Watson non ha morso il dottore e molto bene

Sebbene, come in molti altri campi, l'entusiasmo di sostituire i medici con l'IA sia leggermente diminuito dopo una serie di fallimenti diagnostici, il lavoro sullo sviluppo della medicina basata sull'IA è ancora in corso. Perché, tuttavia, offrono ancora grandi opportunità e un'opportunità per migliorare l'efficienza delle operazioni in molte delle sue aree.

IBM è stata annunciata nel 2015 e nel 2016 ha ottenuto l'accesso ai dati di quattro importanti società di dati sui pazienti (1). Il più famoso, grazie a numerosi resoconti dei media, e allo stesso tempo il più ambizioso progetto che utilizza l'intelligenza artificiale avanzata di IBM era legato all'oncologia. Gli scienziati hanno cercato di utilizzare le vaste risorse di dati per elaborarli al fine di trasformarli in terapie antitumorali ben adattate. L'obiettivo a lungo termine era convincere Watson ad arbitrare test clinici e risultati come farebbe un medico.

1. Una delle visualizzazioni del sistema medico Watson Health

Tuttavia, si è scoperto che Watson non può fare riferimento in modo indipendente alla letteratura medica e inoltre non può estrarre informazioni dalle cartelle cliniche elettroniche dei pazienti. Tuttavia, l'accusa più grave contro di lui era quella incapacità di confrontare efficacemente un nuovo paziente con altri malati di cancro più anziani e rilevare sintomi che sono invisibili a prima vista.

C'erano, è vero, alcuni oncologi che affermavano di avere fiducia nel suo giudizio, anche se principalmente in termini di suggerimenti di Watson per trattamenti standard o come parere medico aggiuntivo. Molti hanno sottolineato che questo sistema sarà un ottimo bibliotecario automatizzato per i medici.

Come risultato di recensioni non molto lusinghiere da parte di IBM problemi con la vendita del sistema Watson nelle istituzioni mediche statunitensi. I rappresentanti di vendita IBM sono riusciti a venderlo ad alcuni ospedali in India, Corea del Sud, Thailandia e altri paesi. In India, i medici () hanno valutato le raccomandazioni di Watson per 638 casi di cancro al seno. Il tasso di compliance per le raccomandazioni terapeutiche è del 73%. Peggio Watson ha abbandonato il Gachon Medical Center in Corea del Sud, dove le sue migliori raccomandazioni per 656 pazienti con cancro del colon-retto corrispondevano alle raccomandazioni degli esperti solo nel 49% delle volte. I medici lo hanno valutato Watson non si comportava bene con i pazienti più anzianinon offrendo loro alcuni farmaci standard e ha commesso l'errore critico di intraprendere una sorveglianza aggressiva del trattamento per alcuni pazienti con malattia metastatica.

In definitiva, sebbene il suo lavoro di diagnostico e medico sia considerato infruttuoso, ci sono aree in cui si è rivelato estremamente utile. Prodotto Watson per la genomica, che è stato sviluppato in collaborazione con l'Università della Carolina del Nord, la Yale University e altre istituzioni laboratori genetici per la preparazione di referti per oncologi. Watson scarica il file dell'elenco mutazioni genetiche in un paziente e può generare in pochi minuti un rapporto che includa suggerimenti per tutti i farmaci importanti e le sperimentazioni cliniche. Watson gestisce le informazioni genetiche con relativa facilitàperché sono presentati in file strutturati e non contengono ambiguità - o c'è una mutazione o non c'è mutazione.

I partner IBM dell'Università della Carolina del Nord hanno pubblicato un documento sull'efficienza nel 2017. Watson ha trovato mutazioni potenzialmente importanti che non sono state identificate da studi sull'uomo nel 32% di esse. i pazienti hanno studiato, rendendoli buoni candidati per il nuovo farmaco. Tuttavia, non ci sono ancora prove che l'uso porti a migliori risultati del trattamento.

