Sağlık hizmetlerinin dijitalleşmesi uzun süredir beklenen bir gelişme olup, tedavi pratiği, elbette ki açıkça denetlenmiş eski yöntemlerle ilişkilendirilmektedir.
Ancak gün geçtikçe, yapay zeka çeşitli biçimlerde kliniklere sızmaktadır. Bu uygulamalar arasında tahminsel analizler, akıllı protezler, mobil teşhisler ve beyin implantları bulunmaktadır. Ayrıca, ChatGPT gibi büyük dil modellerinin (LLM'ler) ortaya çıkmasıyla, bu teknolojinin sağlık hizmetlerine nasıl yardımcı olabileceğini araştırıyoruz.
Çoğu çalışma halen pilot çalışma şeklinde olsa da, yapay zekanın gelecek on yıllarda sağlık hizmetlerinin nasıl sunulduğunu şekillendirmede önemli bir rol oynayacağı açıktır.
AI araştırma ve eğitim girişimi Fast.ai'in kurucu ortağı ve tıbba derin öğrenimi uygulayan ilk şirketin kurucusu Jeremy Howard; "Derin öğrenme yapay zeka nihayet teknik altyapının hazır olmasından ve eğitmek için verilerin mevcut olmasından sonra, gerçekten zorlu çalışmaların yıllarından sonra bu süreci tamamladı," dedi.
Şu anda, tıpta yapay zekayı uygulamanın en ileri durumu, çok iyi kurulmuş makine öğrenme türlerini kullanan küçük ölçekli çalışmalardan oluşmaktadır. Bu programlar, yıllar boyunca değerini kanıtlamıştır. Bunlar nihayet kliniğe alınmakta ve gerçek zamanlı beyin aktivitesi okumalarından elektronik sağlık kayıtlarına kadar çeşitli verilere uygulanmaktadır.
İlginizi çekebilir: Sağlık Teknolojileri Girişimi Teale Yatırım Aldı
Hastane Yatış Tahminlerinde Yapay Zeka Kullanımı
Yeni türdeki makine öğrenme yapay zeka, ChatGPT gibi şeyler, şu anda henüz kliniklerin hassas alanında güvenilir olacak kadar yeni olmasına rağmen dikkat çekmektedir.
Zaten, makine öğrenmenin kullanımı, katılan hastalar için dönüşümsel olmuştur. Bisiklet kazası mağduru 40 yaşındaki Gert-Jan Oskam, ona tekrar ayakta durma ve yürüme olanağı sağlayan yeni türde bir beyin-bilgisayar arayüzü verildi. Oskam, bu cihazın hayatını değiştiren bir etkisi olduğunu Nature dergisine belirtti.
"Geçen hafta boyanması gereken bir şey vardı ve yardım edecek kimse yoktu," dedi Oskam. "Bu yüzden yürüteç ve boyayı aldım ve ayakta dururken kendim yaptım."
Sağlık hizmetlerinde yapay zekanın erken dönemdeki en dramatik başarılarından biri, ciddi yaralanmalara sahip bireylerin işlevselliğini geri kazanmak için çeşitli türde protezlerle hala sayıca az olan başarılardır.
Yer açın, Elon Musk: efsanevi "beyin-bilgisayar arayüzü" veya Musk'ın klinik denemelere koyacağını söylediği BCI, zaten özenle geliştirilmiş makine öğrenme türlerini kullanarak şaşırtıcı bir şekilde gerçekleştirilmiştir.
Büyük Dil Modelleri ve Sağlık Alanında Yerel Düzenlemeler
Stanford ekibi tarafından başarılması sağlanan "diijital köprü", beyin sinyallerini sensörler ve kablosuz teknoloji kullanarak omuriliği etrafından yönlendiren bir cihazdır. Bu cihaz, on yıl önceki bir bisiklet kazası sonucu omurilik yaralanması sonrasında neredeyse hiç yürüme yeteneği olmayan Oskam'a yürüme yeteneği kazandırdı.
Araştırmacılar Henri Lorach ve ekibi, Nature dergisinde Mayıs ayında Oskam'a bir "beyin-omurilik arayüzü" yerleştirdiklerini açıkladı. O, bir yürüteçin yardımıyla bazı adımlar atmaya yetenek kazanabilmesi için omurilik epidural elektriksel uyarım programının beş aylık bir süresini takip eden sınırlı kullanım sağlamıştı.
