Table des matières
Que peut faire l’intelligence artificielle pour les soins de santé ?
Obstacles courants à l’adoption généralisée de l’intelligence artificielle
1. Explicabilité
2. Préjugés et discrimination
3. Risque contre confort
4. Absence de réglementation
Comment introduire l'intelligence artificielle dans les soins de santé
Conception
Transparence
Tests utilisateur
Preuves cliniques
Prestataires de soins de santé : le but de l’IA est d’améliorer vos capacités
Maison Périphériques technologiques IA Obstacles à l'adoption généralisée de l'intelligence artificielle dans les soins de santé

Obstacles à l'adoption généralisée de l'intelligence artificielle dans les soins de santé

May 13, 2023 pm 08:04 PM
人工智能 医疗保健

L'intelligence artificielle (IA) a le potentiel d'améliorer considérablement la prestation des soins de santé. Étant donné que l’IA est capable d’exploiter des informations et des modèles à partir de très grands ensembles de données, elle pose les bases de capacités innovantes, de grande valeur et améliorées, telles que la prédiction de la détérioration du patient, les recommandations d’interventions appropriées pour des conditions spécifiques et la surveillance à haute fréquence de nombreux patients. signes vitaux en parallèle. Le fondateur et PDG de CalmWave, Ophir Ronen, discute des obstacles à l'adoption de l'IA et de la manière dont le secteur de la santé peut les surmonter.

Obstacles à ladoption généralisée de lintelligence artificielle dans les soins de santé

Cependant, le secteur de la santé est particulièrement prudent dans l'adoption de l'intelligence artificielle, selon un récent rapport de la Brookings Institution. S'il est naturel de traiter les nouvelles technologies avec prudence, cela est particulièrement vrai dans le monde de la santé, où fournir les meilleurs soins aux patients implique une énorme responsabilité. Il existe de nombreux facteurs qui inquiètent les cliniciens lorsqu'ils adoptent l'intelligence artificielle, notamment la peur d'être marginalisés, la crainte que les erreurs causées par l'IA aient un impact négatif sur la santé des patients (c'est-à-dire la mort) et la crainte que les conclusions basées sur l'IA boîte noire soient pas bien compris.

Avant d’explorer ces questions, il est important de comprendre ce que les prestataires de soins de santé gagneront grâce à l’intelligence artificielle, notamment en matière de conditions de travail.

Que peut faire l’intelligence artificielle pour les soins de santé ?

L’intelligence artificielle a le potentiel de révolutionner les soins de santé en améliorant la capacité des cliniciens à identifier et à traiter les maladies. Les systèmes d’IA peuvent analyser de grandes quantités de données provenant de dossiers de santé électroniques, d’études d’imagerie et d’autres sources pour trouver des modèles difficiles à repérer pour les humains. Ces analyses peuvent conduire à des diagnostics plus précoces et plus précis, à de meilleurs résultats thérapeutiques et à des soins plus personnalisés.

Un domaine dans lequel l’intelligence artificielle peut avoir un impact significatif est la réduction de l’épuisement professionnel des cliniciens. Les infirmières, en particulier, courent un risque d'épuisement professionnel en raison des exigences élevées de leur travail. L'intelligence artificielle peut contribuer à atténuer ce problème en fournissant des mesures objectives de la charge de travail basées sur la fréquence des alertes en soins intensifs, l'acuité du patient, ainsi que la fréquence et la complexité des interventions. Permettre aux administrateurs et aux gestionnaires d'hôpitaux de comprendre la charge de travail des cliniciens et la probabilité d'épuisement professionnel peut promouvoir des opportunités fondées sur les données pour rendre le lieu de travail plus sain, où les cliniciens souhaitent rester et poursuivre leur passion pour le traitement.

En plus de réduire l'épuisement professionnel, l'IA peut aider les cliniciens à prendre des décisions plus éclairées en intégrant des données en temps réel pour fournir des informations exploitables et des analyses prédictives. Par exemple, les algorithmes d’IA peuvent analyser les données des patients pour identifier les patients à risque de complications et alerter les cliniciens afin qu’ils prennent des mesures préventives. Cela peut améliorer les résultats pour les patients et réduire les coûts des soins de santé en évitant des complications plus graves.

Dans l’ensemble, l’IA a le potentiel de transformer les soins de santé en améliorant la capacité des cliniciens à analyser de grandes quantités de données et à identifier des modèles difficiles à détecter pour les humains. En réduisant l’épuisement professionnel, en fournissant des données en temps réel et des analyses prédictives, l’IA peut aider les cliniciens à prendre des décisions plus éclairées, à améliorer les résultats pour les patients et à réduire les coûts des soins de santé.

