Derin Öğrenme, Sağlık Hizmetlerini Nasıl Değiştiriyor: Bölüm 2: Önleme

Geçen hafta, AI'nın doktorların hastalıkları ve rahatsızlıkları teşhis etme şeklini nasıl değiştirdiğinden bahsettik.

Ancak hızlı, ucuz ve doğru teşhis kadar önemli olan daha da iyi olan bir şey var: önleme.

Bu hafta, yapay zekanın doktorların hastalıkları ve hastaneye yatışları öngörme ve önleme şeklini nasıl değiştirdiğini inceliyoruz.

Zamanında tahminler hastalığın önlenmesine yardımcı olacaktır

ABD Sağlık Araştırmaları ve Kalite Ajansı'nın tahminlerine göre, ABD hastaneleri her yıl 4,4 milyon hastayı gereksiz yere kabul ediyor ve maliyeti 30.8 milyar dolar.

Gereksiz hastaneye yatışların yarısından sadece iki hastalık (kalp hastalığı ve diyabet komplikasyonları) sorumludur.

Kalp hastalığı infografik (Kaynak: Huffington Post)

Derin öğrenmenin, kalp hastalığı ve diyabetle ilgili olumsuz sağlık olaylarını önceden tahmin etmeye ve önlemeye nasıl yardımcı olduğuna dair bazı örnekler:

• Boston Üniversitesi Bilgi ve Sistem Mühendisliği Merkezi'ndeki araştırmacılar, kalp hastalığı ve diyabeti olan hastaları izlemek ve hangilerinin hastaneye yatırılması gerektiğini tahmin etmek için yerel hastanelerle birlikte çalışıyor. Sağlık hizmeti sağlayıcıları, kimin yardıma ihtiyaç duyacağını önceden tahmin edebilirlerse, bu hastaneye yatışların çoğunu önleyebilirler. Araştırmacıların kullandığı derin öğrenme modeli, yaklaşık bir yıl önceden hastaneye yatması gereken kişileri %82 doğrulukla tahmin edebiliyor.

• Sutter Health ve Georgia Institute of Technology'deki araştırmacılar, doktorlar geleneksel yöntemleri kullanarak dokuz ay öncesine kadar elektronik sağlık kayıtlarını analiz etmek için derin öğrenmeyi kullanarak kalp yetmezliğini tahmin edebiliyorlar.
• Royal Philips'in Yönetim Kurulu Başkanı ve CEO'su Frans Von Houten, Mayıs ayında CNBC'ye yaptığı açıklamada, şirketinin artık bir hastanın kalp krizi geçirip geçirmeyeceğini saatler öncesinden doğru bir şekilde tahmin etmek için AI kullandığını söyledi.

Ancak AI sadece ani sağlık olaylarını önlemeye yardımcı olmuyor. Aynı zamanda devam eden dejenerasyonu engellemeye yardımcı oluyor.

Örneğin, diyabetik retinopati, çalışma çağındaki yetişkinler arasında önde gelen körlük nedenidir.

Diyabetik retinopati diyagramı (Kaynak: news-medical.net)

Diyabetle ilgili bu tür komplikasyonlar, kan şekeri seviyelerindeki ani artışlardan ve düşüşlerden kaynaklanır, bu nedenle kan şekeri seviyelerini doğru bir şekilde tahmin etmek, iyi zamanlanmış atıştırmalıklar ve insülin enjeksiyonları ile ilk etapta düşmeleri ve ani yükselmeleri önlemenin anahtarıdır.

Temmuz 2017 tarihli bir makale, derin öğrenme gerçekleştiren derin sinir ağlarının, bir grup diyabetik çocuktan, daha büyük bir çocuk grubunda kan şekeri düzeylerini (bu düşüşleri ve ani yükselmeleri önlemek için) doğru bir şekilde nasıl tahmin edeceğini öğrenebileceğini gösteriyor.

Genlerin hastalığa nasıl yol açtığının anlaşılması derinleşecek

AI ile hastalığı önlemenin bir başka yolu, genetik yapılarına dayalı olarak kimin belirli bozukluklar geliştireceğini tahmin etmektir.

Gartner sağlık analisti Richard Gibson'a göre, genler "antibiyotiklerin 1950'de ortaya çıkmasından bu yana, belki de şimdiye kadar sağlık hizmetlerini etkileyen en büyük şey".

Spesifik olarak, araştırmacılar benzeri görülmemiş seviyelerde genomik veriler topladıkça ve derin öğrenme modelleri bu verileri analiz etmeyi ve bağlantı kurmayı her zamankinden daha kolay hale getirdikçe, mutasyonlar gibi genetik faktörlerin hastalığa nasıl yol açtığı hakkında inanılmaz miktarda şey öğreniyoruz.

Bu ilerlemeler, tedavileri her hastanın genomik yapısına göre uyarlamanın hedeflendiği, kişiselleştirilmiş veya "hassas" tıbba yol açmaktadır.

Genomunuz, bir "siz" oluşturmak için eksiksiz bir kimyasal talimat setidir. Genomik bilim henüz emekleme aşamasında olsa da, ilerleme kaydeden projeler var. Örneğin, Toronto Üniversitesi'ndeki bir araştırma ekibi, bireysel hastalarda kansere neden olan mutasyonları hızlı bir şekilde belirlemek için bir genetik yorumlama motoru oluşturmak için çalışıyor.