Addomesticamento delle proteine

Questo e molti altri esempi contribuiscono alla crescente convinzione che tutte le carenze nell'assistenza sanitaria vengano affrontate, ma dobbiamo cercare aree in cui ciò possa davvero aiutare, perché le persone non stanno andando molto bene lì. Tale campo è, ad esempio, ricerca sulle proteine. L'anno scorso, sono emerse informazioni che potrebbero prevedere con precisione la forma delle proteine ​​in base alla loro sequenza (2). Questo è un compito tradizionale, al di là del potere non solo delle persone, ma anche dei potenti computer. Se padroneggiamo la modellazione precisa della torsione delle molecole proteiche, ci saranno enormi opportunità per la terapia genica. Gli scienziati sperano che con l'aiuto di AlphaFold studieremo le funzioni di migliaia e questo, a sua volta, ci consentirà di comprendere le cause di molte malattie.

Figura 2. Torsione delle proteine ​​modellata con AlphaFold di DeepMind.

in questo momento conosciamo duecento milioni di proteine, ma comprendiamo appieno la struttura e la funzione di una piccola parte di essi. Proteine è l'elemento costitutivo di base degli organismi viventi. Sono responsabili della maggior parte dei processi che si verificano nelle cellule. Come funzionano e cosa fanno è determinato dalla loro struttura 50D. Prendono la forma appropriata senza alcuna istruzione, guidati dalle leggi della fisica. Per decenni, i metodi sperimentali sono stati il ​​metodo principale per determinare la forma delle proteine. Negli anni 'XNUMX, l'uso Metodi cristallografici a raggi X. Nell'ultimo decennio è diventato lo strumento di ricerca preferito. microscopia a cristalli. Negli anni '80 e '90, iniziò il lavoro sull'utilizzo dei computer per determinare la forma delle proteine. Tuttavia, i risultati non hanno ancora soddisfatto gli scienziati. I metodi che hanno funzionato per alcune proteine ​​non hanno funzionato per altre.

Già nel 2018 AlphaFold ha ricevuto il riconoscimento di esperti in modellazione proteica. Tuttavia, all'epoca utilizzava metodi molto simili ad altri programmi. Gli scienziati hanno cambiato tattica e ne hanno creata un'altra, che utilizzava anche informazioni sulle restrizioni fisiche e geometriche nel ripiegamento delle molecole proteiche. AlphaFold ha dato risultati irregolari. A volte ha fatto meglio, a volte peggio. Ma quasi due terzi delle sue previsioni coincidevano con i risultati ottenuti con metodi sperimentali. All'inizio dell'anno 2, l'algoritmo ha descritto la struttura di diverse proteine ​​del virus SARS-CoV-3. Successivamente, si è riscontrato che le previsioni per la proteina Orf2020a sono coerenti con i risultati ottenuti sperimentalmente.

Non si tratta solo di studiare le modalità interne di ripiegamento delle proteine, ma anche di progettazione. I ricercatori dell'iniziativa NIH BRAIN hanno utilizzato apprendimento automatico sviluppare una proteina in grado di monitorare i livelli di serotonina nel cervello in tempo reale. La serotonina è una sostanza neurochimica che gioca un ruolo chiave nel modo in cui il cervello controlla i nostri pensieri e sentimenti. Ad esempio, molti antidepressivi sono progettati per modificare i segnali della serotonina che vengono trasmessi tra i neuroni. In un articolo sulla rivista Cell, gli scienziati hanno descritto come usano l'avanzato metodi di ingegneria genetica trasformare una proteina batterica in un nuovo strumento di ricerca che potrebbe aiutare a monitorare la trasmissione della serotonina con maggiore precisione rispetto ai metodi attuali. Esperimenti preclinici, principalmente sui topi, hanno dimostrato che il sensore può rilevare istantaneamente sottili cambiamenti nei livelli di serotonina nel cervello durante il sonno, la paura e le interazioni sociali e testare l'efficacia di nuovi farmaci psicoattivi.

