Персоналът може да работи с повърхностен поглед върху данните за пациентите, като разчита на основни медицински истории и резултати от скорошни изследвания. Тази липса на изчерпателни данни пречи на способността им да разберат напълно нуждите на пациентите и компрометира точността и индивидуализацията на диагнозите и леченията. Такъв подход в здравеопазването, характеризиращ се с тези ограничения и ангажименти, може сполучливо да бъде наречен „плитка медицина“.

Американският кардиолог и учен Ерик Топол въвежда понятието „дълбока медицина“ в книгата си „Дълбока медицина“ от 2019 г: Как изкуственият интелект може да направи здравеопазването отново човешко. Той критикува модела на плитката медицина в САЩ, като предлага прозрения от своя клиничен и личен опит.

Дълбоката медицина притежава потенциала да революционизира медицинската диагностика, ефективността на лечението и оперативните съображения. Топол представя изкуствения интелект (ИИ) като трансформиращо решение на тези системни проблеми на плитката медицина. Той очертава това, което нарича рамка за дълбока медицина, като цялостна стратегия за включване на ИИ в различни аспекти на здравеопазването.

Рамката на дълбоката медицина е изградена върху три основни стълба: дълбоко фенотипиране, дълбоко обучение и дълбока емпатия. Всички тези стълбове са взаимосвързани и възприемането на тази рамка би могло да подобри грижите за пациентите, да подпомогне здравния персонал и да укрепи цялата система.

Дълбоко фенотипизиране

Дълбокото фенотипизиране се отнася до цялостна картина на здравните данни на индивида през целия му живот. Дълбокият фенотип далеч надхвърля ограничените данни, събрани по време на стандартен медицински преглед или здравен епизод. Той включва неща като генетичния код на човека, цялата ДНК на индивида и информация за микробите или микробиома на тялото.

Той включва така наречения „експозиционен“ материал – нещата от околната среда, на които човек е изложен през живота си, като например замърсяването на въздуха. Той включва маркери, които разкриват подробности за метаболитните процеси, протичащи в тялото на човека, и протеините, които тялото му изразява, както и други биологични мерки и показатели. Тя включва електронните здравни досиета на дадено лице, включително неговата медицинска история, диагнози, лечения и лабораторни резултати.

Дълбоко обучение

Философията, залегнала в основата на дълбочинното фенотипиране, е да се комбинират тези разнообразни данни, за да се даде възможност за по-точни и бързи диагнози, прецизни и ефективни лечения, както и за усъвършенстване на стратегиите за прогнозна и превантивна медицина. Самият обем и сложност на събраните данни обаче поставят значителни предизвикателства пред анализа на всички тях. Именно тук дълбокото обучение – област на изкуствения интелект, която се стреми да симулира силата на човешкия мозък при вземането на решения – е толкова ценно. Дълбокото учене използва алгоритъм, наречен невронна мрежа, който използва малки математически компютри, наречени „неврони“, които са свързани помежду си, за да обменят и усвояват информация.

ИИ може потенциално да подобри начина, по който се използват диагностичните инструменти. Елиф Байрактар

Напредъкът в алгоритмите на невронните мрежи, технологиите и наличието на цифрови данни позволиха на невронните мрежи да демонстрират впечатляваща производителност. Така например те позволиха бърз и точен анализ на медицински изображения, като рентгенови снимки и магнитно-резонансни томографи. Те могат да генерират доклади и да прогнозират развитието на заболяването и резултатите за пациента.

ИИ се оказва ценен при откриването на лекарства и идентифицирането на химически маркери от тялото, като например тези, които могат да сигнализират за наличието на рак. Те могат да управляват инструментите, използвани в роботизираната хирургия. Освен това технологиите на ИИ като тези, които стоят зад ChatGPT, могат да обработват медицинска литература и пациентски досиета, за да помогнат за поставянето на сложни диагнози. Те могат да автоматизират задачи за писане, като например водене на бележки и въвеждане на данни.

Дълбока емпатия

Интегрирането на системи с ИИ може да помогне за рационализиране на оперативните задачи в здравните служби като NHS. Те включват управление на леглата и работните процеси в болниците. Разработването на технологиите на ИИ обаче не трябва да бъде случайно – по-скоро трябва да бъде насочено към реални клинични нужди и да е предназначено за насърчаване на по-добри отношения между пациентите и персонала. Това е стълбът на дълбоката медицина, известен като дълбока емпатия.

Здравеопазването все повече се превръща в дисциплина, в която човешкото докосване, някога неин крайъгълен камък, е засенчено от неумолимия стремеж към ефективност. Персоналът на здравните заведения е изправен пред все по-голямо бреме от административни задачи. Това може да намали времето, което те отделят на всеки пациент, като по този начин подкопава същността и потенциалните ползи от състрадателната грижа.

Персоналът се нуждае от чувствителност и време, за да отговори на емоционалните и психологическите нужди на пациентите и техните семейства. Това създава благоприятна и състрадателна среда за грижи и укрепва човешката връзка, която е в основата на здравеопазването.

Решенията с изкуствен интелект могат да бъдат разработени така, че да намалят административната тежест за персонала, като разкрият повече възможности за пълноценно взаимодействие с пациентите. Премахвайки тези бариери, ние даваме възможност за по-голям фокус върху пряката грижа за пациентите, което спомага за подобряване на качеството на предоставяните услуги и, надяваме се, на удовлетвореността на пациентите.

Налице е и трансформираща възможност за преосмисляне на ефективността, като в основата се поставят взаимоотношенията между пациентите и персонала. Това предвижда бъдеще, в което здравният персонал ще се отличава както с технически умения, така и с емоционална интелигентност, което ще му позволи да посреща психологическите нужди на пациентите с истинско разбиране и състрадание.
Уил Джоунс, директор на изследователския отдел и преподавател по наука за данните, изкуствен интелект и моделиране (DAIM), Университет на Хъл

Тази статия е препубликувана от The Conversation под лиценза на Creative Commons. Прочетете оригиналната статия.