בינה מלאכותית בתחום הבריאות | רפואת AI ישראל

בינה מלאכותית בשירותי בריאות הוא מונח המשמש לתיאור השימוש באלגוריתמים ותוכנה של למידת מכונה, או בינה מלאכותית (AI), כדי להעתיק קוגניציה אנושית בניתוח, הצגה והבנה של נתונים רפואיים ובריאותיים מורכבים, או לחרוג ממנו. יכולות אנושיות על ידי מתן דרכים חדשות לאבחון, טיפול או מניעה של מחלות. באופן ספציפי, בינה מלאכותית היא היכולת של אלגוריתמי מחשב להגיע למסקנות משוערות המבוססות אך ורק על נתוני קלט.

המטרה העיקרית של יישומי AI הקשורים לבריאות היא לנתח קשרים בין נתונים קליניים לתוצאות המטופלים. תוכניות בינה מלאכותית מיושמות על פרקטיקות כגון אבחון, פיתוח פרוטוקול טיפול, פיתוח תרופות, רפואה מותאמת אישית, וניטור וטיפול בחולים. מה שמבדיל את טכנולוגיית הבינה המלאכותית מטכנולוגיות מסורתיות בתחום הבריאות הוא היכולת לאסוף נתונים גדולים ומגוונים יותר, לעבד אותם ולהפיק פלט מוגדר היטב למשתמש הקצה.

AI עושה זאת באמצעות אלגוריתמים של למידת מכונה ולמידה עמוקה. מכיוון שצילומי רנטגן הם בדיקות ההדמיה הנפוצות ביותר שנערכות ברוב המחלקות הרדיולוגיות, הפוטנציאל של AI לעזור בבדיקה ובפירוש של צילומי רנטגן מסורתיים (תמונות רנטגן) ראוי לציון במיוחד. תהליכים אלו יכולים לזהות דפוסי התנהגות וליצור היגיון משלהם. כדי לקבל תובנות ותחזיות שימושיות, יש לאמן מודלים של למידת מכונה תוך שימוש בכמויות נרחבות של נתוני קלט.

אלגוריתמים של בינה מלאכותית מתנהגים בצורה שונה מבני אדם בשתי דרכים: (1) אלגוריתמים הם מילוליים: ברגע שנקבע יעד, האלגוריתם לומד אך ורק מנתוני הקלט ויכול להבין רק מה הוא תוכנת לעשות, (2) וקצת למידה עמוקה אלגוריתמים הם קופסאות שחורות ; אלגוריתמים יכולים לחזות בדיוק רב, אבל מציעים מעט הסבר מובן להיגיון מאחורי ההחלטות שלהם מלבד הנתונים וסוג האלגוריתם שבהם נעשה שימוש.

מכיוון שהשימוש הנרחב בבינה מלאכותית בתחום הבריאות הוא חדש יחסית, מחקר מתמשך לגבי היישום שלו בתחומים שונים של רפואה ותעשייה. בנוסף, ניתנת תשומת לב רבה יותר לחששות האתיים חסרי התקדים הקשורים לפרקטיקה, כגון פרטיות נתונים, אוטומציה של משרות והטיות ייצוג. יתר על כן, טכנולוגיות חדשות שמביאות בינה מלאכותית בתחום הבריאות זוכות לרוב להתנגדות מצד מנהיגי שירותי הבריאות, מה שמוביל לאימוץ איטי ולא יציב.

היסטוריה
מחקר בשנות ה-60 וה-70 יצר את התוכנית הראשונה לפתרון בעיות, או מערכת מומחים, הידועה בשם דנדרל. למרות שהוא תוכנן ליישומים בכימיה אורגנית, הוא סיפק את הבסיס למערכת MYCIN הבאה, שנחשבת לאחד השימושים המוקדמים המשמעותיים ביותר של בינה מלאכותית ברפואה. MYCIN ומערכות אחרות כגון INTERNIST-1 ו-CASNET לא השיגו שימוש שגרתי על ידי מתרגלים.

שנות ה-80 וה-90 הביאו את התפשטות המיקרו-מחשב ורמות חדשות של קישוריות רשת. במהלך תקופה זו, הייתה הכרה של חוקרים ומפתחים שמערכות בינה מלאכותית בתחום הבריאות חייבות להיות מתוכננות כך שיתאימו להיעדר נתונים מושלמים ולהתבסס על המומחיות של רופאים.
גישות הכוללות תורת קבוצות מטושטשת, רשתות בייסיאניות, ורשתות עצביות מלאכותיות, יושמו על מערכות מחשוב אינטליגנטיות בתחום הבריאות.

התקדמות רפואית וטכנולוגית המתרחשת במהלך תקופה זו של חצי מאה שאפשרה את הצמיחה של יישומים הקשורים לבריאות של בינה מלאכותית לכלול:

שיפורים בכוח המחשוב וכתוצאה מכך איסוף ועיבוד נתונים מהירים יותר
צמיחה של מסדי נתונים של ריצוף גנומי
יישום נרחב של מערכות רישום רפואי אלקטרוני
שיפורים בעיבוד שפה טבעית וראייה ממוחשבת, המאפשרים למכונות לשכפל תהליכי תפיסה אנושית
שיפור הדיוק של ניתוח בעזרת רובוט
מודלים מוגברים של למידת מכונה מבוססי עצים המאפשרים גמישות בהקמת מנבאי בריאות
שיפורים בטכניקות למידה עמוקה ויומני נתונים במחלות נדירות
אלגוריתמי AI יכולים לשמש גם לניתוח כמויות גדולות של נתונים באמצעות רשומות בריאות אלקטרוניות למניעת מחלות ואבחון. מוסדות רפואיים כגון The Mayo Clinic, Memorial Sloan Kettering Cancer Center, ושירות הבריאות הלאומי הבריטי, פיתחו אלגוריתמי AI עבור המחלקות שלהם. חברות טכנולוגיה גדולות כמו IBM וגוגל, פיתחו גם אלגוריתמי AI עבור שירותי בריאות. בנוסף, בתי חולים מחפשים תוכנת בינה מלאכותית כדי לתמוך ביוזמות תפעוליות המגדילות את החיסכון בעלויות, משפרות את שביעות הרצון של המטופלים ומספקות את צורכי הצוות וכוח העבודה שלהם.
נכון לעכשיו, ממשלת ארצות הברית משקיעה מיליארדי דולרים כדי לקדם את פיתוח הבינה המלאכותית בתחום הבריאות.
חברות מפתחות טכנולוגיות המסייעות למנהלי שירותי בריאות לשפר את התפעול העסקי באמצעות הגדלת ניצול, הפחתת העלייה למטופלים, צמצום משך השהות ואופטימיזציה של רמות כוח האדם.