La lotta alla pandemia non ha sempre avuto successo

Dopotutto, questa è stata la prima epidemia di cui abbiamo scritto in MT. Tuttavia, ad esempio, se parliamo del processo stesso di sviluppo della pandemia, nella fase iniziale l'IA sembrava essere una sorta di fallimento. Gli studiosi si sono lamentati di questo intelligenza artificiale non è in grado di prevedere correttamente l'entità della diffusione del coronavirus sulla base dei dati di precedenti epidemie. “Queste soluzioni funzionano bene in alcune aree, come il riconoscimento di volti che hanno un certo numero di occhi e orecchie. Epidemia SARS-CoV-2 Questi sono eventi precedentemente sconosciuti e molte nuove variabili, quindi l'intelligenza artificiale basata sui dati storici utilizzati per addestrarla non funziona bene. La pandemia ha dimostrato che dobbiamo cercare altre tecnologie e approcci", ha affermato Maxim Fedorov di Skoltech in una dichiarazione di aprile 2020 ai media russi.

Nel tempo ci sono stati tuttavia algoritmi che sembrano dimostrare la grande utilità dell'IA nella lotta al COVID-19. Scienziati negli Stati Uniti hanno sviluppato un sistema nell'autunno del 2020 per riconoscere i modelli di tosse caratteristici nelle persone con COVID-19, anche se non presentavano altri sintomi.

Quando sono comparsi i vaccini, è nata l'idea per aiutare a vaccinare la popolazione. Potrebbe, per esempio aiutare a modellare il trasporto e la logistica dei vaccini. Anche nel determinare quali popolazioni dovrebbero essere vaccinate per prime per affrontare più velocemente la pandemia. Aiuterebbe anche a prevedere la domanda e ottimizzare i tempi e la velocità della vaccinazione identificando rapidamente problemi e colli di bottiglia nella logistica. La combinazione di algoritmi con monitoraggio costante può anche fornire rapidamente informazioni su possibili effetti collaterali ed eventi sulla salute.

queste sistemi che utilizzano l'IA nell'ottimizzazione e nel miglioramento dell'assistenza sanitaria sono già noti. I loro vantaggi pratici furono apprezzati; per esempio, il sistema sanitario sviluppato da Macro-Eyes presso la Stanford University negli Stati Uniti. Come nel caso di molte altre istituzioni mediche, il problema era la mancanza di pazienti che non si presentavano agli appuntamenti. Macro occhi ha costruito un sistema in grado di prevedere in modo affidabile quali pazienti probabilmente non sarebbero stati presenti. In alcune situazioni, potrebbe anche suggerire orari e luoghi alternativi per le cliniche, il che aumenterebbe le possibilità che un paziente si presenti. Successivamente, una tecnologia simile è stata applicata in vari luoghi dall'Arkansas alla Nigeria con il supporto, in particolare, dell'Agenzia statunitense per lo sviluppo internazionale i.

In Tanzania, Macro-Eyes ha lavorato a un progetto mirato aumento dei tassi di vaccinazione infantile. Il software ha analizzato quante dosi di vaccini dovevano essere inviate a un determinato centro di vaccinazione. È stato anche in grado di valutare quali famiglie potrebbero essere riluttanti a vaccinare i propri figli, ma potrebbero essere persuase con argomentazioni appropriate e l'ubicazione di un centro di vaccinazione in una posizione conveniente. Utilizzando questo software, il governo della Tanzania è stato in grado di aumentare l'efficacia del suo programma di immunizzazione del 96%. e ridurre lo spreco di vaccino a 2,42 per 100 persone.

In Sierra Leone, dove mancavano i dati sanitari dei residenti, l'azienda ha cercato di associarli a informazioni sull'istruzione. Si è scoperto che il numero di insegnanti e dei loro studenti da solo era sufficiente per prevedere il 70%. l'accuratezza del fatto che la clinica locale abbia accesso all'acqua pulita, che è già un'impronta di dati sulla salute delle persone che vi risiedono (3).

