Comments 13
Специалисты в области Data Science помогают сделать исследования эффективнее, диагностику — быстрее, а методы лечения — действеннее.
А где реальные примеры успешного применения? И где доказательства действенности? Думаю, что с этим имеется много вопросов, поскольку сами диагнозы довольно нечёткие, и довольно трудно опереться на объективные данные. Скорее наоборот, математический анализ экспериментальных данных и направлен на то, чтобы разыскать эти объективные основания.
Машинное обучение и анализ данных в медицине позволяют создавать хранилища данных и сервисы, обновлять и оптимизировать инфраструктуру реестров, заниматься передовыми исследованиями в областях доказательной медицины, фармацевтики и фармакологии.
Хранилища создаются без всякой помощи машинного обучения. Но когда приходят специалисты по машинному обучению, выясняется, что, сначала, надо было ставить эксперимент. Чтобы искать нужные закономерности. Нельзя просто так что-то чем-то обработать и считать, что хорошие процент распознанных объектов — хороший показатель.
Благодаря работе аналитиков данных разработка новых лекарств становится дешевле и быстрее, постановка диагноза — точнее, а рекомендации по лечению — более индивидуализированными, в соответствии с особенностями каждого пациента.
Вот и нужны примеры реальных исследований. Чтобы было ясно, что правильно, а что неправильно. Чтобы знать, куда двигаться, на чём заострить внимание, а что следует пропустить.
Хранилища создаются без всякой помощи машинного обучения.
Конечно, есть много хранилищ данных, созданных без всякого участия ML. Здесь речь идёт о:
cоздании хранилищ данных под задачу, когда получается, что область ML сама по себе порождает необходимость в данных: «Соберём данные и посмотрим, что о них скажет ML», как предложение может порождать спрос;
данных, которые размечаются, очищаются или генерируются с помощью ML или (более широко) ИИ. Например, ИИ на ML с определённого момента учится играть в шахматы против самого себя, то есть сам создаёт данные, на которых учится.
«С одной стороны, разрабатываются препараты, действие которых должно быть одинаково эффективным для всех людей. С другой стороны, с помощью данных мы можем принимать во внимание индивидуальные отличия организма, анализировать данные о конкретном человеке и дорабатывать лекарства или методы именно под этого пациента. Так, благодаря данным у медицины есть все шансы стать персонализированной в ближайшем будущем».
А как сделать медицину более персонализированной, если врачу оставлено совсем мало времени на то, чтобы даже просто посмотреть на пациента? Если чего и не хватает, так это комплексного подхода. Какой смысл лечится от одного, а на самом деле "иметь" что-то другое? Почему надо много времени тратить на то, чтобы даже узнать собственный диагноз? Почему нельзя за один визит пройти сразу несколько врачей?
Конечно, это всё не имеет никакого отношения в обработке данных. Но если нужны данные, то нужны объективные данные. Регулярные диспансеризации и продвинутые технологии сбора данных. Вот что нужно.
А персонализированная медицина — это очень красивая идея. Гдеж взять столько врачей?
Каждое отвоёванное мгновение жизни обходится всё дороже и дороже.
Это потому, что с каждым годом нагрузка на человека, его экосистему и на экологию в целом всё больше и больше возрастают. Проблемы только множатся.
Деньги — не единственный необходимый ресурс, но инвестировать их и другие ресурсы наиболее рационально помогают сбор и анализ всей возможной информации».
Крайне интересно было бы увидеть процесс принятия решения в случае, когда некие данные (имеющиеся в достаточном количестве) получены и тщательно проанализированы.
А ещё бывает, что и данных собирать не нужно. Всё и так ясно.
И, конечно, нельзя собрать всю возможную информацию. Часто мы просто не знаем, что относится к делу, а что нет.
В перспективе это приведёт к тому, что медперсонал будет знать о возможных побочных эффектах от лекарства ещё до того, как выписать его пациенту.
Вот это уже интересно. Речь идёт о системах поддержки принятия врачебных решений. Это актуально.
Ещё один релевантный пример, особенно близкий жителям Москвы, — эксперимент по внедрению технологий ИИ в сфере здравоохранения в столице.
Можно было бы развернуть подробнее. Придётся прочитать.
«Для такой консервативной сферы это реально прорывная история, которая в чём-то нас делает лидерами. Главная объективная ценность — это человеческая жизнь, и я рад, что искусственный интеллект позволяет её сохранять»
Здесь следовало бы подкрепить слова реальными оценками эффективности разработанной системы. Крайне важно узнать, что стало известно позднее. Другими словами, здесь нужно подробно обсудить ситуации "ложная тревога" и "пропуск цели", а также их вариации (с учётом сложности самих диагнозов).
Большую роль в большинстве из них играют данные.
Самый главный вопрос: как получить данные? При помощи какого технологического метода. Нужно специальным образом разрабатывать методы регистрации и методики регистрации, гарантирующие получение информативных данных высокого качества.
Если честно смысла медицинского в статье почти нет вообще. Я не против и только за развитие технологий. За их применение. Диагностика в медицине шагнул далеко вперёд и позволила улучшить работу врачей. Как в профилактике, так и в лечении.
Но дьявол кроется в деталях. Когда технологии пришли не в помощь, а на замену врача, то тут медицина и кончилась. Все эти рассуждения о помощи ИИ врачу не несут никакого смысла. Потому что, если этот ИИ не воспроизводит клинической мышление врача, то это не помощь. Это просто замена. Более того, если врач перестаёт сам рассуждать и сам анализировать, то он перестаёт быть врачем. Да, у многих врачей есть свое "кладбище". Но это и есть их опыт. И часто они помнят поимённо и во всех подробностях своих пациентов. Это тот опыт, который не купить, не взять со стороны. Который никогда тебя не покидает.
Есть ли примеры когда автоматизация воспроизводит ИИ? Есть. Но это не востребовано. Медициной занимаются ит специалисты? Они предлагают продукт, который берет и земеняет врача с его рассуждениями. Но что эти ит специалисты знают о клинической мышлении и как его воспроизвести? Есть сомнения.
Про рак кожи. На хабре же была статья, в которой критично описан опыт. Когда по снимка определяли линейки как рак. Что есть сложности с освещением при съёмке, с расовой принадлежность.
Я хотел бы чтобы меня лечил лекарь. Которому не важно есть оборудование или нет. Что может сделать врач, если выдернуть вилку из розетки? Что он будет знать как диагностировать и лечить без ИИ, который ему навязывают?
Да, я видел как алгоритм пытался отправить человека на гемодиализ. Но врач снисходительно улыбалась с историей пациента в руках. Потому что это была катастрофически ошибка. У пациента была разрушающаяся раковая опухоль.
Про качество данных на которых обучают модели я бы все же тоже критично рассуждал. Всё мы ходим к врачам. И многие замечали глупости и в диагноза, и в назначения и в том, что вносят в электронные (теперь) истории болезней. Так вот обучение на не достоверных данных даёт такой же недостоверный результат.
Медицина будущего — это именно про предотвращение возникновения заболеваний. Например, проведения тестирования генов после рождения ребенка для выявления предрасположенностей, за которыми потом особо наблюдают.
Пандемия данных. Почему в будущем медицина будет всё больше основываться на данных?