Seberapa Dalam Pembelajaran Mengubah Layanan Kesehatan Bagian 2: Pencegahan

Minggu lalu kami berbicara tentang bagaimana AI mengubah cara dokter mendiagnosis penyakit dan gangguan.

Namun, sama pentingnya dengan diagnosis yang cepat, murah, dan akurat, ada satu hal yang lebih baik lagi: pencegahan.

Minggu ini, kita akan mempelajari bagaimana AI mengubah cara dokter memprediksi dan mencegah penyakit dan rawat inap.

Prediksi tepat waktu akan membantu mencegah penyakit

Setiap tahun, rumah sakit AS menerima 4,4 juta pasien yang tidak perlu, dengan biaya $ 30,8 miliar, menurut perkiraan dari Badan Penelitian dan Kualitas Kesehatan AS.

Hanya dua penyakit—penyakit jantung dan komplikasi diabetes—menyumbang setengah dari semua rawat inap yang tidak perlu.

Infografik penyakit jantung (Sumber: Huffington Post)

Berikut adalah beberapa contoh bagaimana pembelajaran mendalam telah membantu untuk memprediksi dan menghindari peristiwa kesehatan negatif yang berkaitan dengan penyakit jantung dan diabetes:

• Para peneliti di Pusat Rekayasa Informasi dan Sistem Universitas Boston telah bekerja dengan rumah sakit setempat untuk memantau pasien dengan penyakit jantung dan diabetes dan memprediksi mana di antara mereka yang memerlukan rawat inap. Jika penyedia layanan kesehatan dapat memprediksi siapa yang akan membutuhkan bantuan sebelum dibutuhkan, mereka dapat mencegah banyak dari rawat inap ini. Model pembelajaran mendalam yang digunakan para peneliti dapat memprediksi dengan akurasi 82% yang akan membutuhkan rawat inap sekitar satu tahun sebelumnya.

• Para peneliti di Sutter Health dan Georgia Institute of Technology sekarang dapat memprediksi gagal jantung menggunakan pembelajaran mendalam untuk menganalisis catatan kesehatan elektronik hingga sembilan bulan sebelum dokter menggunakan cara tradisional.
• Frans Von Houten, Ketua dan CEO Royal Philips, mengatakan kepada CNBC pada bulan Mei bahwa perusahaannya sekarang menggunakan AI untuk memprediksi secara akurat apakah pasien akan mengalami serangan jantung beberapa jam sebelum itu terjadi.

Tetapi AI tidak hanya membantu mencegah kejadian perawatan kesehatan yang tiba-tiba. Ini juga membantu untuk menggagalkan degenerasi yang sedang berlangsung.

Misalnya, retinopati diabetik adalah penyebab utama kebutaan di antara orang dewasa usia kerja.

Diagram retinopati diabetik (Sumber: news-medical.net)

Komplikasi terkait diabetes semacam itu muncul dari lonjakan dan penurunan kadar glukosa darah, sehingga memprediksi kadar glukosa darah secara akurat adalah kunci untuk mencegah penurunan dan lonjakan di tempat pertama dengan camilan tepat waktu dan suntikan insulin.

Sebuah makalah Juli 2017 menunjukkan bahwa jaringan saraf dalam, yang melakukan pembelajaran mendalam, dapat belajar dari satu set anak-anak diabetes bagaimana secara akurat memprediksi kadar glukosa darah (untuk mencegah penurunan dan lonjakan ini) dalam kelompok anak-anak yang lebih besar.

Pemahaman tentang bagaimana gen menyebabkan penyakit akan semakin dalam

Cara lain untuk mencegah penyakit dengan AI adalah dengan memprediksi siapa yang akan mengembangkan kelainan tertentu berdasarkan susunan genetik mereka.

Menurut analis perawatan kesehatan Gartner, Richard Gibson, gen adalah "hal terbesar yang mungkin mempengaruhi perawatan kesehatan, pasti sejak munculnya antibiotik pada tahun 1950."

Secara khusus, ketika para peneliti mengumpulkan data genomik pada tingkat yang belum pernah terjadi sebelumnya, dan model pembelajaran mendalam membuat analisis data dan menggambar koneksi lebih mudah dari sebelumnya, kami mempelajari banyak sekali tentang bagaimana faktor genetik seperti mutasi menyebabkan penyakit.

Kemajuan ini mengarah pada pengobatan yang dipersonalisasi atau "presisi", di mana tujuannya adalah untuk menyesuaikan perawatan dengan susunan genom setiap pasien.

Genom Anda adalah set lengkap instruksi kimia untuk membangun "Anda". Meskipun genomik masih dalam masa pertumbuhan, ada proyek yang membuat langkah. Misalnya, tim peneliti di University of Toronto sedang bekerja untuk membangun mesin interpretasi genetik untuk mengidentifikasi mutasi penyebab kanker dengan cepat pada masing-masing pasien.