יישומים קליניים
לב וכלי דם
אלגוריתמים של בינה מלאכותית הראו תוצאות מבטיחות באבחון מדויק וריבוד סיכון של חולים עם דאגה למחלת עורקים כליליים, והראו פוטנציאל ככלי ניסוי ראשוני. אלגוריתמים אחרים שימשו בניבוי תמותה של חולים, השפעות תרופתיות ותופעות לוואי בעקבות טיפול בתסמונת כלילית חריפה. מכשירים לבישים, טלפונים חכמים וטכנולוגיות מבוססות אינטרנט הראו גם את היכולת לנטר את נקודות הנתונים הלבביות של המטופלים, להרחיב את כמות הנתונים ואת ההגדרות השונות שמודלים של AI יכולים להשתמש בהם ואפשרות אולי לאפשר זיהוי מוקדם יותר של אירועים לבביים המתרחשים מחוץ לתחום. בית חולים. תחום מחקר הולך וגדל נוסף הוא התועלת של AI בסיווג קולות לב ואבחון מחלות מסתמים. אתגרי הבינה המלאכותית ברפואה קרדיווסקולרית כללו את הנתונים המוגבלים הזמינים לאימון מודלים של למידת מכונה, כגון נתונים מוגבלים על גורמים חברתיים של בריאות באשר למחלות לב וכלי דם.

מגבלה מרכזית במחקרים מוקדמים שהעריכו AI היו השמטות של נתונים המשווים ביצועים אלגוריתמיים לבני אדם. דוגמאות למחקרים שמעריכים את ביצועי הבינה המלאכותית ביחס לרופאים כוללות כיצד בינה מלאכותית אינה נחותה מבני אדם בפרשנות של אקו לב וכי בינה מלאכותית יכולה לאבחן התקף לב טוב יותר מרופאים אנושיים במצב חירום, מה שמפחית הן בדיקות בעלות ערך נמוך והן אבחנות שהוחמצו..

בהנדסת רקמות קרדיווסקולריות ובמחקרי אורגנואידים, נעשה שימוש הולך וגובר ב-AI כדי לנתח תמונות מיקרוסקופיות ולשלב קריאות אלקטרופיזיולוגיות.

דרמטולוגיה
רפואת עור היא מומחיות עשירה בהדמיה והתפתחות למידה עמוקה נקשרה מאוד לעיבוד תמונה. לכן, יש התאמה טבעית בין דרמטולוגיה ללמידה עמוקה. ישנם שלושה סוגי הדמיה עיקריים ברפואת העור: תמונות הקשריות, תמונות מאקרו, תמונות מיקרו. עבור כל אופנה, למידה עמוקה הראתה התקדמות רבה. האן וחב'. הראה זיהוי סרטן עור קרטינוציטי מצילומי פנים. Esteva et al. הוכיח סיווג ברמת רופא עור של סרטן העור מתמונות נגע. נויאן וחב'. הדגימה רשת עצבית קונבולוציונית שהשיגה דיוק של 94% בזיהוי תאי עור מתמונות מריחת Tzanck מיקרוסקופיות. דאגה שהועלתה בעבודה זו היא שהיא לא עוסקת בפערים הקשורים לצבע העור או לטיפול דיפרנציאלי בחולים עם גווני עור שאינם לבנים.

ההתקדמות האחרונה הציעה שימוש בבינה מלאכותית כדי לתאר ולהעריך את התוצאות של ניתוחי פה ולסת או להערכת טיפול בחך שסוע בהתייחס לאטרקטיביות הפנים או למראה הגיל.

בשנת 2018, מאמר שפורסם בכתב העת Annals of Oncology הזכיר כי ניתן לזהות סרטן עור בצורה מדויקת יותר על ידי מערכת בינה מלאכותית (שהשתמשה ברשת עצבית קונבולוציונית של למידה עמוקה) מאשר על ידי רופאי עור. בממוצע, רופאי העור האנושיים זיהו במדויק 86.6% ממקרי סרטן העור מהתמונות, בהשוואה ל-95% עבור מכונת CNN.

גסטרואנטרולוגיה
AI יכול לשחק תפקיד בהיבטים שונים של תחום הגסטרואנטרולוגיה. בדיקות אנדוסקופיות כגון esophagogastroduodenoscopies (EGD) וקולונוסקופיה מסתמכות על זיהוי מהיר של רקמה חריגה.
על ידי שיפור ההליכים האנדוסקופיים הללו עם AI, רופאים יכולים לזהות מהר יותר מחלות, לקבוע את חומרתן ולחזות בנקודות עיוורות.
ניסויים מוקדמים בשימוש במערכות זיהוי AI של סרטן קיבה מוקדם הראו רגישות קרובה לאנדוסקופיסטים מומחים.

מחלות זיהומיות
בינה מלאכותית הראתה פוטנציאל הן בתחום המעבדתי והן בתחום הקליני של רפואת מחלות זיהומיות. בעוד נגיף הקורונה החדש משתולל ברחבי העולם, על פי ההערכות, ארה"ב תשקיע יותר מ-2 מיליארד דולר במחקר בריאות הקשור לבינה מלאכותית עד 2025, יותר מפי 4 מהסכום שהוצא ב-2019 (463 מיליון דולר). בעוד שרשתות עצביות פותחו לאיתור מהיר ומדויק של תגובת מארח ל- COVID-19 מדגימות ספקטרומטריית המונים, סקירה מקיפה של הספרות מצאה דוגמאות מועטות של AI בשימוש ישיר בפרקטיקה הקלינית במהלך מגיפת ה-COVID-19 עצמה.
יישומים נוספים כוללים מכונות תמיכה וקטור המזהות עמידות לאנטי-מיקרוביאלית, ניתוח למידת מכונה של מריחות דם לזיהוי מלריה, ובדיקות נקודת טיפול משופרות של מחלת ליים המבוססת על זיהוי אנטיגן.
בנוסף, AI נחקר לשיפור האבחנה של דלקת קרום המוח, אלח דם ושחפת, כמו גם חיזוי סיבוכי טיפול בחולי הפטיטיס B וצהבת C.

שרירים ושלד
נעשה שימוש בבינה מלאכותית לזיהוי גורמים לכאבי ברכיים שרופאים מתגעגעים אליהם, שמשפיעים באופן לא פרופורציונלי על חולים שחורים. אוכלוסיות מוחלשות חוות רמות גבוהות יותר של כאב. פערים אלו נמשכים גם לאחר בדיקה של החומרה האובייקטיבית של מחלות כמו דלקת מפרקים ניוונית, כפי שמדורגת על ידי רופאים אנושיים תוך שימוש בתמונות רפואיות, מה שמעלה את האפשרות שכאב של חולים לא מוצלחים נובע מגורמים חיצוניים לברך, כגון מתח.
חוקרים ערכו מחקר באמצעות אלגוריתם למידת מכונה כדי להראות שמדדים רדיוגרפיים סטנדרטיים של חומרה מתעלמים מתכונות אובייקטיביות אך לא מאובחנות המשפיעות באופן לא פרופורציונלי על אבחון וניהול של אוכלוסיות מוחלשות עם כאבי ברכיים.
הם הציעו שמדד אלגוריתמי חדש, ALG-P, עשוי לאפשר גישה מורחבת לטיפולים עבור מטופלים מוחלשים.

