การดูแลสุขภาพเป็นการทดสอบที่ยากที่สุดของ AI

(SeaPRwire) –   หากคุณต้องการเข้าใจว่าปัญญาประดิษฐ์ (AI) จะส่งผลกระทบต่อโลกอย่างแท้จริงได้อย่างไร อย่ามองไปที่การเขียนโค้ด กฎหมาย หรือการเงิน จงมองไปที่การดูแลสุขภาพ นี่คือสถานที่ที่ AI ต้องเผชิญกับการทดสอบที่ยากที่สุด: ชั้นของกฎระเบียบ เดิมพันชีวิตหรือความตาย ชีววิทยาที่ซับซ้อน และแกนกลางที่เป็นมนุษย์และเต็มไปด้วยความเมตตาซึ่งคนส่วนใหญ่จะคิดว่าเป็นสิ่งสุดท้ายที่เครื่องจักรจะสามารถเลียนแบบได้

เมื่อเกือบทศวรรษก่อน นักวิทยาศาสตร์คอมพิวเตอร์และผู้ได้รับรางวัลโนเบล (ผู้ซึ่งเป็นที่รู้จักในฐานะ “บิดาแห่ง AI”) โรงพยาบาลควรหยุดการฝึกอบรมรังสีแพทย์ เพราะภายในห้าปี AI จะทำงานได้ดีกว่า เกือบ 10 ปีให้หลัง มีรังสีแพทย์มากกว่าเดิม จากเครื่องมือปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักรที่ได้รับการอนุมัติจาก FDA ระหว่างปี 1995 ถึง 2024 มี 723 เครื่องเป็นอุปกรณ์รังสีวิทยา เครื่องจักรได้พัฒนาขึ้น แต่มนุษย์ไม่ได้จากไป

เมื่อฉันนำเรื่องนี้ขึ้นกับ Hinton เมื่อเร็วๆ นี้ เขารีบปรับกรอบมุมมองมากกว่าจะถอยหลัง สิ่งที่เขาตัดสินใจผิด เขากล่าว ไม่ใช่เทคโนโลยี แต่เป็นเศรษฐกิจ

“การดูแลสุขภาพเป็นตลาดที่มีความยืดหยุ่นสูงมาก” เขาบอกฉัน “หากคุณอนุญาตให้ผู้ปฏิบัติงานด้านสุขภาพทำงานได้มากเท่าตัวสิบ เราก็แค่จะได้รับการดูแลสุขภาพมากขึ้นสิบเท่า โดยเฉพาะผู้สูงอายุ พวกเขาสามารถรับได้ไม่มีที่สิ้นสุด”

คำถามมาตรฐาน—”AI จะแทนที่แพทย์หรือไม่?”—กลับกลายเป็นคำถามที่ผิด ความต้องการด้านการแพทย์แทบจะไม่มีที่สิ้นสุด มีการสแกนอีกฉบับที่ต้องอ่านเสมอ มีอาการอีกอย่างที่ไม่ได้รับการวินิจฉัยเพราะไม่มีใครมีเวลาดู AI จะไม่ทำให้กำลังคนทางการแพทย์ลดลง แต่จะเปิดเผยว่าความต้องการที่ยังไม่ได้รับการตอบสนองนั้นมีอยู่มากเพียงใด

เมื่อ AI ทำได้ดีกว่าแพทย์ และเมื่อมันล้มเหลว

ในบางบริบท AI กำลังเหนือกว่าแพทย์แล้ว นักสูติวิทยาและนักวิจัย Eric Topol ซึ่งระบบ AI ทำงานอย่างอิสระ ผู้ที่มีสิทธิ์เข้าถึง AI เป็นเครื่องมือ “ฉันยังคิดว่าการรวมกันน่าจะเป็นฝ่ายชนะ” Topol บอกฉัน “แต่ฉันไม่มั่นใจเท่าที่เคยในปี 2019”

ทำไม AI บางครั้งจึงทำได้ดีกว่ามนุษย์ที่ใช้ความช่วยเหลือของ AI? คำอธิบายหนึ่งคือสิ่งที่นักวิจัยเรียกว่าการละเลยการทำงานอัตโนมัติ: แพทย์ยึดติดกับการวินิจฉัยเบื้องต้นและล้มเหลวในการปรับเปลี่ยน แม้ว่าระบบจะเสนอทางเลือกอื่น อีกประการหนึ่งคือเรายังไม่ได้เรียนรู้วิธีการทำงานร่วมกันอย่างมีประสิทธิภาพกับเครื่องมือเหล่านี้

ไม่ใช่หลักฐานทั้งหมดจะเป็นไปในทางที่ดีต่อเครื่องจักร ในการทดลองแบบสุ่มมีกลุ่มควบคุมที่ตีพิมพ์ใน นักสูติวิทยาและเพื่อนร่วมงานได้ทดสอบระบบ AI บนกรณีสูติวิทยาหัวใจที่ซับซ้อนที่เกี่ยวข้องกับการสงสัย ซึ่งเป็นการวินิจฉัยที่แม้แต่คลินิกที่มีประสบการณ์ก็พบว่ายาก

“ผู้เชี่ยวชาญขาดแคลน” เขากล่าว “AI สามารถช่วยให้แพทย์ทั่วไปคิดเหมือนพวกเขาได้หรือไม่?” 

