнь и медицинские истории формируют алгоритмы, выиграют больше всех, поскольку машинное обучение трансформирует клиническую медицину».

Возможно, в число победителей в медицине войдут радиологи, подобные тем, кто недавно превзошел самообучающиеся алгоритмы при  дифференцировке доброкачественных и злокачественных поражений щитовидной железы.

Copyright © 2016 AuntMinnieEurope.com