Menu

Modely AI pomáhají v rozhodování lékařům: důležitá jsou data

01.07.2021 17:40 | Jiří Palyza + Přidat komentář
Modely AI pomáhají v rozhodování lékařům: důležitá jsou data

Modely AI pomáhají v rozhodování lékařům: důležitá jsou data | foto: Pete Linforth/Pixabay

Analýza dat ruku v ruce s predikcí je v medicíně velmi důležitá. Lékař, který stanovuje léčbu na základě poznatků vědy, zkušeností a vědomostí, se stále rozhoduje s určitou mírou pravděpodobnosti. Modely založené na umělé inteligenci mohou pomoci podpořit a zpřesnit jejich rozhodování.

Umělá inteligence, která stále více proniká do oblasti lékařských systémů, zpracovává modely předpovědí dalšího vývoje stavu pacientů na základě dat, získaných senzory telemedicíny. Dnes už se jedná o nositelná zařízení, která mají pacienti umístěná na svém těle, a která jsou schopna sbírat široké spektrum dat. K tomu může být sledován prostřednictvím geolokačních údajů i pohyb pacienta a jeho případná dezorientace. V praxi nabízí prediktivní analýza své využití a přínosy například v těchto oblastech:

Zlepšení zdravotního stavu pacientů: díky širší integraci zdravotních záznamů pacientů s dalšími zdravotními daty mohou zdravotníci detekovat varovné příznaky závažných zdravotních problémů a proaktivně předcházet jejich výskytu.

Celostní podpora zdraví: vyvíjející se modely zaměřené na pacienta se zaměřují spíše na osobu jako celek než na izolované výsledky. Prediktivní nástroje umožňují shromažďovat a propojovat údaje o životním stylu, příznacích a léčbě za účelem vytvoření holistických léčebných plánů.

Zefektivnění operací: prediktivní nástroje lze také použít na interní procesy poskytovatelů zdravotní péče, jako je zajištění potřebného materiálu nebo personálních kapacit, které pomohou snížit celkové náklady a efektivně hospodařit s dalšími zdroji.

Personalizované poskytování zdravotní péče: personalizovaná péče se stala ústředním bodem vývoje pandemických tlaků. Prediktivní nástroje umožňují vytvářet skutečně personalizované plány léčby šité na míru potřebám jednotlivých pacientů.

Podpora prediktivního modelování ve zdravotnictví

predictivemodeling2

K naplnění potenciálu prediktivního modelování potřebují poskytovatelé zdravotní péče správnou strategii k využití zdravotnických dat a technologií. | Zdroj: Owen Beard/Unsplash

Efektivní nasazení přichází s otázkami k úvodní definici problému. Jaká data jsou třeba pro základní přehled a jaká data by dále mohla pomoci zlepšit výsledky léčby pacientů? Návrhy úvodního řešení mohou posloužit k vývoji algoritmů, které poskytovatel péče může implementovat.

To navazuje na druhý pilíř prediktivního modelování, který tvoří pokročilé technologie strojového učení a AI. Nasazením těchto nástrojů s ověřenými daty ze zdravotních záznamů a zdravotní péče je možné vyvinout spolehlivé a pohotové modely. Ty pak budou schopné analyzovat příchozí data za účelem identifikace potenciálních problémů pacienta, zefektivnění zdravotních výkonů a předpovědi trendů vývoje zdravotního stavu jednotlivých pacientů.

Ve skutečnosti se ale bude jednat o poměrně složitý proces. Poskytovatelé své nejlepší modely musí ověřovat v klinických studiích, aby tak eliminovaly slabé výstupy svých řešení. Kromě toho musí být data rozdělena do konkrétních podmnožin pro kontrolované učení umělé inteligence, testování a validaci výstupů, aby se zajistilo, že ve výsledcích analýzy nebudou mít váhy jednotlivých faktorů příliš vysokou nebo nízkou hodnotu.

Snižování potenciálních bezpečnostních rizik pro zdravotnické organizace

Provozovatelé si také musí být vědomi možných rizik. Tak jak se ve zdravotnictví budou stále častěji objevovat řešení prediktivního modelování, tak se na ně také budou zaměřovat regulační orgány. A to především pokud půjde o přímé nasazení technologií v péči o pacienty a o odpovědnosti za chyby prediktivních modelů.

Velmi důležitou součástí je také zajištění bezpečnosti dat včetně zabezpečení přístupů k vlastní technologii prediktivního modelování v těchto oblastech:

Nastavení senzorů a zařízení včetně jejich kalibrace: při využití senzorů a dalších zařízení bude třeba se vypořádat s kalibrací senzorů a aktualizacemi zabudovaného softwaru.

Řízení přístupu: protože prediktivní modelování vyžaduje nepřetržitý přenos a zpracování dat, bude nutně třeba zajistit kontrolu nad tím, kdo k těmto datům bude mít přístup. Provozovatelé budou muset nasadit odpovídající nástroje k řízení přístupů a identit, a vypracovat související politiky.

Šifrování dat: silné šifrování dat a komunikace je nezbytné, protože v určitých momentech bude nutné data přenášet bezdrátově nebo přes internet mimo zabezpečené systémy. Nedostatečně šifrovaná data přímo ohrožují soukromí pacientů i sítě zdravotní péče.

Datová úložiště: díky rostoucím objemům dat a potřebě propojení sítě datových zdrojů a uživatelů prediktivních modelů je cloudové úložiště logickou volbou zdravotnických organizací. Jak by měla být tato data uložena a jak by mohla být zpracována, by měly rozhodovat standardy, vznikající v rámci strategií elektronizace zdravotnictví. Podobně, jako je například implementován český kybernetický zákon do zdravotnictví, nebo obecné nařízení o ochraně osobních údajů Evropské unie.

Komentáře

* Hvězdičkou jsou označeny povinné informace.

Zajímavosti ze světa IT v e-mailu

Stačí odeslat svoji e-mailovou adresu


Odesláním formuláře souhlasíte se zpracováním svých osobních údajů a užitím pro marketingové účely vydavatelství Burda International CZ s. r. o.