Juga di Toronto, sebuah startup bernama Deep Genomics menerapkan model pembelajaran mendalam ke kumpulan data besar informasi genetik dan catatan medis untuk mencocokkan variasi genetik dengan penyakit terkait.

Kedua organisasi menggunakan platform komputasi AI, Nvidia GPU untuk model mereka.

Bersiaplah untuk pembelajaran mendalam dengan perangkat lunak yang tepat

Meskipun GPU seperti yang dibuat oleh Nvidia sangat penting untuk menjalankan algoritme pembelajaran mendalam, Anda juga memerlukan perangkat lunak khusus untuk mewujudkan AI perawatan kesehatan.

Kelompok Universitas Boston mampu memprediksi siapa yang membutuhkan rawat inap dengan akurasi yang jauh lebih besar daripada dokter saja, karena mereka menggunakan jaringan saraf dalam (DNN).

DNN dapat menganalisis hingga 200 faktor, seperti riwayat kesehatan dan informasi demografis, untuk mengidentifikasi faktor-faktor yang terkait dengan penyakit di masa mendatang. Namun, agar model DNN berfungsi, diperlukan data dari catatan EHR.

Salah satu tantangan potensial adalah bahwa EHR biasanya menyimpan jenis data ini dalam blok teks yang besar. Misalnya, EHRs mungkin memiliki catatan riwayat depresi pasien di bagian "Catatan", di mana seorang dokter menulis "Ibu pasien menderita suasana hati yang tertekan" bersama dengan keluhan, masalah, dll.

Namun, agar dapat berfungsi, model AI membutuhkan data yang terstruktur dengan baik. Lebih mudah bagi mesin untuk menguraikan bahwa pasien memiliki riwayat keluarga depresi jika ada kolom yang disebut "riwayat keluarga" dan kotak centang di sebelah "depresi".

Pembelajaran mendalam akan segera menjadi “wajib bagi orang yang membangun aplikasi perangkat lunak canggih,” kata Andreessen Horowitz Partner Frank Chen kepada Fortune.

Sebagian besar pemodal ventura, termasuk mereka yang berinvestasi di startup SaaS, bahkan tidak tahu apa itu deep learning lima tahun lalu. Saat ini, investor “waspada terhadap startup yang tidak memilikinya,” kata Chen.

Demikian juga, Anda harus waspada terhadap EHR yang tidak membuat dan menyimpan jenis data terstruktur dengan baik yang berfungsi dengan model pembelajaran mendalam. Anda bahkan dapat mencari EHR yang telah menyematkan AI ke dalam fungsionalitas dokumentasi klinisnya, misalnya, Epic bermitra dengan Nuance.

Namun, sebagian besar sistem EHR tidak akan memiliki AI yang disematkan untuk sementara waktu, menurut Anil Jain, MD, FACP, dan wakil presiden dan kepala petugas informatika kesehatan untuk IBM Watson Health. Opsi dalam kasus ini adalah mengintegrasikan fungsionalitas AI ke dalam EHR Anda yang sudah ada. Mulai sekarang, sebagian besar sistem perawatan kesehatan harus mengembangkan dan menerapkan AI sebagai fungsionalitas tambahan.

Itulah yang dilakukan Intermountain Healthcare dengan EHR mereka, membangun lebih dari 150 protokol ke Cerner. Dengan setiap protokol, Cerner mengeluarkan peringatan ketika menerima informasi pasien yang menunjukkan kondisi medis tertentu dan kemudian memandu dokter melalui pemeriksaan lebih lanjut yang disarankan dan perawatan potensial.

Pembuatan protokol ini dulunya membutuhkan 12 dokter, perawat, dan pakar analitik, dan akan memakan waktu lebih dari satu tahun. Namun, dengan bermitra dengan Intermountain, mereka dapat dibangun dalam 10 hari tanpa tenaga manusia.

Saat Anda berbicara dengan penjual perangkat lunak, apakah Anda mencari perangkat lunak EHR atau perangkat lunak manajemen praktik medis, penting untuk mengetahui pertanyaan mana yang harus diajukan.

Ambil petunjuk dari mitra VC Chen dan ajukan pertanyaan seperti:

• "Di mana versi pemrosesan bahasa alami Anda?"
• “Bagaimana cara berbicara dengan aplikasi Anda sehingga saya tidak perlu mengklik menu?”

Langkah selanjutnya

Saat ini, pusat penelitian besar dan sistem perawatan kesehatan sedang mengembangkan model pembelajaran mendalam yang dapat memprediksi dan mencegah penyakit dan rawat inap serta menemukan gen mana yang terkait dengan penyakit dan gangguan di masa depan.

Saat membandingkan perangkat lunak EHR, tanyakan vendor di daftar pendek Anda tentang fungsionalitas atau integrasi AI apa pun yang mereka tawarkan. Misalnya, apakah data disimpan dalam blok teks atau lebih terstruktur?

Idealnya, Anda harus memilih EHR yang memiliki fungsi AI bawaan, atau yang dapat diintegrasikan dengan model pembelajaran mendalam.