Lorach ve ekibi, beyinin hareketi kontrol ettiği bilinen her iki yarım küresinin üst kısmına 64 elektroddan oluşan iki cihaz yerleştirdi. Bu sensörler, hareketi kontrol etmek için kullanılan niyetlere bağlı olarak bilinen elektrokortikogram (ECoG) adı verilen sinyalleri topladı. ECoG sinyalleri, hastanın takması için üretilmiş 3D yazıcıyla üretilen bir başlık aracılığıyla kablosuz olarak alındı ve bir USB kablosu aracılığıyla sırt çantasında taşınan bir "baz istasyonu" bilgisayara bağlandı.
"Elektronik Sağlık Kayıtlarının Rolü ve Veri Kullanımı
Sırt çantasındaki bilgisayar, ECoG desenlerini "niyeti harekete geçiren" elektriksel uyarıya dönüştüren komutlara çevirir. Bu komutlar, "niyetlenen hareketleri yürüten kasları devreye sokan" elektriksel uyarıya dönüştürülerek kablosuz olarak "lumbosakral" bölgenin üstüne yerleştirilen üçüncü bir cihaz olan "atış üreteci"ye gönderilir.
Bu sadece beyin sensör implantlarının bir meselesi değil. Lorach ve ekibinin beyin sinyallerini hareket niyetini yorumlamak için geliştirdiği makine öğrenme algoritmaları önemli bir unsurdur.
"Çevrimiçi uyarlanabilir denetimli öğrenme algoritması" adı verilen bir yaklaşım kullanılarak, program, hasta ilk olarak ekran üzerindeki bir avatarın uzuvlarını ve daha sonra bir dış iskeletin uzuvlarını hareket ettirmeye çalışırken denemeler yaptıkça ayarlanır.
Yazılım, uzmanların karışık bir modeli kontrol ettiği, farklı komutların farklı uzuvları kontrol ettiği bir "uzmanların karışımı" ve ardından yıllardır kullanılan bir algoritma türü olan "Gizli Markov modeli" olarak adlandırılan şeyi içeren bir dizi makine öğrenme bilimini birleştirir. Hareket niyetinin hesaplamaları hasta hareket ettiği sırada gerçek zamanlı olarak yapılır. Algoritmanın daha fazla ayrıntısı takımın 2022'den önceki bir makalesinde bulunabilir.
Bilim insanları, beyinden sinyal toplamanın ve bunları makine öğrenme aracılığıyla çözmenin işlevselliği geri kazanmak için başka yollarını keşfettiklerini buluyorlar.
Ayrıca: Amazon AWS, doktorların konuşmalarını transkript etmek için HealthScribe'ı sunuyor.
Geleceğin Tıbbında Yapay Zeka ve EHR Entegrasyonu
Geçen ay, Kaliforniya Üniversitesi, San Francisco'daki Nörolojik Cerrahi Bölümü'nden Sean Metzger ve ekibi, doğal konuşma yeteneğini yaklaşık yirmi yıl önce sessizleştirilen bir felç mağdurundan alam 47 yaşındaki bir felç mağdurundan gelen sinyallerden ses oluşturan bir konuşma çözücüsü hakkında Nature dergisinde bilgi verdi.
Söz konusu çoklu modalite konuşma çözücüsü, beyin sensörlerini kullanarak beyin sensör-motor korteksin bölgelerinden gelen sinyalleri "niyetlenen cümlelere" çözer. Bu bölge, "dudakların, dilin ve çenenin denemeli hareketleri"nden sorumludur. Sinyaller, araştırmacılar tarafından "vokal yolu temsilcilerine" çevrilir ve ardından metin ekranında, konuşulan kelimelerin üretilmiş sesli çıktısında ve konuşan bir avatarın hareketlerinde kullanılan "vokal yolu temsilcilerine" çevrilir.