Yine Toronto'da Deep Genomics adlı bir girişim, genetik varyasyonları ilgili hastalıklarla eşleştirmek için genetik bilgi ve tıbbi kayıtlardan oluşan devasa veri setlerine bir derin öğrenme modeli uyguluyor.

Her iki kuruluş da modelleri için AI bilgi işlem platformu Nvidia GPU'yu kullanıyor.

Doğru yazılımla derin öğrenmeye hazırlanın

Nvidia tarafından yapılanlar gibi GPU'lar, derin öğrenme algoritmalarını çalıştırmak için gerekli olsa da, sağlık yapay zekasını gerçeğe dönüştürmek için özel yazılımlara da ihtiyacınız var.

Boston Üniversitesi grubu, derin sinir ağlarını (DNN'ler) kullandıkları için, kimin hastaneye yatırılması gerektiğini tek başına doktorlardan çok daha fazla doğrulukla tahmin edebildi.

DNN'ler, gelecekteki hastalıklarla ilişkili olanları belirlemek için sağlık geçmişi ve demografik bilgiler gibi 200'e kadar faktörü analiz edebilir. Ancak, DNN modelinin çalışması için EHR kayıtlarından verilere ihtiyacı vardır.

Potansiyel bir zorluk, EHR'lerin tipik olarak bu tür verileri büyük metin bloklarında depolamasıdır. Örneğin, bir EHR, bir doktorun mevcut şikayetler, sorunlar vb. ile birlikte "Hastanın annesi depresif ruh halinden muzdarip" yazdığı bir "Notlar" bölümünde hastanın depresyon öyküsünün kaydını tutabilir.

Ancak, çalışmak için AI modellerinin iyi yapılandırılmış verilere ihtiyacı vardır. "Aile geçmişi" adlı bir sütun ve "depresyon"un yanında bir onay kutusu varsa, bir makinenin hastanın ailesinde depresyon öyküsü olup olmadığını ayrıştırması daha kolaydır.

Andreessen Horowitz İş Ortağı Frank Chen Fortune'a verdiği demeçte, yakında derin öğrenmenin "sofistike yazılım uygulamaları geliştiren insanlar için zorunlu hale geleceğini" söyledi.

SaaS girişimlerine yatırım yapanlar da dahil olmak üzere çoğu risk sermayedarı, beş yıl önce derin öğrenmenin ne olduğunu bile bilmiyordu. Chen, bugün yatırımcıların "ona sahip olmayan girişimlere karşı temkinli" olduğunu söylüyor.

Aynı şekilde, derin öğrenme modelleriyle çalışan türde iyi yapılandırılmış verileri oluşturmayan ve depolamayan EHR'lere karşı dikkatli olmalısınız. Hatta, örneğin, Nuance ile Epic ortaklığı gibi, klinik dokümantasyon işlevselliğine yapay zekayı yerleştiren bir EHR'yi bile arayabilirsiniz.

Ancak, MD, FACP ve IBM Watson Health'in başkan yardımcısı ve baş sağlık bilişim sorumlusu Anil Jain'e göre, çoğu EHR sisteminde bir süre yapay zeka yerleşik olmayacak. Bu durumlarda seçenek, AI işlevselliğini mevcut EHR'nize entegre etmektir. Şu andan itibaren, çoğu sağlık sistemi, yapay zekayı ek işlevler olarak geliştirmek ve dağıtmak zorunda kalacak.

Intermountain Healthcare'in EHR'leri ile yaptığı ve Cerner'e 150'den fazla protokol oluşturarak yaptığı budur. Cerner, her protokolde belirli bir tıbbi durumu belirten hasta bilgilerini aldığında bir uyarı gönderir ve ardından önerilen ileri tetkikler ve olası tedaviler konusunda klinisyenlere rehberlik eder.

Bu protokolleri oluşturmak eskiden 12 doktor, hemşire ve analiz uzmanı gerektiriyordu ve bir yıldan fazla sürüyordu. Ancak Intermountain ile ortak olunarak, insan emeği olmadan 10 günde inşa edilebilirler.

İster EHR yazılımı ister tıbbi uygulama yönetimi yazılımı arıyor olun, yazılım satış görevlileriyle konuştuğunuzda, hangi soruların sorulacağını bilmek önemlidir.

VC ortağı Chen'den bir ipucu alın ve aşağıdaki gibi sorular sorun:

• "Doğal dil işleme sürümünüz nerede?"
• "Menülere tıklamak zorunda kalmamak için uygulamanızla nasıl konuşabilirim?"

Sonraki adımlar

Şu anda, büyük araştırma merkezleri ve sağlık sistemleri, hastalıkları ve hastaneye yatışları öngörebilen ve önleyebilen ve hangi genlerin gelecekteki hastalık ve bozukluklarla ilişkili olduğunu keşfedebilen derin öğrenme modelleri geliştiriyor.

EHR yazılımını karşılaştırırken, kısa listenizdeki satıcılardan, sundukları herhangi bir AI işlevi veya entegrasyon hakkında bilgi alın. Örneğin, veriler bir metin bloğunda mı saklanıyor yoksa daha mı yapılandırılmış?

İdeal olarak, yerleşik AI işlevine sahip veya derin öğrenme modeliyle entegre olabilen bir EHR seçmelisiniz.