برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
هر زمان که بیمار در شعبه پزشکی دانشگاه تگزاس (UTMB) سی تی اسکن کند ، تصاویر حاصل به طور خودکار به بخش قلب و عروق ارسال می شوند ، توسط هوش مصنوعی مورد تجزیه و تحلیل قرار می گیرند و نمره خطر قلبی را تعیین می کنند.
تنها در چند ماه ، به لطف یک الگوریتم ساده ، هوش مصنوعی چندین بیمار را در معرض خطر قلبی عروقی بالا قرار داده است. سی تی اسکن لازم نیست که مربوط به قلب باشد. بیمار نیازی به مشکلات قلبی ندارد. هر اسکن به طور خودکار یک ارزیابی را ایجاد می کند.
این مراقبت های پیشگیرانه ساده است که توسط هوش مصنوعی فعال می شود و به مرکز پزشکی این امکان را می دهد تا در نهایت استفاده از مقادیر گسترده ای از داده های خود را آغاز کند.
پیتر مک کافری ، مدیر ارشد هوش مصنوعی UTMB ، به VentureBeat گفت: “داده ها فقط در آنجا نشسته اند.” “آنچه من در این مورد دوست دارم این است که هوش مصنوعی مجبور نیست کاری فوق بشری انجام دهد. این یک کار عقل کم است ، اما با حجم بسیار بالایی ، و این هنوز هم ارزش زیادی را فراهم می کند ، زیرا ما دائماً چیزهایی را پیدا می کنیم که از دست می دهیم.”
وی اذعان کرد: “ما می دانیم که چیزهایی را از دست می دهیم. قبلاً ، ما فقط ابزاری برای بازگشت و پیدا کردن آن نداشتیم.”
چگونه AI به UTMB کمک می کند تا خطر قلبی عروقی را تعیین کند
UTMB مانند بسیاری از امکانات بهداشتی ، در بسیاری از مناطق AI استفاده می کند. یکی از اولین موارد استفاده آن ، غربالگری خطر قلبی است. مدل ها برای اسکن برای کلسیفیکاسیون عروق کرونر حادثه (ICAC) ، پیش بینی کننده قوی از خطر قلبی عروقی آموزش دیده اند. مک کافری توضیح داد که هدف شناسایی بیماران مستعد ابتلا به بیماری های قلبی است که در غیر این صورت ممکن است از آنها غافل شود زیرا آنها علائم واضحی ندارند.
از طریق برنامه غربالگری ، هر سی تی اسکن تکمیل شده در تسهیلات به طور خودکار با استفاده از هوش مصنوعی برای تشخیص کلسیفیکاسیون عروق کرونر مورد تجزیه و تحلیل قرار می گیرد. اسکن نیازی به ارتباطی با قلب و عروق ندارد. می توان آن را به دلیل شکستگی ستون فقرات یا یک گره غیر طبیعی ریه سفارش داد.
این اسکن ها در یک شبکه عصبی حلقوی مبتنی بر تصویر (CNN) تغذیه می شوند که نمره آگاتستون را محاسبه می کند ، که نشان دهنده تجمع پلاک در شریان های بیمار است. مک کافری توضیح داد: به طور معمول ، این توسط یک رادیولوژیست انسانی محاسبه می شود.
از آنجا ، هوش مصنوعی بیماران را با نمره ICAC در یا بالاتر از 100 به سه “ردیف ریسک” بر اساس اطلاعات اضافی اختصاص می دهد (مانند اینکه آیا آنها در یک استاتین هستند یا تاکنون با یک متخصص قلب و عروق بازدید کرده اند). مک کافری توضیح داد که این تکلیف مبتنی بر قوانین است و می تواند از مقادیر گسسته در سوابق سلامت الکترونیکی (EHR) خارج شود ، یا هوش مصنوعی می تواند با پردازش متن رایگان مانند یادداشت های ویزیت بالینی با استفاده از GPT-4O ، مقادیر را تعیین کند.
بیمارانی که با نمره 100 یا بیشتر پرچم دار شده اند ، بدون سابقه شناخته شده در ویزیت قلب و عروق یا درمان ، به طور خودکار پیام های دیجیتالی ارسال می شوند. این سیستم همچنین یادداشتی را به پزشک اصلی خود ارسال می کند. بیماران مشخص شده که دارای نمرات ICAC شدیدتر از 300 یا بالاتر نیز هستند نیز یک تماس تلفنی دریافت می کنند.
