غالبًا ما نسمع عن تقارير مختلفة حول عدم فعالية خوارزميات التعلم الآلي في الرعاية الصحية – خاصة في المجال السريري. على سبيل المثال ، نموذج تعفن الدم في Epic كان في الأخبار لمعدلات عالية من الإنذارات الكاذبة في بعض المستشفيات والفشل في الإبلاغ عن الإنتان بشكل موثوق في البعض الآخر.
يتم تدريب الأطباء بشكل حدسي ومن خلال الخبرة على اتخاذ هذه القرارات يوميًا. تمامًا مثل وجود إخفاقات في الإبلاغ عن أي خوارزميات تحليلات تنبؤية ، فإن الفشل البشري ليس نادرًا.
كما نقله أتول جواندي في كتابه المضاعفات، “بغض النظر عن الإجراءات التي يتم اتخاذها ، سيتعثر الأطباء أحيانًا ، وليس من المعقول أن نطلب تحقيق الكمال. المعقول هو أن نطلب ألا نتوقف عن السعي لتحقيق ذلك “.
تختلف خوارزميات التحليلات التنبؤية في السجل الصحي الإلكتروني بشكل كبير فيما يمكن أن تقدمه ، ونسبة جيدة منها ليست مفيدة في اتخاذ القرارات السريرية في نقطة الرعاية.
في حين أن العديد من الخوارزميات الأخرى تساعد الأطباء على التنبؤ بالأمراض المعقدة وتشخيصها في وقت مبكر من مسارهم للتأثير على نتائج العلاج بشكل إيجابي ، إلى أي مدى يمكن للأطباء الاعتماد على هذه الخوارزميات لاتخاذ القرارات في نقطة الرعاية؟ ما الخوارزميات التي تم نشرها واستخدامها بنجاح من قبل المستخدمين النهائيين؟
نماذج الذكاء الاصطناعي في السجلات الصحية الإلكترونية
كانت البيانات التاريخية في السجلات الصحية الإلكترونية منجم ذهب لبناء خوارزميات منتشرة في المجالات الإدارية أو الفوترة أو السريرية مع وعود إحصائية لتحسين الرعاية بنسبة X٪.
تُستخدم خوارزميات الذكاء الاصطناعي للتنبؤ بطول الإقامة ، وأوقات الانتظار في المستشفى ، ومعدلات إشغال الأسرة ، والتنبؤ بالمطالبات ، وكشف الهدر والاحتيال ، ومراقبة دورات الفوترة وتحليلها للتأثير على الإيرادات بشكل إيجابي. تعمل هذه الخوارزميات مثل الرتوش في الرعاية الصحية ولا تؤثر بشكل كبير على نتائج المرضى في حالة التنبؤات غير الدقيقة.
ومع ذلك ، في المجال السريري ، غالبًا ما تتصدر إخفاقات نماذج التحليلات التنبؤية عناوين الأخبار لأسباب واضحة. أي قرار سريري تتخذه له نموذج رياضي معقد وراءه. تستخدم هذه النماذج البيانات التاريخية في السجلات الصحية الإلكترونية ، وتطبق برامج مثل الانحدار اللوجستي أو الغابة العشوائية أو تقنيات أخرى
لماذا لا يثق الأطباء بالخوارزميات في أنظمة CDS؟
ينبع عدم الثقة في أنظمة CDS من تنوع البيانات السريرية والاستجابات الفردية للأفراد لكل سيناريو سريري.
يمكن لأي شخص عمل من خلال مصفوفة الارتباك الخاصة بنماذج الانحدار اللوجيستي وقضى وقتًا في الاستمتاع بالحساسية مقابل الخصوصية للنماذج أن يرتبط بحقيقة أن اتخاذ القرار السريري يمكن أن يكون أكثر تعقيدًا. إن التنبؤ شبه المثالي في الرعاية الصحية غير قابل للتحقيق عمليًا بسبب خصوصية كل مريض واستجابته لطرق العلاج المختلفة. يعتمد نجاح أي نموذج تحليلات تنبؤية على ما يلي:
- المتغيرات والبارامترات التي يتم اختيارها لتحديد النتيجة السريرية وتطبيقها رياضيًا للوصول إلى نتيجة. يعد تصحيح جميع المتغيرات في المقام الأول تحديًا صعبًا في مجال الرعاية الصحية.
- حساسية وخصوصية النتائج المستمدة من أداة الذكاء الاصطناعي. أ ورقة JAMA الأخيرة تم الإبلاغ عن أداء نموذج تعفن الدم الملحمي. وجد أنه يحدد 7 ٪ فقط من المرضى الذين يعانون من تعفن الدم والذين لم يتلقوا التدخل في الوقت المناسب (بناءً على إعطاء المضادات الحيوية في الوقت المناسب) ، مما يسلط الضوء على الحساسية المنخفضة للنموذج مقارنة بالممارسة السريرية المعاصرة.
العديد من النماذج المسجلة الملكية للتنبؤ بالإنتان شائعة ؛ ومع ذلك ، لا يزال يتعين تقييم العديد منها في العالم الحقيقي لدقتها. تشمل المتغيرات الشائعة لأي نموذج خوارزمية تنبؤية العناصر الحيوية ، والمؤشرات الحيوية للمختبر ، والملاحظات السريرية ، والمنظمة وغير المنظمة ، وخطة العلاج.