Tekrar belirtmek gerekirse, buradaki anahtar nokta sadece sensörler değil, aynı zamanda makine öğrenme algoritmalarıdır. ECoG'nin sesli yol denemelerinin sinyalleri, diğer bir makine öğrenme algoritma türü olan "iki yönlü rekürren sinir ağı" veya "RNN" olarak bilinen, zaman serisi verilerini modelleme için uzun süredir kullanılan bir programla beslendi. RNN, hastanın bir ekranda gösterilen belirli cümleleri denemeye çalıştığı (hasta tarafından ekranda gösterilen belirli cümlelerin beyin aktivitesini bir çeşit çıktıya eşleme şekli) tahmin edilmesi şeklinde ilk olarak beyin aktivitesini çıktıya bağlama türüne denk gelen eğitildiği bir formdur.
İlginizi çekebilir: Sağlıklı Yaşam Platformu Gympass Yatırım Aldı
"Risk Tahmininde Yapay Zeka Algoritmalarının Doğruluğu
Ancak, bu tür bir eğitim sürecinin iki haftası sonunda, RNN, hastanın belirli cümleleri söylemeye çalıştığı (hasta tarafından ekranda gösterilen belirli cümlelerin beyin aktivitesini çıktıya eşleme şekli) spontane metin çıktısı üretmeye başladı. Program, hastanın var olan yardımcı cihazı olan bir ekran üzerindeki kelimelere başıyla onay vermek zorunda kaldığı, fizikçi Steven Hawking'in kullandığına benzer bir şekilde ekrandaki kelimelere başıyla onay vermek zorunda olduğu bir baş izleme düzeni olan varolan yardımcı cihazla üretebildiği 14 kelimeden daha hızlı olarak dakikada 78 kelime üretebildi.
Benzer şekilde, RNN, ECoG'yi bir dalga formıyla eşleştirmek için eğitilebildi, bu da ardından bir ses üreteciyi sürmek için kullanılabilecek bir dalgayı eşleştirebilirdi. Hastayla sistemi ayarlamak için iki hafta boyunca eğitim verdikten sonra, geliştirdikleri "konuşma-nöroprotez sistemi" o kadar etkileyici sonuçlar gösterdi ki "inanıyoruz ... bu sonuçların, konuşma kaybı yaşayan insanlar için yakın gelecekte pratik faydaları olabilecek önemli bir performans, genelleme ve ifade yeteneği eşiğini aştığını düşünüyoruz," diye yazıyor Metzger ve ekibi.
Üretici Yapay Zeka ve Etik Konular: Regülasyon ve Riskler
Sonuç olarak, hasta "bacaklarının hareketlerini sezgisel bir şekilde kontrol etmeyi yeniden kazandı ve bu ona ayakta durma, yürüme, merdiven çıkma ve hatta karmaşık arazileri geçme yeteneği sağladı," diye belirtti Lorach ve ekibi. Raporla eşlik eden videolar, hastanın oturduğu pozisyondan kalkıp yürüdüğünü göstermektedir, bu durumda baz istasyon bilgisayarı sırt çantasında değil, yürüteçte yerleştirilmiştir.
Bu tür bir cihazın, beyin sensörlerinden gelen sinyalleri çözmek için Lorach ve ekibi tarafından öncülük edilen makine öğrenme algoritmaları kadar önemli olduğunu unutmamak önemlidir.
Georgia Institute of Technology'ten bir ekip, son zamanlarda Science dergisinde bildirildiği gibi, evde, bir telefon ve birkaç yapıştırma ile yapılabilen uyku çalışmaları gibi, tıbbi teşhisin temel sorunu, hastaların devasa ekipmanlar kullanılarak yapılan testler için tıbbi bir tesis ziyaretinde bulunmaları gerekliliğidir.
Yatıştırıcı çalışmaları içeren uyku çalışmalarını ele alalım; genellikle bir tesisde yedi saatlik bir kalışı içerir, elektrodlara bağlı ve gece boyunca personel tarafından izlenir. Bunun yerine evde, bir telefon ve birkaç yapıştırma ile yapılabilir mi?
Atlanta, Georgia'daki Georgia Institute of Technology'ten bir ekip, gömülü esnek devrelerle yapılmış silikon tabanlı kablosuz uyku yapıştırmaları geliştirdiği, son dönemlerde prestijli Science dergisinde bildirildiği gibi, bu tür uyku verilerini ölçmek için canlı bir teknisyenin hastayı gece boyunca izlemesi yerine makine öğrenmeyi kullanırlar.
