การเรียนรู้เชิงลึกเปลี่ยนการดูแลสุขภาพอย่างไร ตอนที่ 2: การป้องกัน

เมื่อสัปดาห์ที่แล้วเราได้พูดคุยเกี่ยวกับวิธีที่ AI กำลังเปลี่ยนแปลงวิธีที่แพทย์วินิจฉัยการเจ็บป่วยและความผิดปกติ

แต่สิ่งที่สำคัญพอๆ กับการวินิจฉัยที่รวดเร็ว ไม่แพง และแม่นยำก็คือ มีสิ่งหนึ่งที่ดีกว่านั้นคือ การป้องกัน

สัปดาห์นี้ เรากำลังเจาะลึกว่า AI กำลังเปลี่ยนแปลงวิธีที่แพทย์คาดการณ์และป้องกันโรคและการรักษาในโรงพยาบาลได้อย่างไร

การทำนายทันเวลาจะช่วยป้องกันโรค

ทุกปี โรงพยาบาลในสหรัฐฯ รับผู้ป่วย 4.4 ล้านคนโดยไม่จำเป็น คิดเป็นมูลค่า 30.8 พันล้านดอลลาร์ ตามการประมาณการจากหน่วยงานวิจัยและคุณภาพการดูแลสุขภาพของสหรัฐฯ

มีเพียงสองโรค—โรคหัวใจและโรคแทรกซ้อนจากโรคเบาหวาน—คิดเป็นครึ่งหนึ่งของการรักษาในโรงพยาบาลที่ไม่จำเป็นทั้งหมด

อินโฟกราฟิกโรคหัวใจ (ที่มา: Huffington Post)

ต่อไปนี้คือตัวอย่างบางส่วนของว่าการเรียนรู้เชิงลึกช่วยทำนายและหลีกเลี่ยงเหตุการณ์ด้านสุขภาพเชิงลบที่เกี่ยวข้องกับโรคหัวใจและโรคเบาหวานได้อย่างไร:

• นักวิจัยจากศูนย์วิศวกรรมข้อมูลและระบบของมหาวิทยาลัยบอสตัน ได้ทำงานร่วมกับโรงพยาบาลในท้องถิ่นเพื่อตรวจสอบผู้ป่วยโรคหัวใจและโรคเบาหวาน และคาดการณ์ว่าโรงพยาบาลใดจะต้องเข้ารับการรักษาในโรงพยาบาล หากผู้ให้บริการด้านสุขภาพสามารถคาดการณ์ได้ว่าใครต้องการความช่วยเหลือก่อนที่จะมีความจำเป็น พวกเขาสามารถป้องกันการรักษาในโรงพยาบาลเหล่านี้ได้มากมาย โมเดลการเรียนรู้เชิงลึกที่นักวิจัยใช้สามารถทำนายได้อย่างแม่นยำถึง 82% ซึ่งจะต้องเข้ารับการรักษาในโรงพยาบาลล่วงหน้าประมาณหนึ่งปี

• นักวิจัยจาก Sutter Health และ Georgia Institute of Technology สามารถทำนายภาวะหัวใจล้มเหลวได้โดยใช้การเรียนรู้เชิงลึกเพื่อวิเคราะห์บันทึกสุขภาพทางอิเล็กทรอนิกส์ได้นานถึงเก้าเดือนก่อนที่แพทย์จะใช้วิธีการแบบเดิม
• Frans Von Houten ประธานและ CEO ของ Royal Philips กล่าวกับ CNBC เมื่อเดือนพฤษภาคมว่าขณะนี้บริษัทของเขาใช้ AI เพื่อทำนายอย่างแม่นยำว่าผู้ป่วยจะมีอาการหัวใจวายก่อนเกิดเหตุหรือไม่

แต่ AI ไม่ใช่แค่ช่วยป้องกันเหตุการณ์ด้านสุขภาพกะทันหันเท่านั้น นอกจากนี้ยังช่วยป้องกันการเสื่อมสภาพอย่างต่อเนื่อง

ตัวอย่างเช่น เบาหวานขึ้นจอตาเป็นสาเหตุสำคัญของการตาบอดในผู้ใหญ่วัยทำงาน

ไดอะแกรมจอตาเบาหวาน (ที่มา: news-medical.net)

ภาวะแทรกซ้อนที่เกี่ยวข้องกับโรคเบาหวานดังกล่าวเกิดขึ้นจากการเพิ่มขึ้นและลดลงของระดับน้ำตาลในเลือด ดังนั้นการทำนายระดับน้ำตาลในเลือดอย่างแม่นยำจึงเป็นกุญแจสำคัญในการป้องกันการหยดและการเพิ่มขึ้นของระดับน้ำตาลในเลือดตั้งแต่แรกด้วยอาหารว่างและการฉีดอินซูลินที่เหมาะสม