נוירולוגיה
השימוש בטכנולוגיות AI נחקר לשימוש באבחון ובפרוגנוזה של מחלת אלצהיימר (AD). למטרות אבחון, פותחו מודלים של למידת מכונה המסתמכים על תשומות MRI מבניות. מערכי הנתונים של הקלט עבור מודלים אלה נשאבים ממאגרי מידע כגון יוזמת ה- Alzheimer's Disease Neuroimaging. חוקרים פיתחו מודלים המסתמכים על רשתות עצביות קונבולוציוניות במטרה לשפר את דיוק האבחון המוקדם. רשתות יריבות גנרטיביות הן סוג של למידה עמוקה שהצליחה גם באבחון AD. היו גם מאמצים לפתח מודלים של למידת מכונה לכלי חיזוי שיכולים לחזות את הפרוגנוזה של חולים עם AD.
חיזוי תוצאות המטופלים באמצעות מודלים גנרטיביים הוצע על ידי חוקרים כאמצעי לסנתז מערכי הדרכה ואימות.
הם מציעים שניתן להשתמש בתחזיות של חולים שנוצרו כדי לספק למודלים עתידיים מערכי אימון גדולים יותר מאשר מסדי נתונים נוכחיים בגישה פתוחה.

אונקולוגיה
AI נחקרה לשימוש באבחון סרטן, ריבוד סיכון, אפיון מולקולרי של גידולים וגילוי תרופות לסרטן. אתגר מיוחד בטיפול האונקולוגי ש-AI מפותח כדי לתת מענה הוא היכולת לחזות במדויק אילו פרוטוקולי טיפול יתאימו בצורה הטובה ביותר לכל מטופל בהתבסס על המאפיינים הגנטיים, המולקולריים והגידוליים האישיים שלו. באמצעות יכולתו לתרגם תמונות לרצפים מתמטיים, בינה מלאכותית נוסתה באבחון סרטן עם קריאת מחקרי הדמיה ושקופיות פתולוגיות.

בינואר 2020, החוקרים הדגימו מערכת בינה מלאכותית, המבוססת על אלגוריתם Google DeepMind, המסוגלת לעלות על מומחים אנושיים בזיהוי סרטן השד. ביולי 2020, דווח כי אלגוריתם AI שפותח על ידי אוניברסיטת פיטסבורג משיג את הדיוק הגבוה ביותר עד כה בזיהוי סרטן הערמונית, עם רגישות של 98% וספציפיות של 97%.

בשנת 2023 מחקר דיווח על שימוש ב-AI עבור סיווג רדיומיקה מבוסס CT בדירוג האגרסיביות של סרקומה רטרופריטונאלית עם דיוק של 82% לעומת 44% עבור ניתוח מעבדה של ביופסיות.

רפואת עיניים
טכנולוגיה משופרת בבינה מלאכותית משמשת ככלי עזר בבדיקת מחלות עיניים ומניעת עיוורון.
בשנת 2018, אישר מנהל המזון והתרופות האמריקני את השיווק של המכשיר הרפואי הראשון לאבחון סוג מסוים של מחלת עיניים, רטינופתיה סוכרתית באמצעות אלגוריתם של בינה מלאכותית.
יתרה מכך, טכנולוגיית AI עשויה לשמש כדי לשפר עוד יותר את "שיעורי האבחון" בגלל הפוטנציאל להפחית את זמן הגילוי.

פתולוגיה דיגיטלית

חישוב כתמי Ki67 על ידי תוכנת הקוד הפתוח QuPath בסמינומה טהורה, הנותנת מדד לקצב התפשטות הגידול. הצבעים מייצגים את עוצמת הביטוי: כחול-אין הבעה, צהוב-נמוך, כתום-בינוני ואדום-גבוה הבעה.

עבור מחלות רבות, ניתוח פתולוגי של תאים ורקמות נחשב לסטנדרט הזהב של אבחון המחלה. שיטות של פתולוגיה דיגיטלית מאפשרות סריקה וניתוח דיגיטלי של שקופיות מיקרוסקופיה. כלים פתולוגיים בעזרת AI פותחו כדי לסייע באבחון של מספר מחלות, כולל סרטן השד, הפטיטיס B, סרטן הקיבה וסרטן המעי הגס. בינה מלאכותית שימשה גם כדי לחזות מוטציות גנטיות ולחזוי תוצאות של מחלות.

בינה מלאכותית מתאימה לשימוש בניתוח פתולוגי במורכבות נמוכה של דגימות סקר בקנה מידה גדול, כגון בדיקת סרטן המעי הגס או סרטן השד, ובכך מפחיתה את העומס על הפתולוגים ומאפשרת תפנית מהירה יותר של ניתוח הדגימות. מספר מודלים של למידה עמוקה ורשתות עצביות מלאכותיות הראו דיוק דומה לזה של פתולוגים אנושיים, ומחקר של סיוע בלמידה עמוקה באבחון סרטן שד גרורתי בבלוטות לימפה הראה שהדיוק של בני אדם בסיוע של תכנית הלמידה העמוקה הייתה גבוהה יותר מבני האדם בלבד או מתכנית הבינה המלאכותית בלבד.

בנוסף, יישום של פתולוגיה דיגיטלית צפוי לחסוך למעלה מ-12 מיליון דולר למרכז אוניברסיטאי במהלך חמש שנים, אם כי החיסכון המיוחס ל-AI באופן ספציפי טרם נחקר באופן נרחב. השימוש במציאות מוגברת וווירטואלית עשוי להוות קפיצת מדרגה ליישום רחב יותר של פתולוגיה בסיוע בינה מלאכותית, מכיוון שהם יכולים להדגיש תחומי דאגה במדגם פתולוגיה ולהציג אותם בזמן אמת לפתולוג לצורך סקירה יעילה יותר.

לבינה מלאכותית יש גם פוטנציאל לזהות ממצאים היסטולוגיים ברמות מעבר למה שהעין האנושית יכולה לראות, והראתה את היכולת להשתמש בנתונים גנוטיפיים ופנוטיפיים כדי לזהות בצורה מדויקת יותר את הגידול שמקורו בסרטן גרורתי. אחד המחסומים העכשוויים העיקריים ליישום נרחב של כלים פתולוגיים בסיוע בינה מלאכותית הוא היעדר ניסויים פרוספקטיביים, אקראיים, מבוקרים רב-מרכזיים בקביעת התועלת הקלינית האמיתית של בינה מלאכותית עבור פתולוגים וחולים, תוך הדגשת תחום הצורך הנוכחי.
ב-AI ומחקר בריאות.

טיפול ראשוני
טיפול ראשוני הפך לתחום פיתוח מרכזי אחד עבור טכנולוגיות AI. AI בטיפול ראשוני שימש לתמיכה בקבלת החלטות, מודלים חזויים וניתוח עסקי.
ישנן רק כמה דוגמאות למערכות תומכות החלטות בינה מלאכותית שהוערכו באופן פרוספקטיבי על יעילות קלינית כאשר נעשה בהן שימוש בפועל על ידי רופאים.
אך ישנם מקרים בהם השימוש במערכות אלו הניב השפעה חיובית על בחירת הטיפול על ידי הרופאים.

פסיכיאטריה
בפסיכיאטריה, יישומי AI נמצאים עדיין בשלב של הוכחת מושג. תחומים שבהם הראיות מתרחבות במהירות כוללים מודל חיזוי של אבחון ותוצאות טיפול, צ'טבוטים, סוכני שיחה המחקים התנהגות אנושית ואשר נחקרו עבור חרדה ודיכאון.