مک کافری توضیح داد که تقریباً همه چیز خودکار است ، به جز تماس تلفنی. با این حال ، این تسهیلات به امید اتوماسیون تماس های صوتی به طور فعال در حال خلبانی ابزارها است. تنها منطقه ای که انسان در این حلقه قرار دارد ، در تأیید نمره کلسیم مشتق از AI و ردیف ریسک قبل از اقدام به اطلاع رسانی خودکار است.
مک کافری گزارش داد که از زمان راه اندازی این برنامه در اواخر سال 2024 ، مرکز پزشکی تقریباً 450 اسکن در ماه ارزیابی کرده است که پنج تا ده مورد از این موارد در هر ماه به عنوان پرخطر شناسایی می شوند و نیاز به مداخله دارند.
وی خاطرنشان كرد: “این مهم در اینجا نیست كه كسی مجبور به گمان كند كه شما این بیماری را دارید ، هیچ كس نیازی به دستور مطالعه این بیماری ندارد.”
یکی دیگر از موارد استفاده مهم برای هوش مصنوعی در تشخیص سکته مغزی و آمبولی ریوی است. UTMB از الگوریتم های تخصصی استفاده می کند که در عرض چند ثانیه از تصویربرداری برای مشاهده علائم خاص و تیم های مراقبت از پرچم آموزش دیده اند تا بتوانند درمان را تسریع کنند.
مانند ابزار امتیاز دهی ICAC ، CNN ها ، به ترتیب برای سکته مغزی و آمبولی ریوی آموزش داده می شوند ، به طور خودکار اسکن CT را دریافت می کنند و به دنبال شاخص هایی مانند جریان خون انسداد یا قطع رگ های خونی ناگهانی هستند.
مک کافری گفت: “رادیولوژیست های انسانی می توانند این خصوصیات بصری را تشخیص دهند ، اما در اینجا تشخیص خودکار است و در چند ثانیه اتفاق می افتد.”
هر CT دستور “تحت ظن” سکته مغزی یا آمبولی ریوی به طور خودکار به هوش مصنوعی ارسال می شود – به عنوان مثال ، یک پزشک در ER ممکن است افت صورت یا دوغاب صورت را شناسایی کند و یک دستور “سکته مغزی” صادر کند و باعث الگوریتم شود.
هر دو الگوریتم شامل یک برنامه پیام رسانی است که به محض انجام یک یافته ، کل تیم مراقبت را مطلع می کند. این شامل تصویری از تصویر با یک متقاطع بر روی محل ضایعه خواهد بود.
مک کافری گفت: “این موارد خاص در موارد استفاده اضطراری است که به سرعت شروع به کار می کنید.” “ما مواردی را دیده ایم که می توانیم چندین دقیقه مداخله را بدست آوریم زیرا سر سریعتر از هوش مصنوعی بالا رفته ایم.”
کاهش توهم ، لنگر انداختن تعصب
برای اطمینان از عملکرد مدلها تا حد امکان بهینه ، UTMB آنها را برای حساسیت ، ویژگی ، نمره F-1 ، تعصب و سایر عوامل هم قبل از استقرار و هم به طور مکرر پس از استقرار پروفایل می کند.
بنابراین ، به عنوان مثال ، الگوریتم ICAC با اجرای مدل بر روی مجموعه ای از اسکن های CT در حالی که رادیولوژیست ها به صورت دستی نمره می گیرند ، قبل از استقرار تأیید می شوند-سپس این دو مقایسه می شوند. در بررسی پس از استقرار ، در همین حال ، رادیولوژیست ها یک زیر مجموعه تصادفی از اسکن های CT به دست آمده از AI داده می شوند و یک اندازه گیری کامل ICAC را انجام می دهند که به نمره AI کور می شود. مک کافری توضیح داد که این به تیم خود اجازه می دهد خطای مدل را به طور مکرر محاسبه کند و همچنین تعصب بالقوه را تشخیص دهد (که به عنوان تغییر در بزرگی و/یا جهت گیری خطا دیده می شود).