Prematüre Doğumların Tahmin Edilmesinde Yeni Makine Öğrenme Yaklaşımları
Yapıştırmalar, hastaların evde alınabileceği şekilde yüze takılabilen silikon tabanlı cihazlardır, biri alına, biri çene üzerine. Bunlar, uyku apnesini tespit etmek için kullanılan elektroensefalografi (EEG) ve elektrookulografi (EOG) verilerini ölçmek için makine öğrenmeyi kullanır. Yapıştırmalar bir uyku kliniğinde kullanılan jel tabanlı elektrotların aksine günler boyunca kullanılabilir.
Yapıştırmalar, EEG ve EOG verilerini Bluetooth aracılığıyla yatak başında bulunan bir mobil cihaza ileterek çalışır ve mobil cihaz, spektrum aktivitesi olarak temsil edilen verileri analiz etmek için makine öğrenme işhorse olan "evrişimli sinir ağı" veya "CNN" kullanır. Bir CNN ile, aktivitenin bir spektrumu olarak temsil edilen veriler analiz edilerek uyku apnesi tespit edilebilir.
Baş yazar Shinjae Kwon ve ekibi, sekiz katılımcı ile yapılan denemelerde, "sistemin performansının yüzde 88,52'lik yüksek bir doğruluk gösterdiğini" belirledi. Ayrıca, ev yapıştırmalarının tespiti ve CNN'nin, "yatak odaklı polisomnografi" olarak bilinen altın standart klinik tabanlı uyku çalışmaları tarafından üretilen yüzde 82,4'lük tespitle "yüksek bir anlaşma" gösterdiği belirlendi.
Sağlıkta Yapay Zeka Eğitimi ve Toplum Sağlığına Erişi
Kwon ve ekibi, sistemin geniş çaplı bir çalışmasını yapmayı ve sensörlerin uyku apnesinin teşhis edilmesinin yanı sıra kan oksijen doygunluğu, karbondioksit ve hareket dahil olmak üzere diğer göstergelerini tespit etmek için yeteneklerini genişletmeyi planlamaktadır.
Mobil cihazın CNN verileri sıralayıp süzdüğü göz önünde bulundurulduğunda, Kwok ve ekibinin çabası, sahada AI ile verilerin toplanması ve analiz edilmesine yönelik çok daha büyük bir eğilime işaret etmektedir. Nitelikli teknisyenler tarafından genellikle manuel olarak gerçekleştirilen ölçümleri otomatikleştirerek, bazı teşhislerin klinik duvarlarının dışına genişletilebileceğini göstermektedir.
Stanford Üniversitesi'nden Chayakrit Krittanawong liderliğindeki bir ekip tarafından 2021 yılında yapılan bir çalışma, Apple Watch'ın EKG izlemesi de dahil olmak üzere tüketici sınıfı giyilebilir kalp izleme örneklerinin onlarca örneğini listeledi. Bunlar, İsrail'in OrCam Technologies'ten gelen gözlükler ve MEGAComfort'tan gelen ayakkabı tabanlıkları da dahil olmak üzere tüketici sınıfı giyilebilir sağlık kalp izleme örneklerinin onlarca örneğini içermektedir.
Üretici Yapay Zeka ve Tıp Alanındaki Yeni Uygulamala
Bu giyilebilir cihazlar, araştırmacılar tarafından göğüslerine giyilebilen tek kullanımlık sensörlerle yapılan küçük ölçekli çalışmaları içermektedir. Bu sensör, tek kullanımlık bir pil tarafından beslenir ve cildin elektrokardiyogram dalgalarını, cildin sıcaklığını ve konumunu içeren çoklu verileri algılar. Tüm bu veriler sürekli olarak Bluetooth kablosuz olarak bir mobil cihaza yayılır ve ardından makine öğrenmeyi kullanarak analiz için buluta yüklenir.
Bu yapıştırmalar, hastaların kalp yetmezliği için hastaneye yatma riskini tahmin etmek için kullanılan geleneksel tıbbi sınıf implant cihazların yerine geçmek için kullanıldı. Bulut analizi ile, yapıştırmalar ve mobil cihazlar, geleneksel tıbbi sınıf implant monitörlerle eşleşen hassasiyet ve özgüllüğe sahip performans gösterdi.