האתגרים כוללים את העובדה שיישומים רבים בתחום מפותחים ומוצעים על ידי תאגידים פרטיים, כמו הבדיקה לאיתור מחשבות אובדניות שיישמה פייסבוק בשנת 2017. יישומים כאלה מחוץ למערכת הבריאות מעלים שאלות מקצועיות, אתיות ורגולטוריות שונות. סוגיה נוספת היא לעתים קרובות עם תקפותם ופרשנותם של המודלים. מערכי נתונים קטנים לאימון מכילים הטיה שהורשתה למודלים, ופוגעת בהכללה וביציבות של מודלים אלה.
מודלים כאלה עשויים להיות גם בעלי פוטנציאל להפלות קבוצות מיעוט שהן מיוצגות בחסר במדגמים.

רדיולוגיה
AI נחקר בתחום הרדיולוגיה לאיתור ואבחון מחלות באמצעות טומוגרפיה ממוחשבת (CT) והדמיית תהודה מגנטית (MR). זה עשוי להיות שימושי במיוחד במסגרות שבהן הביקוש למומחיות אנושית עולה על ההיצע, או שבהם הנתונים מורכבים מכדי להתפרש ביעילות על ידי קוראים אנושיים. מספר מודלים של למידה עמוקה הראו את היכולת להיות מדויקת בערך כמו אנשי מקצוע בתחום הבריאות בזיהוי מחלות באמצעות הדמיה רפואית, אם כי מעטים מהמחקרים המדווחים על ממצאים אלו אושרו חיצונית.

AI יכול גם לספק תועלת לא פרשנות לרדיולוגים, כגון הפחתת רעש בתמונות, יצירת תמונות באיכות גבוהה ממינונים נמוכים יותר של קרינה, שיפור איכות תמונת MR, והערכת איכות תמונה אוטומטית.

מחקר נוסף שחוקר את השימוש ב-AI ברפואה גרעינית מתמקד בשחזור תמונה, ציון דרך אנטומי ואפשרות של מינונים נמוכים יותר במחקרי הדמיה.
ניתוח התמונות עבור יישומי AI מפוקחים ברדיולוגיה מקיף כיום שתי טכניקות עיקריות: (1) ניתוח מבוסס רשת עצבית קונבולוציונית ; ו (2) שימוש ברדיומיקה.

בית מרקחת בינה מלאכותית

בינה מלאכותית ברוקחות היא היישום של בינה מלאכותית (AI) לגילוי, פיתוח וטיפול בחולים עם תרופות.
לבינה מלאכותית בפרקטיקות של רוקחות יש פוטנציאל לחולל מהפכה בכל ההיבטים של מחקר התרופות, כמו גם לשפר את היישום הקליני של תרופות למניעה, טיפול או ריפוי מחלות.
AI, טכנולוגיה המאפשרת למכונות לדמות אינטליגנציה אנושית, מצאה יישומים במחקר פרמצבטי, ייצור תרופות, מערכות אספקת תרופות, אופטימיזציה של ניסויים קליניים, תוכניות טיפול ושירותים ממוקדי מטופל.

יישומי מערכות
אבחון מחלה
מאמר מאת Jiang, et al. (2017) הוכיחו כי ישנם מספר סוגים של טכניקות בינה מלאכותית ששימשו למגוון מחלות שונות, כגון מכונות וקטור תמיכה, רשתות עצביות ועצי החלטה. כל אחת מהטכניקות הללו מתוארת כבעלת "מטרת אימון", כך ש"הסיווגים מתיישבים עם התוצאות ככל האפשר…".

כדי להדגים כמה פרטים לאבחון/סיווג מחלות ישנן שתי טכניקות שונות המשמשות בסיווג מחלות אלו, כולל שימוש ברשתות עצביות מלאכותיות (ANN) ורשתות בייסיאניות (BN). נמצא ש-ANN טוב יותר ויכול לסווג בצורה מדויקת יותר סוכרת ומחלות לב וכלי דם.

באמצעות שימוש במסווגים של למידת מכונה (MLCs), הבינה המלאכותית הצליחה לסייע באופן מהותי לרופאים באבחון חולים באמצעות מניפולציה של רשומות בריאות המוני אלקטרוניות (EHRs). מצבים רפואיים הפכו מורכבים יותר, ועם היסטוריה עצומה של בניית רשומות רפואיות אלקטרוניות, הסבירות לשכפול מקרים גבוהה. למרות שמישהו היום עם מחלה נדירה נוטה פחות להיות האדם היחיד שסבל ממחלה כלשהי, חוסר היכולת לגשת למקרים ממקורות סימפטומטיים דומים היא מחסום דרכים מרכזי עבור רופאים. היישום של AI כדי לא רק לעזור למצוא מקרים וטיפולים דומים, כגון באמצעות מנבאים מוקדמים של מחלת אלצהיימר ודמנציה, אלא גם להביא לתסמינים ראשיים ולעזור לרופאים לשאול את השאלות המתאימות ביותר עוזר למטופל לקבל האבחון והטיפול המדויקים ביותר האפשריים.

ההתפתחויות האחרונות בפיזיקה סטטיסטית, למידת מכונה ואלגוריתמים של הסקת מסקנות נבדקות על הפוטנציאל שלהן בשיפור גישות אבחון רפואיות. שילוב מיומנויות של אנשי מקצוע רפואיים ומכונות יכול לעזור להתגבר על חולשות קבלת החלטות בפרקטיקה הרפואית. לשם כך, צריך הגדרות מחלה מדויקות וניתוח הסתברותי של סימפטומים ופרופילים מולקולריים.
פיזיקאים חוקרים בעיות דומות במשך שנים, תוך שימוש באלמנטים מיקרוסקופיים ובאינטראקציות ביניהם כדי לחלץ מצבים מקרוסקופיים של מערכות פיזיקליות שונות.
ניתן ליישם גישות למידת מכונה בהשראת הפיזיקה לחקר תהליכי מחלה ולביצוע ניתוח סמנים ביולוגיים.

טלרפואה
הגידול של רפואה טלפונית, טיפול בחולים מרחוק, הראה את עלייתם של יישומי AI אפשריים. AI יכול לסייע בטיפול בחולים מרחוק על ידי ניטור המידע שלהם באמצעות חיישנים. מכשיר לביש עשוי לאפשר ניטור מתמיד של מטופל ויכולת להבחין בשינויים שעשויים להיות פחות מובחנים על ידי בני אדם. ניתן להשוות את המידע לנתונים אחרים שכבר נאספו באמצעות אלגוריתמים של בינה מלאכותית המתריעים לרופאים אם ישנן בעיות שכדאי להיות מודעים להן.

יישום נוסף של בינה מלאכותית הוא טיפול בצ'אט-בוט. חלק מהחוקרים טוענים כי ההסתמכות על צ'אטבוטים עבור טיפול נפשי אינה מציעה את ההדדיות והאחריות של הטיפול שצריכים להתקיים ביחסים בין צרכן שירותי בריאות הנפש לבין ספק השירות (בין אם זה צ'אט-בוט או פסיכולוג).