Obstacles courants à l’adoption généralisée de l’intelligence artificielle

L’intelligence artificielle semble être la clé pour faciliter la vie des travailleurs de la santé. Cependant, l’introduction d’une technologie complexe et peu familière dans une industrie aussi importante comporte plusieurs risques. En fait, de nombreux professionnels de la santé craignent que l’IA fasse plus de mal que de bien aux prestataires et aux patients.

Voici quelques raisons pour lesquelles les prestataires de soins de santé peuvent être réticents à l'IA :

1. Explicabilité

Le plus grand obstacle à l'adoption de l'IA dans les soins de santé est peut-être le mystère qui entoure les mécanismes de l'IA. Comment fonctionnent ces algorithmes ? Comment les points de données ci-dessus sont-ils générés ? L’IA « boîte noire » appartient au passé, et les cliniciens (et les régulateurs) attendent des explications lorsqu’il s’agit de solutions basées sur l’IA.

« Explicabilité » fait référence au concept selon lequel un modèle d'apprentissage automatique et ses résultats peuvent être expliqués de manière « significative » à un niveau acceptable par l'homme. Afin d'implémenter en toute confiance l'intelligence artificielle dans leurs opérations, les professionnels de la santé doivent démontrer qu'ils respecteront le serment d'Hippocrate, qui consiste à « ne pas nuire ». Sans une compréhension approfondie de la manière dont l’IA prend des décisions, il sera difficile pour les praticiens de confier d’importantes responsabilités aux machines.

2. Préjugés et discrimination

De nombreux systèmes de santé intensifient régulièrement leurs efforts pour lutter contre les disparités raciales et élargir l'accès aux services pour les communautés minoritaires et mal desservies. Malheureusement, la médecine a une longue histoire de préjugés. Dans certains cas, l’intelligence artificielle est utilisée pour aggraver le problème.

Les praticiens peuvent craindre que les algorithmes d’IA formés sur des ensembles de données spécifiques ignorent systématiquement les initiatives prises à l’échelle de l’entreprise pour améliorer l’équité en santé, perpétuant ainsi les pratiques discriminatoires. Aujourd’hui, toute technologie basée sur l’IA dans le domaine de la santé doit tenir compte de ces dynamiques lors du développement de solutions plus complètes et plus puissantes pour améliorer les soins pour tous.

3. Risque contre confort

La technologie ne sera jamais parfaite. Les prestataires de soins de santé s’efforcent d’atteindre la perfection, car tout ce qui n’est pas parfait peut mettre des vies en danger. Les enjeux en matière de soins de santé sont élevés, tout comme les attentes à l’égard de toute nouvelle technologie médicale. Les produits basés sur l’IA sont très précis, mais pas parfaits. Par conséquent, les nouvelles technologies basées sur l’intelligence artificielle peuvent encore conduire à des erreurs ou à des échecs pouvant conduire à des diagnostics erronés ou à des mauvais traitements chez des patients gravement malades. Cette attente n’est pas propre à l’IA, mais elle crée une barre haute et parfois irréaliste qui ralentit son adoption. De plus, les systèmes existants sont confrontés à des défis permanents.

Différentes organisations ont leurs propres systèmes et méthodes de soins aux patients. Les fournisseurs considèrent souvent la familiarité et la cohérence comme plus importantes que la sophistication et la précision. Une technologie n'est pas nécessairement suffisamment bonne ou précise, mais il est tout aussi important de prendre en compte le niveau d'aisance du clinicien dans l'utilisation et la compréhension de la technologie.

4. Absence de réglementation

Bien que la FDA ait approuvé des centaines de dispositifs médicaux d'intelligence artificielle, il n'existe aucune réglementation pertinente pour les algorithmes d'intelligence artificielle non commerciaux dans le domaine de la santé. Le défi que pose l’élaboration de ces réglementations tient en grande partie à la rapidité avec laquelle l’intelligence artificielle se développe. Ce manque apparent de surveillance et de responsabilité est compréhensible pour les travailleurs de la santé, qui préféreraient savoir que la nouvelle technologie a été approuvée par les régulateurs et respecte certaines normes, notamment en matière de confidentialité et d'anonymat.

Comment introduire l'intelligence artificielle dans les soins de santé

Malgré les réserves des cliniciens, l'intelligence artificielle peut et va changer le visage des soins de santé. Cependant, pour mettre en œuvre avec succès des outils basés sur l’IA, les cliniciens doivent être à l’avant-garde de la conception, des tests et de la formation de nouvelles technologies médicales.