Son yıllarda, klinik ortamlarda yapay zeka (AI) uygulamalarının arttığı alanlardan biri, hastaların hastaneye tekrar yatma olasılıklarını tahmin edebilen öngörü algoritmalarıdır. Bu tür algoritmalar genellikle elektronik sağlık kayıtlarındaki (EHR'ler) verileri kullanır; zira EHR'ler, büyük miktarda hazır veri içeren önemli bir kaynaktır.
David Classen ve ekibinin liderliğindeki bir çalışma, Utah Üniversitesi Tıp Fakültesi'nde gerçekleştirilen bir araştırma, EHR verilerine dayalı AI uygulamalarının klinik operasyonlarda geniş çapta kabul gördüğünü göstermiştir. Bu çalışmanın sonuçları önemli bir paylaşım ile duyurulmuştur.
Ancak, bu tahmin araçlarının doğruluğu sıkça sorgulanmaktadır. Michigan Üniversitesi Tıp Fakültesi'nin 2021 yılında gerçekleştirdiği bir çalışma, sepsis için Epic yazılımının tahminlerinin son derece düşük doğruluk oranlarına sahip olduğunu bulmuş ve bu aracın faydalılığı konusunda şüpheleri artırmıştır.
Bu durum, araştırmacıların EHR'lerdeki büyük veri miktarından anlamlı bilgiler çıkarabilmek için daha etkili yöntemlere ihtiyaç duyduklarını göstermektedir.
Stanford Üniversitesi Tıp Fakültesi'ndeki bilim insanları, 22.104 anne-bebek çiftinin EHR'lerini toplayarak prematüre doğumların ölümlerini tahmin etme yeteneğini artıran yeni bir makine öğrenme algoritması olan "uzun-kısa dönemli bellek" veya "LSTM" adı verilen bir algoritma kullanmıştır. Bu algoritma, annenin sağlık kayıtlarındaki çeşitli faktörlerle ilişkilendirilmiş ve prematüre bebeklerin neonatal tıbbi kayıtlarındaki koşullarla ilişkilendirilmiştir.
Bilgi Derinleştikçe Yapay Zeka Modellerinin Güçlenmesi
Yazarlar, bu modelin geleneksel risk değerlendirmelerine göre bebeğin sonuçlarını tahmin etme yeteneğinde önemli bir artış tespit etmişlerdir. Özellikle, LSTM programı bazı maternal durumlarla yüksek oranda ilişkili olan kodlardan yola çıkarak yüksek riski genelleştirebilirdi. Bu durumlar arasında remisyon aşamasındaki opioid bağımlılığı, fetal-maternal kanaması ve çeşitli konjenital kalp hastalıkları yer almaktadır.
Ayrıca, erken doğan bir bebeği doğum sonrası hafta ve aylarda koruyan faktörler hakkında da bazı tespitlerde bulunulmuştur. Bu tespitler arasında serum albümin, serum protein, trombositler, bazofiller, lenfositler ve eozinofiller gibi laboratuvar ölçümlerinin, neonatal sonuçlara karşı koruyucu bir ilişkiyi işaret edebileceği bulunmaktadır. Bu veriler, annenin bağışıklık sistemi ile fetusun sağlığı arasındaki etkileşimin doğum öncesinden başlayarak neonatal döneme kadar devam ettiğini düşündürmektedir.
Tıp ve sağlık alanında üretici yapay zeka (AI) için henüz erken dönemdeyiz. Büyük dil modelleri gibi AI sistemleri, dil modellerinin yanıltıcı bilgileri ifade etme eğiliminde olmaları nedeniyle bu alana yavaşça entegre olmaktadır ve dikkatli bir şekilde ele alınmaları gerekmektedir. Üretici AI'nın riskleri ve etik konuları, düzenleyici engellerin aşılması gereken önemli konulardır. Henüz bu alanda özel düzenlemelerin oluşturulması için çalışmalar sürmektedir ve bu alandaki gelişmelerle birlikte daha fazla bilgi ve uygulama sağlanması beklenmektedir.
Bu habere henüz yorum yazılmamış, haydi ilk yorumu siz bırakın!...