يمكن أن يكون تاريخ وصف المضادات الحيوية مكونًا متغيرًا لعمل تنبؤات ، لكن استجابة كل فرد للدواء ستختلف ، مما يؤدي إلى تحريف الحسابات الرياضية للتنبؤ.
حسب بعض الدراسات، التنفيذ الحالي لأنظمة دعم القرار السريري لتنبؤات الإنتان متنوع للغاية ، وذلك باستخدام معلمات متنوعة أو مؤشرات حيوية وخوارزميات مختلفة تتراوح من الانحدار اللوجستي ، والغابات العشوائية ، وتقنيات Naïve Bayes ، وغيرها.
تتنبأ الخوارزميات الأخرى المستخدمة على نطاق واسع في السجلات الصحية الإلكترونية بمخاطر إصابة المرضى بأمراض القلب والأوعية الدموية ، والسرطانات ، والأمراض المزمنة وذات العبء الثقيل ، أو اكتشاف الاختلافات في الربو أو مرض الانسداد الرئوي المزمن. اليوم ، يمكن للأطباء الرجوع إلى هذه الخوارزميات للحصول على أدلة سريعة ، لكنها ليست بعد العوامل الرئيسية في عملية صنع القرار.
بالإضافة إلى الإنتان ، هناك ما يقرب من 150 خوارزمية مع تصريح FDA 510K. يحتوي معظمها على مقياس كمي ، مثل معلمة التصوير الإشعاعي ، كأحد المتغيرات التي قد لا تؤثر على نتائج المريض على الفور.
يعد الذكاء الاصطناعي في التشخيص متعاونًا مفيدًا في تشخيص الحالات الشاذة واكتشافها. تتيح هذه التقنية تكبير الصور وتقسيمها وقياسها بطرق لا تستطيع العين البشرية القيام بها. في هذه الحالات ، تقيس تقنيات الذكاء الاصطناعي المعلمات الكمية بدلاً من القياسات النوعية. الصور عبارة عن تحليل بأثر رجعي ، وقد تم استخدام عمليات نشر أكثر نجاحًا في إعدادات الحياة الواقعية.
في التنبؤ بالمخاطر الأخرى أو خوارزميات التحليلات التنبؤية ، يمكن أن تتغير المعلمات المتغيرة مثل العناصر الحيوية والمؤشرات الحيوية في المريض بشكل عشوائي ، مما يجعل من الصعب على خوارزميات الذكاء الاصطناعي الوصول إلى أفضل النتائج.
لماذا تنحرف خوارزميات الذكاء الاصطناعي؟
وما هي الخوارزميات التي كانت تعمل في مجال الرعاية الصحية مقابل لا تعمل؟ هل يعتمد الأطباء على الخوارزميات التنبؤية داخل السجلات الصحية الإلكترونية؟
الذكاء الاصطناعي هو مجرد أداة داعمة قد يستخدمها الأطباء أثناء التقييم السريري ، لكن صنع القرار دائمًا ما يكون بشريًا. بغض النظر عن النتيجة أو مسار اتخاذ القرار المتبع ، في حالة حدوث خطأ ، سيكون الطبيب دائمًا هو المسؤول.
وبالمثل ، في حين أن كل مريض فريد من نوعه ، فإن خوارزمية التحليلات التنبؤية ستأخذ دائمًا في الاعتبار المتغيرات بناءً على غالبية السكان المرضى. وبالتالي ، ستتجاهل الفروق الدقيقة مثل الحالة العقلية للمريض أو الظروف الاجتماعية التي قد تساهم في النتائج السريرية.
لا يزال هناك وقت طويل قبل أن يصبح الذكاء الاصطناعي أكثر ذكاءً للنظر في جميع المتغيرات المحتملة التي يمكن أن تحدد حالة المريض. حاليًا ، كل من المرضى والأطباء يقاومون الذكاء الاصطناعي في الرعاية الصحية. بعد كل شيء ، الرعاية الصحية هي خدمة متجذرة في التعاطف واللمسة الشخصية التي لا يمكن للآلات أن تأخذها أبدًا.
باختصار ، أظهرت خوارزميات الذكاء الاصطناعي نجاحًا متوسطًا إلى ممتازًا في التقارير الإدارية والفوترة والتصوير السريري. في مجال الرعاية بجانب السرير ، قد لا يزال هناك الكثير من العمل للذكاء الاصطناعي قبل أن يصبح شائعًا لدى الأطباء ومرضاهم. حتى ذلك الحين ، يسعد المرضى أن يثقوا بأطبائهم باعتبارهم صانع القرار الوحيد في الرعاية الصحية الخاصة بهم.
الدكتور جويوتي جوسوامي هو مستشار رئيسي في Damo Consulting ، وهي شركة استشارية لاستراتيجية النمو والتحول الرقمي تعمل مع مؤسسات الرعاية الصحية وشركات التكنولوجيا العالمية. طبيب يتمتع بخبرة متنوعة في الممارسة السريرية والاستشارات الدوائية وتكنولوجيا معلومات الرعاية الصحية ، وقد عمل Goswami مع العديد من السجلات الصحية الإلكترونية ، بما في ذلك Allscripts و AthenaHealth و GE Perioperative و Nextgen.