برای کمک به جلوگیری از لنگر انداختن تعصب – جایی که هوش مصنوعی و انسان بیش از حد به اولین اطلاعاتی که با آنها روبرو می شوند متکی هستند ، از این طریق جزئیات مهم را هنگام تصمیم گیری از دست نمی دهند – UTMB از یک تکنیک “یادگیری همسالان” استفاده می کند. یک زیر مجموعه تصادفی از امتحانات رادیولوژی انتخاب شده ، تغییر یافته ، ناشناس و توزیع شده به رادیولوژیست های مختلف ، و پاسخ های آنها مقایسه می شود.
این نه تنها به عملکرد رادیولوژیست فردی کمک می کند ، بلکه همچنین تشخیص می دهد که آیا میزان یافته های از دست رفته در مطالعاتی که در آن از AI استفاده شده است برای برجسته کردن ناهنجاری های خاص (بنابراین منجر به لنگر انداختن تعصب) بیشتر است.
به عنوان مثال ، اگر از AI برای شناسایی و پرچم شکستگی استخوان در اشعه ایکس استفاده می شد ، این تیم می گوید که آیا مطالعات با پرچم برای شکستگی استخوان نیز باعث افزایش میزان از دست دادن برای سایر عوامل مانند باریک شدن فضای مفاصل (رایج در آرتریت) شده است.
مک کافری و تیمش دریافتند که نسخه های مدل پی در پی هم در کلاس ها (نسخه های مختلف GPT-4O) و هم در کل کلاس ها (GPT-4.5 در مقابل 3.5) تمایل به میزان توهم پایین تر دارند. وی گفت: “اما این غیر صفر و غیر تعیین کننده ای است-در حالی که خوب است-ما فقط نمی توانیم احتمال و پیامدهای توهم را نادیده بگیریم.”
بنابراین ، آنها به طور معمول به ابزارهای AI مولد که کار خوبی را برای استناد به منابع خود انجام می دهند ، جاذبه می کنند. به عنوان مثال ، مدلی که دوره پزشکی بیمار را خلاصه می کند و در عین حال نت های بالینی را نیز به عنوان پایه ای برای تولید آن ارائه می دهد.
مک کافری گفت: “این به ارائه دهنده این امکان را می دهد تا به عنوان یک حفاظت در برابر توهم کار کند.”
پرچم گذاری “چیزهای اساسی” برای تقویت مراقبت های بهداشتی
UTMB همچنین از AI در چندین زمینه دیگر استفاده می کند ، از جمله یک سیستم خودکار که به کادر پزشکی کمک می کند تا تعیین کند که پذیرش بستری توجیه شده است. این سیستم به عنوان یک خلبان کار می کند ، به طور خودکار تمام یادداشت های بیمار را از EHR استخراج می کند و با استفاده از Claude ، GPT و Gemini برای خلاصه کردن و بررسی آنها قبل از ارائه ارزیابی به کارکنان.
مک کافری توضیح داد: “این اجازه می دهد تا پرسنل ما به کل جمعیت بیمار نگاه کنند و بیماران را فیلتر کنند.” این ابزار همچنین به پرسنل در تهیه اسناد برای حمایت از پذیرش یا مشاهده کمک می کند.
در مناطق دیگر ، از هوش مصنوعی برای بررسی مجدد گزارش هایی مانند تفسیرهای اکوکاردولوژی یا یادداشت های بالینی و شناسایی شکاف های مراقبت استفاده می شود. در بسیاری از موارد ، “این به سادگی پرچم گذاری چیزهای اساسی است.”
وی خاطرنشان كرد: مراقبت های بهداشتی پیچیده است ، با توجه به داده های داده از همه جا – تصاویر ، یادداشت های پزشک ، نتایج آزمایشگاه – اما تعداد بسیار کمی از این داده ها محاسبه شده است زیرا به راحتی نیروی انسانی انسانی کافی نبوده است.
این امر به آنچه او به عنوان “تنگنا عظیم و عظیم فکری” توصیف کرده است ، منجر شده است. بسیاری از داده ها به سادگی محاسبه نمی شوند ، حتی اگر پتانسیل بسیار خوبی وجود داشته باشد و موارد قبلی را پیدا کنید.
مک کافری تأکید کرد: “این یک کیفرخواست از هر مکان خاص نیست.” “این فقط به طور کلی وضعیت مراقبت های بهداشتی است.” AI در غایب ، “شما نمی توانید اطلاعات ، نظارت ، کار را در مقیاس مورد نیاز برای گرفتن همه چیز مستقر کنید.”