กระดาษในเดือนกรกฎาคมปี 2017 แสดงให้เห็นว่าโครงข่ายประสาทส่วนลึกซึ่งทำการเรียนรู้อย่างลึกซึ้ง สามารถเรียนรู้จากเด็กที่เป็นโรคเบาหวานกลุ่มหนึ่งถึงวิธีการทำนายระดับน้ำตาลในเลือดอย่างแม่นยำ (เพื่อป้องกันการหยดและเพิ่มขึ้นอย่างรวดเร็ว) ในกลุ่มเด็กที่ใหญ่ขึ้น

ความเข้าใจถึงยีนที่นำไปสู่โรคจะยิ่งลึกซึ้งขึ้น

อีกวิธีหนึ่งในการป้องกันโรคด้วย AI คือการทำนายว่าใครจะพัฒนาความผิดปกติบางอย่างโดยพิจารณาจากองค์ประกอบทางพันธุกรรม

Richard Gibson นักวิเคราะห์ด้านการดูแลสุขภาพของ Gartner กล่าวว่า ยีนเป็น “สิ่งที่สำคัญที่สุดในการดูแลสุขภาพ ซึ่งอาจจะเป็นไปได้อย่างแน่นอน นับตั้งแต่มีการถือกำเนิดของยาปฏิชีวนะในปี 1950”

โดยเฉพาะอย่างยิ่ง เมื่อนักวิจัยรวบรวมข้อมูลจีโนมในระดับที่ไม่เคยมีมาก่อน และแบบจำลองการเรียนรู้เชิงลึกทำให้การวิเคราะห์ข้อมูลและวาดการเชื่อมต่อนั้นง่ายกว่าที่เคย เรากำลังเรียนรู้จำนวนมหาศาลเกี่ยวกับปัจจัยทางพันธุกรรม เช่น การกลายพันธุ์ที่นำไปสู่โรค

ความก้าวหน้าเหล่านี้นำไปสู่ยาเฉพาะบุคคลหรือยาที่ "แม่นยำ" โดยมีเป้าหมายเพื่อปรับแต่งการรักษาให้เข้ากับการปรับแต่งจีโนมของผู้ป่วยแต่ละราย

จีโนมของคุณคือชุดคำแนะนำทางเคมีที่สมบูรณ์สำหรับการสร้าง “คุณ” แม้ว่าจีโนมจะยังอยู่ในช่วงเริ่มต้น แต่ก็มีโครงการที่กำลังก้าวหน้า ตัวอย่างเช่น ทีมนักวิจัยจากมหาวิทยาลัยโตรอนโตกำลังทำงานเพื่อสร้างเครื่องมือตีความทางพันธุกรรมเพื่อระบุการกลายพันธุ์ที่ก่อให้เกิดมะเร็งในผู้ป่วยแต่ละรายได้อย่างรวดเร็ว

นอกจากนี้ ในเมืองโตรอนโต บริษัทสตาร์ทอัพที่ชื่อว่า Deep Genomics ยังใช้แบบจำลองการเรียนรู้เชิงลึกกับชุดข้อมูลทางพันธุกรรมขนาดใหญ่และเวชระเบียนเพื่อให้ตรงกับความผันแปรทางพันธุกรรมกับโรคที่เกี่ยวข้อง

ทั้งสององค์กรใช้แพลตฟอร์มการประมวลผล AI, Nvidia GPU สำหรับรุ่นของตน

เตรียมความพร้อมสำหรับการเรียนรู้เชิงลึกด้วยซอฟต์แวร์ที่เหมาะสม

แม้ว่า GPU เช่น GPU ที่ผลิตโดย Nvidia นั้นจำเป็นสำหรับการรันอัลกอริธึมการเรียนรู้เชิงลึก แต่คุณก็ยังต้องการซอฟต์แวร์เฉพาะทางเพื่อทำให้ AI ด้านการดูแลสุขภาพเป็นจริง

กลุ่มมหาวิทยาลัยบอสตันสามารถทำนายได้ว่าใครจะต้องเข้ารับการรักษาในโรงพยาบาลด้วยความแม่นยำมากกว่าแพทย์เพียงลำพัง เนื่องจากพวกเขาใช้โครงข่ายประสาทเทียมระดับลึก (DNN)

DNN สามารถวิเคราะห์ปัจจัยต่างๆ ได้ถึง 200 ปัจจัย เช่น ประวัติสุขภาพและข้อมูลประชากร เพื่อระบุปัจจัยที่เกี่ยวข้องกับโรคในอนาคต อย่างไรก็ตาม เพื่อให้แบบจำลอง DNN ทำงานได้ จำเป็นต้องใช้ข้อมูลจากระเบียน EHR

ความท้าทายที่เป็นไปได้ประการหนึ่งคือ EHR มักจะจัดเก็บข้อมูลประเภทนี้ไว้ในกลุ่มข้อความขนาดใหญ่ ตัวอย่างเช่น EHRs อาจมีบันทึกประวัติผู้ป่วยภาวะซึมเศร้าในส่วน "หมายเหตุ" ซึ่งแพทย์เขียนว่า "มารดาของผู้ป่วยมีอารมณ์หดหู่" พร้อมกับข้อร้องเรียน ปัญหา ฯลฯ ในปัจจุบัน