מכיוון שהגיל הממוצע עלה עקב תוחלת חיים ארוכה יותר, בינה מלאכותית יכולה להיות שימושית בטיפול באוכלוסיות מבוגרות. כלים כגון סביבה וחיישנים אישיים יכולים לזהות את הפעילויות הרגילות של אדם ולהתריע למטפל אם התנהגות או חיוני נמדד אינם תקינים. למרות שהטכנולוגיה שימושית, ישנם גם דיונים על מגבלות של ניטור על מנת לכבד את פרטיותו של אדם שכן ישנן טכנולוגיות שנועדו למפות פריסות בית ולזהות אינטראקציות אנושיות.

רשומות בריאות אלקטרוניות
רשומות בריאות אלקטרוניות (EHR) הן חיוניות לדיגיטליזציה ולהפצת המידע של תעשיית הבריאות. כעת, כשכ-80% מהפרקטיקות הרפואיות משתמשות ב-EHR, השלב הבא הוא שימוש בבינה מלאכותית כדי לפרש את הרשומות ולספק מידע חדש לרופאים.

יישום אחד משתמש בעיבוד שפה טבעית (NLP) כדי ליצור דיווחים תמציתיים יותר המגבילים את השונות בין מונחים רפואיים על ידי התאמת מונחים רפואיים דומים. לדוגמה, המונח התקף לב ואוטם שריר הלב פירושו אותם דברים, אבל רופאים עשויים להשתמש באחד על סמך העדפות אישיות. אלגוריתמי NLP מאחדים את ההבדלים הללו כך שניתן לנתח מערכי נתונים גדולים יותר. שימוש נוסף ב-NLP מזהה ביטויים מיותרים עקב חזרה בהערות של רופא ושומר את המידע הרלוונטי כדי להקל על הקריאה. יישומים אחרים משתמשים בעיבוד קונספט כדי לנתח את המידע שהזין הרופא של המטופל הנוכחי כדי להציג מקרים דומים ולעזור לרופא לזכור לכלול את כל הפרטים הרלוונטיים.

מעבר לביצוע עריכות תוכן ב-EHR, ישנם אלגוריתמים של בינה מלאכותית שמעריכים את הרשומה של מטופל בודד ומנבאים סיכון למחלה בהתבסס על המידע הקודם וההיסטוריה המשפחתית שלו. אלגוריתם כללי אחד הוא מערכת מבוססת כללים שמקבלת החלטות בדומה לאופן שבו בני אדם משתמשים בתרשימים זרימה. מערכת זו קולטת כמויות גדולות של נתונים ויוצרת מערכת כללים המחברים בין תצפיות ספציפיות לאבחנות מוסכמות.

לפיכך, האלגוריתם יכול לקלוט נתונים של מטופל חדש ולנסות לחזות את הסבירות שיהיו לו מצב או מחלה מסוימים. מאחר שהאלגוריתמים יכולים להעריך את המידע של המטופל על סמך נתונים קולקטיביים, הם יכולים למצוא כל בעיה שבלימה להביא לידיעת הרופא ולחסוך זמן. מחקר אחד שנערך על ידי מכון המחקר Centerstone מצא כי מודל חזוי של נתוני EHR השיג דיוק של 70-72% בניבוי תגובה לטיפול אינדיבידואלי. שיטות אלו מועילות בשל העובדה שכמות רישומי הבריאות המקוונים מוכפלת כל חמש שנים. לרופאים אין רוחב פס לעבד את כל הנתונים הללו באופן ידני, ובינה מלאכותית יכולה למנף את הנתונים הללו כדי לסייע לרופאים בטיפול בחולים שלהם.

אינטראקציות בין תרופות
שיפורים בעיבוד השפה הטבעית הובילו לפיתוח אלגוריתמים לזיהוי אינטראקציות בין תרופתיות בספרות הרפואית. אינטראקציות בין תרופתיות מהוות איום על הנוטלים מספר תרופות בו-זמנית, והסכנה גוברת עם מספר התרופות הנלקחות.

כדי להתמודד עם הקושי במעקב אחר כל אינטראקציות בין תרופות ידועות או חשודות, נוצרו אלגוריתמים של למידת מכונה כדי לחלץ מידע על תרופות המקיימות אינטראקציה והשפעותיהן האפשריות מהספרות הרפואית. המאמצים אוחדו ב-2013 באתגר DDIExtraction, שבו צוות חוקרים מאוניברסיטת קרלוס השלישי הרכיב קורפוס של ספרות על אינטראקציות בין תרופתיות כדי ליצור מבחן סטנדרטי לאלגוריתמים כאלה. המתחרים נבדקו על יכולתם לקבוע במדויק, מהטקסט, אילו תרופות הראו אינטראקציות ומהן המאפיינים של האינטראקציות ביניהן. חוקרים ממשיכים להשתמש בקורפוס הזה כדי לתקנן את מדידת היעילות של האלגוריתמים שלהם.

אלגוריתמים אחרים מזהים אינטראקציות בין תרופתיות מדפוסים בתוכן שנוצר על ידי משתמשים, במיוחד רשומות בריאות אלקטרוניות ו/או דוחות על תופעות לוואי. ארגונים כמו FDA Adverse Event Reporting System (FAERS) ו- VigiBase של ארגון הבריאות העולמי מאפשרים לרופאים להגיש דיווחים על תגובות שליליות אפשריות לתרופות.
אלגוריתמי למידה עמוקה פותחו כדי לנתח דוחות אלו ולזהות דפוסים המרמזים על אינטראקציות בין תרופתיות.

תעשייה
המגמה של מיזוג חברות בריאות גדולות מאפשרת נגישות רבה יותר לנתוני בריאות. נתוני בריאות גדולים יותר מניחים את הבסיס להטמעת אלגוריתמי AI.

חלק גדול מההתמקדות בתעשייה של הטמעת AI במגזר הבריאות הוא במערכות התמיכה להחלטות קליניות. ככל שנאספים יותר נתונים, אלגוריתמי למידת מכונה מסתגלים ומאפשרים תגובות ופתרונות חזקים יותר. חברות רבות בוחנות את האפשרויות של שילוב נתונים גדולים בתעשיית הבריאות.
חברות רבות חוקרות את ההזדמנויות בשוק דרך התחומים של "טכנולוגיות הערכת נתונים, אחסון, ניהול וניתוח" שהן כולן חלקים חיוניים בתעשיית הבריאות.

להלן דוגמאות לחברות גדולות שתרמו לאלגוריתמי AI לשימוש בתחום הבריאות:

ווטסון אונקולוגיה של יבמ נמצאת בפיתוח במרכז הסרטן Memorial Sloan Kettering ובקליבלנד קליניק. IBM עובדת גם עם CVS Health על יישומי AI בטיפול במחלות כרוניות ועם Johnson & Johnson על ניתוח מאמרים מדעיים כדי למצוא קשרים חדשים לפיתוח תרופות. במאי 2017, IBM ו- Rensselaer Polytechnic Institute החלו בפרויקט משותף בשם Health Empowerment by Analytics, Learning and Semantics (HEALS), כדי לחקור שימוש בטכנולוגיית AI לשיפור שירותי הבריאות.

