Warum gibt es keine maschinell lernenden Arztbots, um die Diagnose zu erleichtern?

Aus dem gleichen Grund sind selbstfahrende Autos noch nicht Mainstream. Dies ist eine wesentlich einfachere Aufgabe als die medizinische Diagnose und erwiesen sich als viel sicherer, aber es ist immer noch nicht annähernd Mainstream. Ich nehme an, Ihre Frage ist, warum sie Ärzte nicht ersetzt haben, da das Wort erleichtern verschiedene Dinge in verschiedenen Kontexten bedeuten kann.

  1. Rechtmäßigkeit. Wenn ein selbstfahrendes Auto abgestürzt ist, wer ist dann schuld? Der Fahrer, der beaufsichtigt werden sollte oder der Autohersteller? Setzen Sie dies nun in den medizinisch-rechtlichen Kontext und Sie können sich den legalen Shitstorm vorstellen.
  2. Beziehung. Eine Arzt-Patient-Beziehung kann nicht durch eine Maschine ersetzt werden. Wir sind soziale Tiere und bauen Überstunden.
  3. Lügen und Interpretationen. Dasselbe Wort bedeutet verschiedene Dinge, wenn es auf verschiedene Arten und in verschiedenen Kontexten gesagt wird. Als Mediziner müssen wir subtile Hinweise in der Geschichte aufgreifen können, die uns sagen, dass etwas nicht stimmt. Wir können nicht 100% Wahrheit annehmen, da Patienten sich oft nicht richtig an Dinge erinnern oder vergessen, etwas zu erwähnen. Es wird Dinge geben, die sie nicht addieren. Maschinen werden es schwer haben, dies zu tun.

Last but not least wird es für faule Ärzte sorgen. Nachdem CT-Scans allgemein verfügbar wurden, hörten die Menschen auf, klinische Entscheidungen über Erkrankungen wie Appendizitis zu treffen. Jeder erhielt einen CT-Scan und als Ergebnis ist die Fähigkeit, eine Geschichte und Prüfung zu nehmen, verloren. Ich versuche mein Bestes, um zuerst eine Diagnose zu haben, bevor ich auf das Scannen zur Bestätigung zurücksuche, anstatt einen Scan zu machen, um eine Diagnose zu bekommen.

Eines Tages wird die Technologie den Ärzten bei Routinetätigkeiten wie der Meldung von Pathologie- und Radiologieergebnissen helfen, aber die Interaktionen zwischen Arzt und Patient werden für eine Weile menschlich bleiben.

Dies war eine Anwendung von Expertensystemen in den 1960er und 70er Jahren. Eine der frühesten KI-Implementierungen war MYCIN in Stanford, die sich mit der Diagnose einer bakteriellen Infektion befasste.

Im Vergleich zu den Humandiagnostikern hat es relativ gut abgeschnitten.

In Bezug darauf, warum dies nicht üblich ist, gibt es einige Gründe.

Ärzte sind sehr resistent gegen das, was sie als eine grobe Vereinfachung ihres Prozesses betrachten. Darin sind sie völlig richtig. Ein Frontlinienarzt muss mit einem Patienten sprechen, sie beobachten und sie berühren. All diese sensorischen Inputs verbinden sich mit den Daten der Tests (Blut, Urin, Scanning, DNA usw.) zu einer umfassenden Sichtweise.

Sie können sich sicherlich nicht darauf verlassen, dass ein Patient Werte an einer Tastatur eingibt. Die Antworten werden wahrscheinlich nicht korrekt sein.

Versicherungsunternehmen misstrauen neuen Ansätzen, die ihnen viel Geld kosten könnten. Die Erfolgsbilanz der fortgeschrittenen Technologie bei der Senkung der Kosten für die medizinische Versorgung ist nicht gut.

Allerdings gibt es Arten von Diagnosen, die besser dem maschinellen Lernen überlassen werden. Die Identifizierung einer differenzierten Genexpression bei Krebs ist nichts, was Menschen ohne weiteres tun können. Einfach zu viele Variablen, um damit umzugehen.

Aber wenn Sie sich die Liste der am stärksten differenzierten Gene für verschiedene Krebsformen ansehen, werden Sie immer Tumorsuppressorgene auf der Liste sehen. Aber zu verstehen, dass PTEN eine Wirkung von Krebs und keine Ursache ist, ist eine kritische menschliche Fähigkeit.

Es wird also weiterhin Fortschritte bei der Unterstützung des Diagnoseprozesses durch fortschrittliche Technologien geben, aber das menschliche Element wird weiterhin notwendig sein.

Nun, das maschinelle Lernen ist noch lange nicht abgeschlossen, bevor die Möglichkeiten zur Automatisierung einer fortgeschrittenen medizinischen Diagnose in Frage gestellt werden. Hinzu kommt, dass Ärzte immer noch unbehaglich sind, wenn sie ihre gesamte diagnostische Praxis einem Computer überlassen. Und das ist auch gültig.

Was ist der Prozess eines maschinellen Lernalgorithmus? Es wird zuerst zufällig ausgeführt und korrigiert dann den Fehler, umschult und berechnet bessere Ergebnisse. Die Fehlermarge bei der Diagnose ist sehr eng und da ein maschineller Lernalgorithmus niemals 100% Genauigkeit haben kann, könnte eine falsche Diagnose zu schwerwiegenden Komplikationen führen. Jetzt möchte kein Arzt, dass seine Patienten passieren.

Natürlich wird maschinelles Lernen während der Behandlung und unter strenger Überwachung verwendet, aber ein Arzt, der die Diagnose durchführt, kann als effizienter angesehen werden als die Überwachung, wenn ein Computer die richtigen Ergebnisse vorhersagt oder nicht. Nun, mit den aktuellen Architekturen ist dies das Szenario. In naher Zukunft wäre es natürlich sinnvoll, mit besseren Werkzeugen zur Verarbeitung von Informationen und besseren bildgebenden Technologien und medizinischen Geräten, die mit Computern zusammenarbeiten, eine vollautomatische maschinelle Lerndiagnose in Anspruch zu nehmen.