Bagaimanakah kita memastikan AI penjagaan kesihatan berguna?

Dalam skema besar perniagaan penjagaan kesihatan, model ramalan memainkan peranan yang sama seperti ujian darah, X-ray atau MRI: mereka mempengaruhi keputusan tentang sama ada campur tangan adalah sesuai.

"Secara umum, model melaksanakan operasi matematik dan menghasilkan anggaran kebarangkalian yang membantu doktor dan pesakit memutuskan sama ada untuk mengambil tindakan," kata Ketua Saintis Data di Stanford Health Care dan Stanford University Ahli fakulti HAI Nigam Shah berkata. Tetapi anggaran kebarangkalian ini hanya berguna kepada penyedia penjagaan kesihatan jika ia mencetuskan keputusan yang lebih berfaedah.

“Sebagai komuniti, saya rasa kita taksub dengan prestasi model, dan bukannya bertanya, adakah model ini berkesan?” "Kita perlu berfikir di luar kotak."

Pasukan Shah ialah salah satu daripada beberapa kumpulan penyelidikan penjagaan kesihatan untuk menilai sama ada hospital mempunyai keupayaan untuk menyampaikan intervensi berdasarkan model dan sama ada intervensi akan memberi manfaat kepada pesakit dan organisasi penjagaan kesihatan.

"Terdapat kebimbangan yang semakin meningkat bahawa penyelidik AI sedang membina model kiri dan kanan tanpa menggunakan apa-apa," kata Shah. Salah satu sebab untuk ini ialah kegagalan pemodel untuk menjalankan analisis kebergunaan yang menunjukkan cara campur tangan yang dicetuskan oleh model boleh disepadukan secara kos efektif ke dalam operasi hospital sambil menyebabkan lebih banyak kemudaratan daripada kebaikan. “Jika pembangun model sanggup meluangkan masa untuk melakukan analisis tambahan ini, hospital akan memberi perhatian. ” katanya.

Alat untuk analisis kebergunaan sudah wujud dalam penyelidikan operasi, dasar penjagaan kesihatan dan ekonometrik, kata Shah, tetapi pembangun model dalam penjagaan kesihatan telah lambat menggunakannya. Dia sendiri Pasukan cuba mengubahnya mentaliti dengan menerbitkan beberapa kertas kerja yang menggesa lebih ramai orang menilai kegunaan model mereka, termasuk kertas JAMA yang menyatakan keperluan untuk pemodel untuk mempertimbangkan kegunaan, dan kertas kajian, yang mencadangkan rangka kerja untuk menganalisis kegunaan model ramalan dalam penjagaan kesihatan dan menunjukkan cara ia berfungsi menggunakan contoh dunia sebenar seperti yang mungkin ditambah oleh hospital pada operasinya Seperti mana-mana yang baharu, menggunakan model baharu mesti berbaloi," kata Shah. "Terdapat rangka kerja yang matang untuk menentukan nilai. model. Kini tiba masanya untuk pemodel untuk menggunakannya. ”

Fahami interaksi antara model, intervensi dan kebaikan dan keburukan intervensi

Seperti yang ditunjukkan di atas, kebergunaan model bergantung pada

Pertama,

Model -yang sering mendapat perhatian -harus menjadi baik untuk meramalkan apa yang sepatutnya diramalkan, kata Shah. menghidap diabetes, kata Shah, juga perlu saksama, bermakna ramalan yang dihasilkannya berlaku sama rata kepada semua orang, tanpa mengira kaum, etnik, kewarganegaraan atau jantina dan mesti boleh digeneralisasikan dari satu tapak hospital ke tapak lain], atau sekurang-kurangnya membuat ramalan yang boleh dipercayai tentang penduduk hospital tempatan; lebih-lebih lagi, ia harus boleh ditafsirkan > Organisasi penjagaan kesihatan mesti membangunkan dasar tentang bila dan bagaimana untuk campur tangan berdasarkan ujian atau model, dan keputusan tentang siapa yang bertanggungjawab untuk campur tangan , bahan, atau sumber lain) untuk melaksanakan campur tangan > Shah berkata membangunkan dasar tentang sama ada atau bagaimana untuk campur tangan dengan cara tertentu sebagai tindak balas kepada model mempengaruhi ekuiti kesihatan, Shah berkata, "Penyelidik menghabiskan terlalu banyak masa untuk memberi tumpuan sama ada model adalah sama tepat untuk semua orang Dan tidak cukup masa dibelanjakan untuk memberi tumpuan kepada sama ada campur tangan akan memberi manfaat kepada semua orang secara sama rata – walaupun kebanyakan ketidaksamaan yang kami cuba tangani timbul daripada yang kedua. ”Sebagai contoh, meramalkan pesakit yang tidak akan hadir untuk temu janji mereka mungkin tidak adil jika ramalannya adalah sama tepat merentas semua kumpulan kaum dan etnik, tetapi pilihan cara untuk campur tangan — sama ada Pelantikan pendua kali atau menyediakan sokongan pengangkutan untuk membantu orang ramai mendapatkan temu janji mereka - mungkin mempunyai kesan yang berbeza pada kumpulan orang yang berbeza Ketiga, faedah campur tangan melebihi bahaya, kata Shah , sebarang campur tangan boleh membawa kesan positif dan negatif, jadi kebergunaan ramalan model akan bergantung pada kebaikan dan keburukan intervensi yang dicetuskannya.