פרויקט האנובר של מיקרוסופט, בשיתוף עם המכון לסרטן האביר של אוניברסיטת Oregon Health & Science, מנתח מחקר רפואי כדי לחזות את האפשרויות היעילות ביותר לטיפול בתרופות לסרטן לחולים. פרויקטים אחרים כוללים ניתוח תמונה רפואית של התקדמות הגידול ופיתוח תאים הניתנים לתכנות.

פלטפורמת DeepMind של גוגל נמצאת בשימוש על ידי שירות הבריאות הלאומי של בריטניה כדי לזהות סיכונים בריאותיים מסוימים באמצעות נתונים שנאספו באמצעות אפליקציה לנייד. פרויקט שני עם NHS כולל ניתוח של תמונות רפואיות שנאספו מחולי NHS כדי לפתח אלגוריתמים לראייה ממוחשבת לזיהוי רקמות סרטניות.

Tencent עובדת על מספר מערכות ושירותים רפואיים. אלה כוללים AI Medical Innovation System (AIMIS), שירות הדמיה רפואית אבחנתית מבוססת בינה מלאכותית; WeChat Intelligent Healthcare; ו-Tencent Doctorwork
זרוע ההון סיכון של אינטל אינטל קפיטל השקיעה ב-2016 בסטארט-אפ Lumiata, המשתמש ב-AI כדי לזהות חולים בסיכון ולפתח אפשרויות טיפול.

אילון מאסק הציג לראשונה את הרובוט הניתוחי המשתיל את שבב המוח Neuralink
Neuralink הגיעה עם נוירו-פרוסטזה מהדור הבא שמתממשקת בצורה מורכבת עם אלפי מסלולים עצביים במוח. התהליך שלהם מאפשר להחדיר שבב, בערך בגודל של רבע, במקום גוש גולגולת על ידי רובוט כירורגי מדויק כדי למנוע פציעה מקרית.

אפליקציות יועצים דיגיטליים משתמשות בבינה מלאכותית כדי לתת ייעוץ רפואי על סמך היסטוריה רפואית אישית וידע רפואי נפוץ. משתמשים מדווחים על הסימפטומים שלהם באפליקציה, המשתמשת בזיהוי דיבור כדי להשוות מול מסד נתונים של מחלות. לאחר מכן בבילון מציעה פעולה מומלצת, תוך התחשבות בהיסטוריה הרפואית של המשתמש. יזמים בתחום הבריאות השתמשו ביעילות בשבעה ארכיטיפים של מודלים עסקיים כדי לקחת פתרונות בינה מלאכותיתלשוק. ארכיטיפים אלו תלויים בערך שנוצר עבור משתמש היעד (למשל מיקוד מטופל מול מיקוד ספק שירותי בריאות ומשלם משלם) ובמנגנוני לכידת ערך (למשל מתן מידע או חיבור מחזיקי עניין).

IFlytek השיקה רובוט שירות "Xiao Man", אשר שילב טכנולוגיית בינה מלאכותית כדי לזהות את הלקוח הרשום ולספק המלצות מותאמות אישית בתחומים רפואיים. זה עובד גם בתחום ההדמיה הרפואית. רובוטים דומים מיוצרים גם על ידי חברות כמו UBTECH ("Cruzr") ו- Softbank Robotics ("Pepper").

הסטארט-אפ ההודי Haptik פיתח לאחרונה צ'טבוט של WhatsApp אשר עונה על שאלות הקשורות לנגיף הקורונה הקטלני בהודו.

עם התרחבות השוק של AI כל הזמן, לחברות טכנולוגיה גדולות כמו אפל, גוגל, אמזון ובאידו יש חטיבות מחקר בינה מלאכותית משלהן, כמו גם מיליוני דולרים שהוקצו לרכישת חברות קטנות יותר מבוססות בינה מלאכותית. יצרני רכב רבים מתחילים להשתמש בשירותי בריאות למידת מכונה גם במכוניות שלהם.
לחברות כמו BMW, GE, Tesla, Toyota ו- וולוו יש כולן מסעות מחקר חדשים כדי למצוא דרכים ללמוד את הנתונים הסטטיסטיים החיוניים של נהג כדי להבטיח שהוא ער, שמים לב לכביש, ולא תחת השפעת חומרים או ב.

הרחבת הטיפול למדינות מתפתחות
הבינה המלאכותית ממשיכה להתרחב ביכולותיה לאבחן יותר אנשים בצורה מדויקת במדינות שבהן פחות רופאים נגישים לציבור. חברות טכנולוגיה חדשות רבות כמו SpaceX ו- Raspberry Pi Foundation אפשרו ליותר מדינות מתפתחות לקבל גישה למחשבים ולאינטרנט מאי פעם. עם היכולות ההולכות וגדלות של AI דרך האינטרנט, אלגוריתמים מתקדמים של למידת מכונה יכולים לאפשר למטופלים לקבל אבחנה מדויקת כאשר בעבר לא הייתה להם דרך לדעת אם יש להם מחלה מסכנת חיים או לא.

שימוש בבינה מלאכותית במדינות מתפתחות שאין להן את המשאבים יקטין את הצורך במיקור חוץ ויכול לשפר את הטיפול בחולים. בינה מלאכותית יכולה לאפשר לא רק אבחון של מטופל באזורים שבהם שירותי הבריאות מועטים, אלא גם לאפשר חווית מטופל טובה על ידי העברת קבצים למציאת הטיפול הטוב ביותר למטופל.

היכולת של בינה מלאכותית להתאים את המסלול תוך כדי כך מאפשרת למטופל לשנות את הטיפול שלו על סמך מה שעובד עבורו; רמה של טיפול פרטני שכמעט ואינה קיימת במדינות מתפתחות.

תקנה
בעוד שמחקר על השימוש בבינה מלאכותית בתחום הבריאות שואף לאמת את יעילותו בשיפור תוצאות המטופלים לפני אימוצו הרחב יותר, השימוש בו עשוי בכל זאת להכניס מספר סוגים חדשים של סיכונים לחולים ולספקי שירותי בריאות, כגון הטיה אלגוריתמית, השלכות אל תחייאה, ו בעיות מוסר מכונה אחרות.

בינה מלאכותית עשויה גם לפגוע בהגנה על זכויות המטופלים, כגון הזכות להסכמה מדעת והזכות להגנה על מידע רפואי.
אתגרים אלו של השימוש הקליני בבינה מלאכותית הביאו לצורך פוטנציאלי ברגולציות.

נכון להיום, קיימות תקנות הנוגעות לאיסוף נתוני מטופלים. זה כולל פוליסות כגון חוק הניידות והאחריות של ביטוח הבריאות HIPAA ותקנת הגנת המידע הכללית האירופית GDPR. ה-GDPR מתייחס למטופלים בתוך האיחוד האירופי ומפרט את דרישות ההסכמה לשימוש בנתוני מטופלים כאשר ישויות אוספות נתוני בריאות מטופלים. באופן דומה, HIPAA מגן על נתוני בריאות מרישומי חולים בארצות הברית. במאי 2016, הבית הלבן הכריז על תוכניתו לארח סדרה של סדנאות והקמת ועדת המשנה הלאומית למדע וטכנולוגיה (NSTC) ללמידת מכונה ואינטליגנציה מלאכותית. באוקטובר 2016 פרסמה הקבוצה את התוכנית הלאומית למחקר ופיתוח של אינטליגנציה מלאכותית, המתארת ​​את סדרי העדיפויות המוצעים עבור מחקר ופיתוח AI במימון פדרלי (בתוך הממשלה והאקדמיה). הדו"ח מציין כי תוכנית מו"פ אסטרטגית עבור תת התחום של טכנולוגיית מידע בריאות נמצאת בשלבי פיתוח.