แต่เพื่อให้ทำงานได้ โมเดล AI จำเป็นต้องมีข้อมูลที่มีโครงสร้างดี เครื่องจะแยกวิเคราะห์ได้ง่ายขึ้นว่าผู้ป่วยมีประวัติครอบครัวเป็นโรคซึมเศร้า หากมีคอลัมน์ชื่อ "ประวัติครอบครัว" และช่องทำเครื่องหมายข้าง "ภาวะซึมเศร้า"

อีกไม่นาน การเรียนรู้เชิงลึกจะกลายเป็น “สิ่งจำเป็นสำหรับผู้ที่สร้างแอพพลิเคชั่นซอฟต์แวร์ที่ซับซ้อน” Andreessen Horowitz Partner Frank Chen กล่าวกับ Fortune

ผู้ร่วมทุนส่วนใหญ่ รวมถึงผู้ที่ลงทุนในบริษัทสตาร์ทอัพ SaaS ไม่รู้ด้วยซ้ำว่าการเรียนรู้เชิงลึกคืออะไรเมื่อห้าปีที่แล้ว วันนี้ นักลงทุน “ระวังสตาร์ทอัพที่ไม่มีมัน” เฉินกล่าว

ในทำนองเดียวกัน คุณควรระวัง EHR ที่ไม่สร้างและจัดเก็บข้อมูลประเภทที่มีโครงสร้างดีซึ่งทำงานร่วมกับโมเดลการเรียนรู้เชิงลึก คุณยังสามารถมองหา EHR ที่ฝัง AI ไว้ในฟังก์ชันการทำงานของเอกสารทางคลินิก เช่น Epic ที่ร่วมมือกับ Nuance

อย่างไรก็ตาม ระบบ EHR ส่วนใหญ่จะไม่มี AI ฝังอยู่สักระยะหนึ่ง ตามที่ Anil Jain, MD, FACP และรองประธานและหัวหน้าเจ้าหน้าที่สารสนเทศด้านสุขภาพของ IBM Watson Health กล่าว ตัวเลือกในกรณีเหล่านี้คือการผสานรวมฟังก์ชัน AI เข้ากับ EHR ที่มีอยู่ของคุณ จากนี้ไป ระบบการดูแลสุขภาพส่วนใหญ่จะต้องพัฒนาและปรับใช้ AI เป็นฟังก์ชันเสริม

นั่นคือสิ่งที่ Intermountain Healthcare ทำกับ EHR โดยสร้างโปรโตคอลมากกว่า 150 รายการใน Cerner ในแต่ละโปรโตคอล Cerner จะแจ้งเตือนเมื่อได้รับข้อมูลผู้ป่วยที่ระบุถึงภาวะทางการแพทย์บางอย่าง จากนั้นจะแนะนำแพทย์ผ่านการตรวจเพิ่มเติมและการรักษาที่เป็นไปได้ที่แนะนำ

การสร้างโปรโตคอลเหล่านี้ต้องใช้แพทย์ พยาบาล และผู้เชี่ยวชาญด้านการวิเคราะห์ 12 คน และจะใช้เวลามากกว่าหนึ่งปี แต่ด้วยการร่วมมือกับ Intermountain พวกเขาสามารถสร้างขึ้นได้ภายใน 10 วันโดยไม่ต้องใช้แรงงานคน

เมื่อคุณพูดคุยกับพนักงานขายซอฟต์แวร์ ไม่ว่าคุณกำลังมองหาซอฟต์แวร์ EHR หรือซอฟต์แวร์การจัดการสถานพยาบาล สิ่งสำคัญคือต้องรู้ว่าจะถามคำถามใด

รับคำแนะนำจากหุ้นส่วน VC Chen และถามคำถามเช่น:

• “เวอร์ชันการประมวลผลภาษาธรรมชาติของคุณอยู่ที่ไหน”
• “ฉันจะคุยกับแอพของคุณยังไงให้ไม่ต้องคลิกผ่านเมนู”

ขั้นตอนถัดไป

ปัจจุบันศูนย์วิจัยขนาดใหญ่และระบบการดูแลสุขภาพกำลังพัฒนาแบบจำลองการเรียนรู้เชิงลึกที่สามารถทำนายและป้องกันโรคและการรักษาในโรงพยาบาล และค้นหายีนที่เกี่ยวข้องกับโรคและความผิดปกติในอนาคต

เมื่อเปรียบเทียบซอฟต์แวร์ EHR ให้ถามผู้ขายในรายการตัวเลือกของคุณเกี่ยวกับฟังก์ชัน AI หรือการผสานการทำงานที่พวกเขามีให้ ตัวอย่างเช่น ข้อมูลถูกเก็บไว้ในกลุ่มข้อความหรือมีโครงสร้างมากกว่านี้หรือไม่

ตามหลักการแล้ว คุณควรเลือก EHR ที่มีฟังก์ชัน AI ในตัว หรือแบบที่สามารถผสานรวมกับโมเดลการเรียนรู้เชิงลึกได้