Untuk memahami interaksi ini, pertimbangkan model ramalan yang biasa digunakan: persamaan risiko penyakit kardiovaskular aterosklerotik (ASCVD), yang bergantung pada sembilan titik data utama termasuk umur, jantina, bangsa, jumlah kolesterol , kolesterol LDL/HDL, tekanan darah, sejarah merokok, status diabetes, dan penggunaan ubat antihipertensi) untuk mengira risiko 10 tahun pesakit serangan jantung atau strok. Analisis kegunaan lengkap bagi persamaan risiko ASCVD akan mempertimbangkan tiga bahagian rajah di atas dan mendapati ia berguna, kata Shah.

Pertama, model ini secara meluas dianggap sebagai sangat meramalkan penyakit jantung, dan juga adil, boleh digeneralisasikan dan boleh ditafsir. Kedua, kebanyakan institusi perubatan campur tangan dengan mengikuti dasar standard mengenai tahap risiko dalam menetapkan statin dan mempunyai kapasiti yang mencukupi untuk campur tangan kerana statin tersedia secara meluas. Akhir sekali, analisis bahaya/manfaat penggunaan statin menunjukkan bahawa kebanyakan orang mendapat manfaat daripada statin, walaupun sesetengah pesakit tidak boleh bertolak ansur dengan kesan sampingannya.

Contoh analisis kegunaan model: Perancangan Penjagaan Lanjutan

Contoh ASCVD di atas, walaupun berbentuk ilustrasi, mungkin merupakan salah satu model ramalan yang paling mudah. Tetapi model ramalan mempunyai potensi untuk mencetuskan campur tangan yang mengganggu aliran kerja penjagaan kesihatan dengan cara yang lebih kompleks, dan faedah dan kemudaratan beberapa campur tangan mungkin kurang jelas.

Untuk menangani isu ini, Shah dan rakan sekerja membangunkan rangka kerja untuk menguji sama ada model ramalan berguna dalam amalan. Mereka menunjukkan rangka kerja menggunakan model yang mencetuskan campur tangan yang dipanggil pelan penjagaan lanjutan (ACP).

ACP selalunya diberikan kepada pesakit yang hampir ke penghujung hayat mereka dan melibatkan perbincangan terbuka dan jujur ​​tentang apa yang mungkin berlaku pada masa hadapan dan kehendak pesakit jika mereka tidak berupaya. Perbualan ini bukan sahaja memberi pesakit rasa kawalan ke atas kehidupan mereka, mereka juga mengurangkan kos penjagaan kesihatan, meningkatkan semangat doktor, dan kadangkala meningkatkan kadar kelangsungan hidup pesakit.

Pasukan Shah di Stanford telah membangunkan model yang boleh meramalkan pesakit hospital mana yang mungkin akan mati dalam tempoh 12 bulan akan datang. Matlamat kami: untuk mengenal pasti pesakit yang mungkin mendapat manfaat daripada ACP. Selepas memastikan model itu meramalkan kematian dengan baik dan adil, boleh ditafsir dan boleh dipercayai, pasukan menjalankan dua analisis tambahan untuk menentukan sama ada campur tangan yang dicetuskan oleh model itu berguna.

Yang pertama ialah analisis kos-manfaat, yang mendapati bahawa campur tangan yang berjaya (menyediakan ACP kepada pesakit yang dikenal pasti dengan betul oleh model yang mungkin mendapat manfaat) akan menjimatkan kira-kira $8,400, sambil menyediakan campur tangan kepada mereka yang tidak memerlukan ACP (iaitu, ralat model ) akan menelan kos kira-kira $3,300. "Dalam kes ini, secara kasarnya, walaupun kami hanya hak ketiga, kami akan pulang modal," kata Shah.

Tetapi analisis tidak berhenti di situ. "Untuk menjimatkan $8,400 yang dijanjikan, kami sebenarnya terpaksa melaksanakan aliran kerja yang melibatkan, katakan, 21 langkah, tiga orang dan tujuh serahan dalam 48 jam," kata Shah. "Jadi, dalam kehidupan sebenar, bolehkah kita melakukannya?"

Untuk menjawab soalan ini, pasukan mensimulasikan campur tangan selama 500 hari di hospital untuk menilai faktor penyampaian penjagaan seperti kakitangan yang terhad atau kekurangan masa Bagaimana manfaatnya. campur tangan terjejas (disebabkan pelepasan pesakit). Mereka juga mengukur faedah relatif peningkatan kakitangan pesakit dalam berbanding menyediakan ACP secara pesakit luar. Keputusan: Mempunyai pilihan pesakit luar memastikan lebih banyak faedah yang dijangkakan direalisasikan. "Kami hanya perlu membuat susulan dengan separuh daripada pesakit yang dibenarkan keluar untuk mendapatkan 75 peratus keberkesanan, yang cukup baik," kata Shah.

Kerja ini menunjukkan bahawa walaupun anda mempunyai model yang benar-benar baik dan intervensi yang sangat baik, model hanya berguna jika anda juga mempunyai keupayaan untuk menyampaikan intervensi, kata Shah. Walaupun melihat ke belakang mungkin membuat keputusan ini kelihatan intuitif, Shah berkata itu tidak berlaku pada masa itu. "Sekiranya kami tidak menyelesaikan kajian ini, Hospital Stanford mungkin baru sahaja mengembangkan kapasiti pesakit dalam untuk menawarkan ACP walaupun ia tidak begitu kos efektif."

Pasukan Shah digunakan untuk menganalisis model, intervensi dan rangka kerja A interaksi antara kebaikan dan keburukan boleh membantu mengenal pasti model ramalan yang berguna dalam amalan. "Sekurang-kurangnya, pemodel harus menjalankan beberapa jenis analisis untuk menentukan sama ada model mereka mencadangkan campur tangan yang berguna," kata Shah. "Ini akan menjadi permulaan."

Atas ialah kandungan terperinci Bagaimanakah kita memastikan AI penjagaan kesihatan berguna?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!