קיים חשש שמודלים שפה גדולים יכולים להציף אנשים גם עם מידע בריאותי מדויק וגם מידע שגוי, מה שיוביל לאתגרים פוטנציאליים בבריאות הציבור. זה מחייב את הצורך במדיניות והנחיית משתמשים הקשורים למידע בריאותי באמצעות AI.

הסוכנות היחידה שהביעה דאגה היא ה-FDA. באקול פאטל, מנהל המרכז לבריאות דיגיטלית של ה-FDA, מצוטט אומר במאי 2017: "אנחנו מנסים להשיג אנשים שיש להם ניסיון בפיתוח מעשי עם מחזור החיים המלא של המוצר. יש לנו כבר כמה מדענים שיודעים בינה מלאכותית ולמידת מכונה, אבל אנחנו רוצים אנשים משלימים שיוכלו להסתכל קדימה ולראות איך הטכנולוגיה הזו תתפתח".

האומות המאוחדות (WHO/ITU)
קבוצת המיקוד המשותפת של ITU – WHO בנושא בינה מלאכותית לבריאות (FG-AI4H) בנתה פלטפורמה – הידועה בשם ITU-WHO AI for Health Framework – לבדיקה ומידוד של יישומי בינה מלאכותית בתחום הבריאות. נכון לנובמבר 2018, שמונה מקרי שימוש נמצאים במדד, כולל הערכת הסיכון לסרטן השד מתמונות היסטופתולוגיות, הנחיית בחירת אנטי-ארס מתמונות נחשים ואבחון נגעים בעור.

ה-FDA האמריקאי

מינהל המזון והתרופות של ארצות הברית
בינואר 2021, ה- FDA האמריקאי פרסם תוכנית פעולה חדשה, בשם תוכנית פעולה מבוססת בינה מלאכותית (AI)/למידת מכונה (ML) מבוססת תוכנה כמכשיר רפואי (SaMD). תוכנית זו מציגה את התוכניות העתידיות של ה-FDA לרגולציה של מכשור רפואי שיכלול בינה מלאכותית בתוכנה שלהם. ישנן חמש פעולות עיקריות שה-FDA מתכנן לנקוט כדי להגביר את הרגולציה: 1. מסגרת רגולטורית מותאמת ל-Ai/M: מבוססי SaMD, 2. Good Machine Learning Practice (GMLP), 3. גישה ממוקדת מטופלים המשלבת שקיפות למשתמשים, 4 שיטות מדעי הרגולציה הקשורות להטיית אלגוריתם ולחוסן, ו-5. ביצועים בעולם האמיתי (RWP). תוכנית זו הייתה בתגובה ישירה למשוב של בעלי עניין על נייר דיון משנת 2019 שפורסם גם על ידי ה-FDA.

על פי משרד הבריאות ושירותי האנוש האמריקאי, המשרד לזכויות האזרח (OCR) פרסם הנחיות לגבי השימוש האתי בבינה מלאכותית בתחום הבריאות. ההנחיה מתארת ​​ארבעה עקרונות אתיים מרכזיים שיש לפעול לפיהם: כבוד לאוטונומיה, חסד, אי-רשע וצדק. כבוד לאוטונומיה מחייב שלפרטים תהיה שליטה על הנתונים וההחלטות שלהם. תועלת מחייבת שימוש בבינה מלאכותית כדי לעשות טוב, כגון שיפור איכות הטיפול והפחתת פערים בריאותיים. אי-רשעות מחייבת שימוש בבינה מלאכותית כדי לא לגרום נזק, כגון הימנעות מאפליה בהחלטות.

לבסוף, הצדק מחייב שימוש הוגן בבינה מלאכותית, כגון שימוש באותם סטנדרטים להחלטות ללא קשר לגזע, מגדר או רמת הכנסה של אדם. יתרה מכך, החל ממרץ 2021, ה-OCR שכר קצין בינה מלאכותית ראשי (OCAIO) כדי להמשיך ב"יישום אסטרטגיית ה-HHS AI". ה-OCR גם פרסם כללים ותקנות כדי להגן על פרטיות המידע הבריאותי של אנשים. תקנות אלה דורשות מספקי שירותי בריאות לפעול לפי כללי פרטיות מסוימים בעת שימוש בבינה מלאכותית.
ה-OCR גם דורש מספקי שירותי בריאות לשמור תיעוד של אופן השימוש ב-AI ולהבטיח שמערכות ה-AI שלהם מאובטחות.

בסך הכל, ארה"ב נקטה בצעדים כדי להגן על פרטיותם וסוגיות אתיות של אנשים הקשורים לבינה מלאכותית בתחום הבריאות

ארה"ב היא לא המדינה היחידה שפיתחה או יוזמת תקנות של פרטיות נתונים עם AI. מדינות אחרות הטמיעו תקנות להגנה על מידע, ליתר דיוק עם פלישות לפרטיות של החברה. בדנמרק, קבוצת המומחים הדנית לאתיקה נתונים אימצה המלצות בנושא 'נתונים לטובת העם'.
המלצות אלו נועדו לעודד שימוש אחראי בנתונים במגזר העסקי, תוך התמקדות בעיבוד נתונים.
ההמלצות כוללות התמקדות בשוויון ואי-אפליה בכל הנוגע להטיה בבינה מלאכותית, כמו גם בכבוד האדם.

מודגשת חשיבותו של כבוד האדם, שכן אומרים שהוא גובר על הרווח ויש לכבד אותו בכל תהליכי הנתונים

האיחוד האירופי יישם את תקנת הגנת המידע הכללית (GDPR) כדי להגן על הנתונים האישיים של אזרחים, החלה על השימוש בבינה מלאכותית בתחום הבריאות. בנוסף, הנציבות האירופית קבעה קווים מנחים כדי להבטיח את הפיתוח האתי של AI, כולל שימוש באלגוריתמים כדי להבטיח הוגנות ושקיפות. עם GDPR, האיחוד האירופי היה הראשון שהסדיר AI באמצעות חקיקה להגנה על מידע. האיחוד מוצא את הפרטיות כזכות אדם בסיסית, הוא רוצה למנוע שימושים לא בהסכמה ומשניים בנתונים על ידי מתקני בריאות פרטיים או ציבוריים. על ידי ייעול הגישה לנתונים אישיים עבור מחקר וממצאי בריאות, הם מסוגלים לקבוע את הזכות והחשיבות של פרטיות המטופל.

בארצות הברית, חוק הניידות והאחריות של ביטוח הבריאות (HIPAA) מחייב ארגונים להגן על הפרטיות והאבטחה של מידע המטופל.
המרכזים לשירותי Medicare ו-Medicaid פרסמו גם הנחיות לפיתוח יישומים רפואיים מבוססי בינה מלאכותית.

