AI-gezondheidszorg

4 Unieke data-uitdagingen Het gebruik van AI in de gezondheidszorg Oorzaken

Het is al vaak genoeg gezegd, maar AI blijkt een gamechanger te zijn in de gezondheidszorg. Van slechts passieve deelnemers aan de zorgketen, nemen patiënten nu de leiding over hun gezondheid door middel van luchtdichte AI-aangedreven patiëntbewakingssystemen, draagbare apparaten, gevisualiseerde inzichten in hun toestand en meer. Vanuit het perspectief van artsen en zorgverleners maakt AI de weg vrij voor robotarmen, geavanceerde analyse- en diagnostische modules, ondersteunende chirurgische bots, voorspellende vleugels om genetische aandoeningen en zorgen te detecteren, en meer.

Omdat AI echter de gezondheidsaspecten blijft beïnvloeden, nemen ook de uitdagingen toe die verband houden met het genereren en onderhouden van gegevens. Zoals u weet, kan een AI-module of -systeem alleen goed presteren als deze gedurende een langere periode nauwkeurig is getraind met relevante en contextuele datasets.

In de blog zullen we de unieke uitdagingen onderzoeken waarmee experts en zorgspecialisten worden geconfronteerd wanneer de gebruikscasussen van AI in de gezondheidszorg blijven toenemen in termen van hun complexiteit.

1. Uitdagingen bij het handhaven van privacy

De zorg is een sector waar privacy cruciaal is. Van de details die ingaan op de elektronische gezondheidsdossiers van patiënten en gegevens die tijdens klinische onderzoeken zijn verzameld tot gegevens die draagbare apparaten voor patiëntbewaking op afstand verzenden, vereist elke centimeter in de zorgruimte uiterste privacy.

Uitdagingen bij het handhaven van privacy Als er zoveel privacy bij komt kijken, hoe worden dan nieuwe AI-toepassingen die in de zorg worden ingezet, getraind? Welnu, in verschillende gevallen zijn patiënten zich er over het algemeen niet van bewust dat hun gegevens worden gebruikt voor studie- en onderzoeksdoeleinden. Regelgeving genoemd door HIPAA houdt ook in dat organisaties en zorgaanbieders patiëntgegevens kunnen gebruiken voor zorgfuncties en gegevens en inzichten kunnen delen met relevante bedrijven.

Hier zijn talloze praktijkvoorbeelden voor. Voor een basisbegrip moet u begrijpen dat Google een 10-jarige onderzoekskennis met Mayo Clinic onderhoudt en beperkte toegang deelt tot gegevens die geanonimiseerd of geanonimiseerd.

Hoewel dit nogal flagrant is, zijn verschillende op AI gebaseerde startups die werken aan het uitrollen van voorspellende analyseoplossingen in de markt over het algemeen vrij rustig over hun bronnen voor hoogwaardige AI-trainingsgegevens. Dit heeft uiteraard te maken met concurrentieredenen.

Omdat het zo'n gevoelig onderwerp is, is privacy iets waar veteranen, experts en onderzoekers steeds meer van houden. Er zijn HIPAA-protocollen voor de-identificatie van gegevens en clausules voor her-identificatie. In de toekomst zullen we moeten werken aan hoe naadloos privacy kan worden gecreëerd en tegelijkertijd geavanceerde AI-oplossingen kunnen ontwikkelen.

2. Uitdagingen bij het elimineren van vooroordelen en fouten

Fouten en vooroordelen in het zorgsegment kunnen dodelijk zijn voor patiënten en zorgorganisaties. Fouten die het gevolg zijn van verkeerd geplaatste of verkeerd uitgelijnde cellen, lethargie of zelfs onvoorzichtigheid kunnen het verloop van medicatie of diagnose voor patiënten veranderen. Uit een rapport van de Pennsylvania Patient Safety Authority bleek dat ongeveer 775 problemen in EPD-modules werden geïdentificeerd. Hiervan bedroegen de menselijke fouten ongeveer 54.7% en de machinegebonden fouten bijna 45.3%.

Naast fouten zijn vooroordelen een andere ernstige oorzaak die ongewenste gevolgen kan hebben bij zorgbedrijven. In tegenstelling tot fouten zijn vooroordelen moeilijker te herkennen of te identificeren vanwege de inherente neiging tot bepaalde overtuigingen en praktijken.

Een klassiek voorbeeld van hoe vooringenomenheid slecht kan zijn, komt uit een rapport dat deelt dat algoritmen die worden gebruikt om huidkanker bij mensen te detecteren, doorgaans minder nauwkeurig zijn op donkere huidtinten, omdat ze meestal zijn getraind om symptomen op lichte huidtinten te detecteren. Het detecteren en elimineren van vooroordelen is cruciaal en de enige weg vooruit voor betrouwbaar gebruik van AI in de gezondheidszorg.

Hoogwaardige gezondheidszorg/medische gegevens voor AI- en ML-modellen

3. Uitdagingen bij het vaststellen van bedrijfsnormen

Data-interoperabiliteit is een belangrijk woord om te onthouden in de gezondheidszorg. Zoals u weet, is gezondheidszorg een ecosysteem van verschillende elementen. Je hebt klinieken, diagnostische centra, revalidatiecentra, apotheken, R&D-vleugels en meer. Vaak vereisen meer dan één van deze elementen gegevens om te werken aan hun beoogde doeleinden. In dergelijke gevallen moeten de verzamelde gegevens uniform en gestandaardiseerd zijn, zodat ze er hetzelfde uitzien en hetzelfde lezen, ongeacht wie ernaar kijkt.

Uitdagingen bij het vaststellen van bedrijfsnormen Bij gebrek aan standaardisatie zal er chaos zijn waarbij elk element zijn eigen versie van hetzelfde record behoudt. Dus wie vanuit een nieuw perspectief naar een dataset kijkt, is automatisch verloren en heeft de hulp van de betrokken autoriteit nodig om de inhoud van de dataset te begrijpen.

Om dit te voorkomen, moet standaardisatie tussen entiteiten effectiever worden gemaakt. Betekenis, specifieke formaten, voorwaarden en protocollen moeten duidelijk worden vastgelegd voor verplichte naleving. Alleen dan kunnen die gegevens naadloos interoperabel zijn.

4. Uitdagingen bij het handhaven van de beveiliging

Veiligheid is een ander cruciaal punt van zorg in de gezondheidszorg. Dit is wat het duurst zal blijken wanneer aspecten met betrekking tot gegevensprivacy minder serieus worden genomen. Gegevens in de gezondheidszorg zijn een schat aan inzichten voor hackers en uitbuiters en de laatste tijd zijn er talloze gevallen van cyberbeveiligingsinbreuken geweest. Ransomware en andere kwaadaardige aanvallen zijn over de hele wereld uitgevoerd.

Zelfs te midden van de Covid-19-pandemie, dicht bij 37% van de respondenten op een enquête vertelden dat ze een ransomware-aanval hadden meegemaakt. Cybersecurity is op elk moment essentieel.

Afsluiten

Data-uitdagingen in de zorg beperken zich niet alleen tot deze. Naarmate we geavanceerde integratie en werking van AI in de gezondheidszorg begrijpen, worden de uitdagingen alleen maar ingewikkelder, overlappend en verweven.

Zoals altijd zouden we een manier vinden om de uitdagingen aan te gaan en plaats te maken voor geavanceerde AI-systemen die beloven te maken gezondheidszorg AI nauwkeuriger en toegankelijker.

Sociale Share