Dan meskipun AI tidak mengatasi setiap penyakit sejauh ini, hasil kerjanya sudah terlihat menjanjikan
Perawatan pasien yang efektif membutuhkan kombinasi pelatihan dan pengalaman. Ini adalah salah satu alasan mengapa orang berharap untuk menggunakan AI dalam kedokteran dengan minat: algoritma dapat dilatih untuk menggunakan pengalaman ribuan dokter dengan memberi mereka lebih banyak informasi daripada yang bisa dicerna siapa pun.
Pada akhir Oktober, ada beberapa bukti bahwa perangkat lunak itu mungkin hampir memenuhi harapan ini. Dua makalah telah diterbitkan menggambarkan hasil awal yang sangat baik menggunakan AI untuk diagnosis dan perawatan. Makalah-makalah tersebut menunjukkan tugas dan pendekatan yang sangat berbeda, yang menunjukkan bahwa kisaran situasi di mana AI dapat berguna sangat luas.
Pilihan metode perawatan
Satu studi berfokus pada
sepsis (keracunan darah) yang terjadi ketika sistem kekebalan tubuh bereaksi berlebihan terhadap infeksi. Sepsis adalah penyebab kematian paling umum ketiga di dunia, dan tetap menjadi masalah bahkan setelah dirawat di rumah sakit. Metode mengobati pasien ada, tetapi menilai dengan statistik, ada peluang yang signifikan untuk memperbaiki situasi. Oleh karena itu, tim kecil ilmuwan dari Inggris dan AS memutuskan untuk memeriksa apakah perangkat lunak dapat memberikan peningkatan ini.
Mereka menggunakan algoritma
pembelajaran penguatan yang dianggap efektif dalam situasi dengan "sinyal hadiah langka." Dengan kata lain, dengan sampel populasi yang begitu besar, tubuh akan memiliki banyak hal lain kecuali sepsis, yang akan mempengaruhi hasil dari setiap perawatan, dan oleh karena itu sinyal untuk perawatan yang efektif akan lemah dan sulit untuk dibedakan. Pendekatan ini dikembangkan untuk meningkatkan peluang pengakuan mereka.
Basis besar digunakan untuk melatih perangkat lunak: lebih dari 17.000 pasien resusitasi dan 79.000 pasien rawat inap dari lebih dari 125 klinik. Data pasien berisi 48 parameter informasi, dari indikator vital dan tes laboratorium hingga demografi. Algoritme menggunakan data untuk menentukan pengobatan yang memaksimalkan peluang hidup pasien selama 90 hari. Peneliti menyebut perangkat lunak yang dihasilkan "AI Clinician."
Untuk menilai kualitas pekerjaan seorang dokter AI, satu set riwayat medis pasien yang terpisah digunakan. Algoritma ini digunakan untuk memilih metode perawatan, setelah itu perawatan pasien yang sebenarnya dibandingkan dengan algoritma yang diusulkan. Secara umum, perangkat lunak merekomendasikan dosis injeksi yang lebih rendah dan dosis yang lebih tinggi dari obat vasokonstriktor. Orang yang pengobatannya sesuai dengan rekomendasi seperti itu bertahan lebih sering daripada kelompok pasien lain.
Diagnostik
Makalah kedua mengevaluasi kemampuan untuk mendeteksi masalah yang memerlukan perawatan, khususnya, patah tulang. Seringkali masalah seperti itu mudah dilihat, tetapi sebuah chip kecil atau celah kecil sulit untuk diketahui bahkan untuk seorang spesialis. Dalam kebanyakan kasus, diagnosis tidak terletak pada pundak seorang spesialis, tetapi seorang dokter yang bekerja di ambulans. Studi baru ini tidak berupaya menciptakan AI untuk menggantikan dokter, hanya ingin membantu mereka.
Tim meminta 18 ahli bedah ortopedi untuk mendiagnosis 135.000 gambar dari potensi patah pergelangan tangan, dan kemudian menggunakan data ini untuk melatih algoritma,
jaringan saraf convolutional dengan
pelatihan mendalam . Algoritma ini digunakan untuk menandai area yang harus diperhatikan oleh dokter yang bukan spesialis ortopedi. Bahkan, dia membantu mereka berkonsentrasi pada area di mana fraktur paling mungkin terjadi.
Di masa lalu, terlalu banyak diagnosis diberikan tes seperti itu, dan dokter merekomendasikan tes tambahan dalam kasus yang tidak berbahaya. Tetapi dalam kasus ini, akurasi diagnosis meningkat, dan positif palsu menurun. Sensitivitas (atau kemampuan) untuk menentukan patah tulang naik dari 81% menjadi 92%, dan akurasi (kemampuan untuk membuat diagnosis yang benar) meningkat dari 88% menjadi 94%. Singkatnya, ini berarti bahwa dokter ambulans hampir akan mengurangi separuh diagnosis yang salah.
Dalam kedua studi, perangkat lunak tidak digunakan dalam konteks yang sepenuhnya mencerminkan keadaan medis. Dokter darurat dan dokter sepsis (yang mungkin orang yang sama) biasanya akan memiliki banyak alasan tambahan untuk kegembiraan dan gangguan, sehingga mengintegrasikan AI ke dalam pekerjaan mereka akan sulit. Tetapi keberhasilan upaya ini menunjukkan bahwa uji klinis AI dapat dimulai lebih awal dari yang diperkirakan sebelumnya, dan setelah itu kita akan benar-benar belajar bagaimana AI dapat membantu membuat diagnosis nyata dan meresepkan pengobatan.