דאגות אתיות
איסוף נתונים
על מנת לאמן ביעילות למידת מכונה ולהשתמש בבינה מלאכותית בתחום הבריאות, יש לאסוף כמויות אדירות של נתונים. אולם, רכישת נתונים אלה כרוכה במחיר של פרטיות המטופל ברוב המקרים ואינה מתקבלת היטב בציבור.

לדוגמה, סקר שנערך בבריטניה העריך כי 63% מהאוכלוסייה לא מרגישה בנוח עם שיתוף הנתונים האישיים שלהם על מנת לשפר את טכנולוגיית הבינה המלאכותית.
המחסור בנתוני מטופלים אמיתיים ונגישים מהווה מכשול המרתיע את ההתקדמות של פיתוח ופריסה של בינה מלאכותית יותר בתחום הבריאות.

אוטומציה
סקירה שיטתית וניתוח נושאי בשנת 2023 הראו שרוב מחזיקי העניין, כולל אנשי מקצוע בתחום הבריאות, מטופלים והציבור הרחב, פקפקו בכך שטיפול הכולל AI יכול להיות אמפתי.

על פי מחקר משנת 2019, בינה מלאכותית יכולה להחליף עד 35% מהמשרות בבריטניה במהלך 10 עד 20 השנים הבאות. עם זאת, מבין העבודות הללו, הגיע למסקנה שבינה מלאכותית לא ביטלה אף משרות בתחום הבריאות עד כה. אם כי אם בינה מלאכותית הייתה עושה אוטומציה של עבודות הקשורות לשירותי בריאות, התפקידים הרגישים ביותר לאוטומציה יהיו אלה העוסקים במידע דיגיטלי, רדיולוגיה ופתולוגיה, בניגוד לאלו העוסקות באינטראקציה בין רופא למטופל.

אוטומציה יכולה לספק יתרונות גם לצד רופאים. צפוי שרופאים שינצלו את ה-AI בתחום הבריאות יספקו שירותי בריאות איכותיים יותר מאשר רופאים ומפעלים רפואיים שלא. סביר להניח כי בינה מלאכותית לא תחליף לחלוטין את עובדי שירותי הבריאות אלא תיתן להם יותר זמן לטפל בחולים שלהם. בינה מלאכותית עשויה למנוע שחיקה ועומס קוגניטיבי של עובדי שירותי בריאות.

לאחרונה, היו דיונים רבים בין מומחי שירותי בריאות במונחים של AI וטיפול בקשישים.
ביחס לטיפול בקשישים, בוטים של בינה מלאכותית סייעו בהדרכת תושבים מבוגרים המתגוררים בדיור מוגן עם בידור וחברה.
הבוטים הללו מאפשרים לצוות בבית לקיים יותר זמן אחד על אחד עם כל דייר, אך הבוטים גם מתוכנתים עם יותר יכולת במה שהם מסוגלים לעשות; כגון ידיעת שפות שונות וסוגי טיפול שונים בהתאם למצבו של המטופל.

הבוט הוא מכונת בינה מלאכותית, מה שאומר שהוא עובר את אותה הכשרה כמו כל מכונה אחרת – באמצעות אלגוריתמים כדי לנתח את הנתונים הנתונים, ללמוד מהם ולחזות את התוצאה ביחס לאיזה מצב נמצא בהישג יד

הטיה
מכיוון שבינה מלאכותית מקבלת החלטות רק על סמך הנתונים שהיא מקבלת כקלט, חשוב שהנתונים הללו ייצגו דמוגרפיה מדויקת של המטופלים. במסגרת בית חולים, למטופלים אין ידע מלא כיצד נוצרים או מכוילים אלגוריתמים חזויים. לכן, מפעלים רפואיים אלה יכולים לקודד באופן לא הוגן את האלגוריתמים שלהם כדי להפלות מיעוטים ולתעדף רווחים במקום לספק טיפול מיטבי. סקירת היקף שבוצעה לאחרונה זיהתה 18 אתגרי הון יחד עם 15 אסטרטגיות שניתן ליישם כדי לעזור להם להתמודד כאשר יישומי AI מפותחים באמצעות מיפוי רבים לרבים.

יכולה להיות גם הטיה לא מכוונת באלגוריתמים האלה שיכולה להחמיר את אי השוויון החברתי והבריאותי. מכיוון שהחלטות הבינה המלאכותית הן שיקוף ישיר של נתוני הקלט שלה, הנתונים שהוא מקבל חייבים להיות בעלי ייצוג מדויק של הנתונים הדמוגרפיים של המטופלים. זכרים לבנים מיוצגים יתר על המידה במערכי נתונים רפואיים. לכן, קיום נתוני מטופלים מינימליים על מיעוטים יכול להוביל לביצוע חיזויים מדויקים יותר של בינה מלאכותית עבור אוכלוסיות הרוב, מה שיוביל לתוצאות רפואיות גרועות לא רצויות עבור אוכלוסיות מיעוטים. איסוף נתונים מקהילות מיעוטים יכול גם להוביל לאפליה רפואית. לדוגמה, HIV הוא וירוס נפוץ בקרב קהילות מיעוטים ומצב HIV יכול לשמש כדי להפלות חולים. בנוסף להטיות שעלולות לנבוע מבחירת מדגם, מערכות קליניות שונות המשמשות לאיסוף נתונים עשויות להשפיע גם על תפקוד AI. לדוגמה, מערכות רדיוגרפיות ותוצאותיהן (למשל, רזולוציה) משתנות בהתאם לספק. יתרה מכך, שיטות עבודה של קלינאיות, כגון מיקום המטופל לרדיוגרפיה, יכולות גם הן להשפיע רבות על הנתונים ולהקשות על ההשוואה. עם זאת, ניתן לבטל הטיות אלו באמצעות יישום זהיר ואיסוף מתודי של נתונים מייצגים.

מקור אחרון להטיה, אשר זכה לכינוי "הטיית בחירת התווית", מתעורר כאשר נעשה שימוש באמצעי פרוקסי לאימון אלגוריתמים, אשר מרכיבים הטיה כנגד קבוצות מסוימות. לדוגמה, אלגוריתם בשימוש נרחב חזה את עלויות שירותי הבריאות כפרוקסי לצורכי טיפול רפואי, והשתמש בתחזיות כדי להקצות משאבים כדי לעזור לחולים עם צרכי בריאות מורכבים. זה הציג הטיה מכיוון שלחולים שחורים יש עלויות נמוכות יותר, אפילו כשהם לא בריאים בדיוק כמו חולים לבנים. פתרונות ל"הטיית בחירת התווית" שואפים להתאים את היעד בפועל (מה שהאלגוריתם חוזה) קרוב יותר ליעד האידיאלי (מה שהחוקרים רוצים שהאלגוריתם יחזה), כך שלדוגמה הקודמת, במקום לחזות עלות, החוקרים יתמקדו במשתנה של צרכי שירותי הבריאות שהוא משמעותי יותר. התאמת היעד הובילה לכמעט כפול ממספר החולים השחורים שנבחרו לתוכנית.