Conception

Pour donner confiance à un système d'IA, les professionnels de santé doivent être directement impliqués dans sa conception et sa mise en œuvre. On ne peut pas blâmer les cliniciens, qui attendent des développeurs d’IA qu’ils partagent leurs objectifs et soient pleinement conscients de leurs préoccupations.

Les hôpitaux sont des écosystèmes complexes avec des flux de travail critiques. Pour réussir l’intégration de l’IA dans les systèmes de santé, il faut examiner de manière approfondie les flux de travail existants afin de les améliorer plutôt que d’ajouter du travail supplémentaire. Il est essentiel d’inclure les agents de santé dans la phase de conception pour garantir que l’IA donne la priorité à la convivialité et s’intègre parfaitement aux flux de travail quotidiens.

Transparence

Les développeurs de systèmes d'IA doivent offrir aux praticiens une visibilité et une transparence totales sur le processus décisionnel de l'IA. Fournissez aux utilisateurs non seulement le résultat final du processus, mais également des données pour aider à la prise de décision. Sans cette exigence fondamentale, l’avenir de l’IA dans les fonctions de soins intensifs semble lointain. Les cliniciens doivent se sentir d’accord avec la conception de l’algorithme et les données traitées par l’IA pour fournir les résultats souhaités.

Tests utilisateur

À cette fin, les travailleurs de la santé devraient avoir des opportunités adéquates pour tester l'IA en milieu clinique. Ces interactions réelles révéleront à terme quels cas d’utilisation soutiennent la prestation de soins aux praticiens et aux patients, et quels cas d’utilisation créent des complications inutiles.

Le simple fait d'introduire la technologie de l'IA dans les services hospitaliers sans proposer de tests utilisateur aux cliniciens exacerbera les inquiétudes des cliniciens concernant la méconnaissance, les préjugés et le risque d'échec. Habituer les cliniciens à utiliser la technologie dès le départ atténuera leurs inquiétudes et améliorera l’intégration. De plus, les commentaires des professionnels de la santé aideront à terme les entreprises d’IA à améliorer continuellement leurs capacités technologiques pour rationaliser les tâches quotidiennes et répondre aux besoins les plus urgents des praticiens.

Preuves cliniques

Une chose garantit l'approbation d'un professionnel de la santé : la preuve. De nombreux soins de santé suivent une approche fondée sur des preuves cliniques. La médecine fondée sur des preuves cliniques (EBM) est une approche de pratique médicale qui met l'accent sur l'utilisation des meilleures preuves de recherche disponibles pour guider les décisions cliniques. L'objectif de l'EBM est d'améliorer la qualité des soins aux patients en garantissant que les traitements et les interventions sont basés sur les preuves scientifiques les plus récentes et les plus fiables. Le mot clé ici est preuve.

Bien que cela prenne plus de temps et puisse sembler être un énorme inconvénient et un obstacle à l'adoption, il s'agit souvent d'une étape nécessaire pour garantir une solution sûre et durable. Pour être clair, il existe différents degrés de preuve et le secteur de la santé (y compris les régulateurs) doit s’adapter aux conditions, aux scénarios et aux exceptions afin de fournir la flexibilité appropriée pour accélérer l’utilisation de la technologie. Mettre des preuves derrière la technologie améliore non seulement les soins aux patients, mais donne également aux cliniciens la confiance dont ils ont besoin pour favoriser leur adoption.

Prestataires de soins de santé : le but de l’IA est d’améliorer vos capacités

Les réserves du secteur de la santé à l’égard de l’IA sont sans aucun doute justifiées et méritent d’être prises au sérieux. Cela commence par reconnaître les changements que l’IA apportera et dissiper l’idée selon laquelle l’introduction de l’IA moderniserait immédiatement l’industrie.

Il est important que les travailleurs de la santé sachent que sans leur contribution, l’IA ne sera pas adoptée et que toute initiative en matière d’IA aura des objectifs, des valeurs et des preuves clairement définis. Les cliniciens peuvent, devraient et doivent avoir leur mot à dire dans la conception, les tests et la mise en œuvre des technologies d’IA. Il n’y a pas de soins de santé sans cliniciens. À mesure que davantage de professionnels de santé auront la possibilité de faire partie intégrante des technologies médicales améliorées par l’IA, les rendant ainsi plus conscients de leurs nouvelles capacités : réduire le stress, améliorer les conditions de travail et améliorer les résultats pour les patients, les obstacles à l’adoption généralisée de l’IA disparaîtront progressivement.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

Video Face Swap

Video Face Swap

Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Cinq écoles d'apprentissage automatique que vous ne connaissez pas Cinq écoles d'apprentissage automatique que vous ne connaissez pas Jun 05, 2024 pm 08:51 PM

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc. SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc. Aug 01, 2024 pm 09:40 PM

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière

See all articles