3. Illustrazione Macro-Eyes di programmi sanitari basati sull'intelligenza artificiale in Africa.

Il mito del dottore della macchina non scompare

Nonostante i fallimenti Watson nuovi approcci diagnostici sono ancora in fase di sviluppo e sono considerati sempre più avanzati. Confronto effettuato in Svezia a settembre 2020. utilizzato nella diagnostica per immagini del cancro al seno ha mostrato che il migliore di loro funziona allo stesso modo di un radiologo. Gli algoritmi sono stati testati utilizzando quasi novemila immagini mammografiche ottenute durante lo screening di routine. Tre sistemi, designati come AI-1, AI-2 e AI-3, hanno raggiunto una precisione dell'81,9%, 67%. e 67,4%. Per confronto, per i radiologi che interpretano queste immagini come le prime, questa cifra era del 77,4% e nel caso di radiologichi è stato il secondo a descriverlo, era l'80,1 per cento. Il migliore degli algoritmi è stato anche in grado di rilevare casi che i radiologi hanno mancato durante lo screening e le donne sono state diagnosticate malate in meno di un anno.

Secondo i ricercatori, questi risultati lo dimostrano algoritmi di intelligenza artificiale aiutare a correggere le diagnosi di falsi negativi fatte dai radiologi. La combinazione delle capacità di AI-1 con un radiologo medio ha aumentato il numero di tumori al seno rilevati dell'8%. Il team del Royal Institute che conduce questo studio prevede che la qualità degli algoritmi di intelligenza artificiale continuerà a crescere. Una descrizione completa dell'esperimento è stata pubblicata su JAMA Oncology.

W su una scala a cinque punti. Attualmente si assiste ad una notevole accelerazione tecnologica e al raggiungimento del IV livello (alta automazione), quando il sistema elabora in maniera autonoma i dati ricevuti e fornisce allo specialista informazioni pre-analizzate. In questo modo si risparmia tempo, si evita l'errore umano e si fornisce una cura del paziente più efficiente. Questo è ciò che ha giudicato qualche mese fa Stan AI nel campo della medicina a lui vicino, il prof. Janusz Braziewicz della Società polacca di medicina nucleare in una dichiarazione all'agenzia di stampa polacca.

4. Visualizzazione a macchina di immagini mediche

Algoritmi, secondo esperti come il prof. Brazievichanche indispensabile in questo settore. Il motivo è il rapido aumento del numero di test di diagnostica per immagini. Solo per il periodo 2000-2010. il numero di esami ed esami MRI è decuplicato. Purtroppo non è aumentato il numero di medici specialisti disponibili che potrebbero eseguirli in modo rapido e affidabile. Mancano anche tecnici qualificati. L'implementazione di algoritmi basati sull'intelligenza artificiale consente di risparmiare tempo e consente la completa standardizzazione delle procedure, oltre a evitare l'errore umano e trattamenti più efficienti e personalizzati per i pazienti.

Come si è scoperto, anche medicina legale può beneficiare sviluppo dell'intelligenza artificiale. Gli specialisti in questo campo possono determinare l'ora esatta della morte del defunto mediante l'analisi chimica delle secrezioni di vermi e altre creature che si nutrono di tessuti morti. Un problema sorge quando nell'analisi vengono incluse miscele di secrezioni di diversi tipi di necrofagi. È qui che entra in gioco l'apprendimento automatico. Gli scienziati dell'Università di Albany si sono sviluppati un metodo di intelligenza artificiale che consente un'identificazione più rapida delle specie di vermi sulla base delle loro "impronte chimiche". Il team ha addestrato il proprio programma per computer utilizzando miscele di diverse combinazioni di secrezioni chimiche di sei specie di mosche. Ha decifrato le firme chimiche delle larve di insetti utilizzando la spettrometria di massa, che identifica le sostanze chimiche misurando accuratamente il rapporto tra massa e carica elettrica di uno ione.

Quindi, come puoi vedere, comunque AI come detective investigativo non molto buono, può essere molto utile in un laboratorio forense. Forse ci aspettavamo troppo da lei in questa fase, anticipando algoritmi che avrebbero messo i medici senza lavoro (5). Quando guardiamo intelligenza artificiale più realisticamente, concentrandosi su vantaggi pratici specifici piuttosto che su quelli generali, la sua carriera in medicina sembra di nuovo molto promettente.

5. Visione dell'auto del medico