พวกเขาทำได้ นักสูติวิทยาหัวใจทั่วไปที่ได้รับความช่วยเหลือจาก AI สร้างการประเมินผลที่ผู้ทบทวนผลงานผู้เชี่ยวชาญชอบมากกว่า โดยมีข้อผิดพลาดที่มีความสำคัญทางคลินิกน้อยกว่า แต่ 6.5% ของการตอบสนองของ AI มีการหลงผิด (hallucinations) ที่มีความสำคัญทางคลินิก 

สิ่งที่ทำให้การค้นพบมีประโยชน์คือสิ่งที่เกิดขึ้นต่อไปนี้ “เมื่อนักสูติวิทยาหัวใจตั้งคำถามกับรุ่นของ AI ว่า ‘คุณแน่ใจหรือไม่ว่าการอีโคคาร์ดิโอแกรมแสดงให้เห็นห้องล่างหัวใจที่หนา?’ AI จะแก้ไขตัวเอง” เครื่องจักรไม่รู้ว่ามันผิดจนกว่าจะมีคนถาม

และยังมีสัญญาณเตือนอีกด้วย เมื่อเดือนที่แล้ว Topol สังเกตว่า เอกสารใน ได้ประเมินการคัดกรองทางการแพทย์โดยใช้รุ่นล่าสุดของ ChatGPT มันคัดกรองผิดพลาดมากกว่าครึ่งหนึ่ง บอกผู้ป่วยที่ต้องการห้องฉุกเฉินอย่างเร่งด่วนให้อยู่บ้าน “เรายังมีเส้นทางไปอีกยาว” เขากล่าว

หลักฐานไม่สม่ำเสมอ สำหรับงานบางอย่าง AI ทำงานเดี่ยวทำได้ดีที่สุด สำหรับบางอย่าง มนุษย์และเครื่องจักรร่วมกันทำได้ดีกว่าแต่ละฝ่าย ในบางกรกรณีอื่นๆ เทคโนโลยีไม่น่าเชื่อถืออันตราย ความท้าทายที่แท้จริงไม่ใช่ว่า AI ทำงานได้หรือไม่ แต่คือการรู้ว่าเมื่อไร

การเปลี่ยนจากการรักษาเชิงรีแอ็กทีฟไปสู่การป้องกันโรค

การเปลี่ยนแปลงที่สำคัญที่สุดอาจไม่ใช่ความแม่นยำในการวินิจฉัย แต่เป็นการจัดการเวลาระบบสุขภาพสมัยใหม่ถูกสร้างขึ้นเพื่อรักษาโรคหลังจากอาการปรากฏ Topol เชื่อว่า AI อาจช่วยย้ายการแพทย์ไปด้านต้นน้ำ (upstream)

“โรคสำคัญสามโรคที่เกี่ยวข้องกับอายุ คือ การเสื่อมของระบบประสาท มะเร็ง และโรคหัวใจและหลอดเลือด ล้วนใช้เวลาฟักตัวในร่างกายของเรานาน 15 ถึง 20 ปี” เขาบอกฉัน “เรามีรันเวย์ที่ยอดเยี่ยมในการทำงานด้วย แต่เราไม่มีวิธีรวมข้อมูลทั้งหมด เราแม้แต่ไม่มีข้อมูลทั้งหมด”

ตอนนี้เราเริ่มจะทำได้แล้ว และอุปกรณ์สวมใส่อื่นๆ ซึ่งสร้างกระแสข้อมูลต่อเนื่องของความแปรผันของอัตราหัวใจ ออกซิเจนในเลือด และข้อมูลการนอนหลับ นักวิจัยจาก Stanford แสดงให้เห็นเมื่อเร็วๆ นี้ว่าสามารถคาดการณ์อาการ 130 อย่างได้อย่างแม่นยำจาก สามารถประเมิน ได้แล้ว ส่วนที่ขาดหายไปตามที่ Topol กล่าวคือ immunome ซึ่งเป็นแผนที่ครอบคลุมของฟังก์ชันระบบภูมิคุ้มกันของบุคคล