Intelligente maskiner gjør en bedre jobb enn mennesker i medisinsk diagnose

Hittil har medisinen vært en prestisjetunge og ofte ekstremt lukrativ karriere valg. Men i nær fremtid, trenger vi så mange leger som vi har nå? Skal vi se betydelig medisinsk arbeidsledighet i det kommende tiåret?

Dr. Saxon Smith, president for den australske medisinske sammenslutningen NSW-avdelingen, sa i en rapport sent i fjor at de vanligste bekymringene han hører fra leger i trening og medisinske studenter er, "hva er medisinens fremtid?" og "skal jeg få jobb?". Svarene, sa han, fortsetter å unnslippe ham.

Som australske, britiske og amerikanske universiteter fortsetter å oppgradere økende antall medisinske studenter, er det åpenbare spørsmålet hvor skal disse nye legene jobbe i fremtiden?

Vil det være en utvidet rolle for medisinske fagfolk på grunn av vår aldrende befolkning? Eller er det press for å redusere kostnadene, samtidig som det forbedrer utfallene som sannsynligvis vil tvinge innføringen av ny teknologi, som da vil sannsynligvis ødelegge antall roller som nå utføres av leger?

Kjører ned kostnadene

Alle regjeringer, pasienter og leger over hele verden vet det helsekostnader må reduseres hvis vi skal behandle flere mennesker. Noen foreslår at pasientene betaler mer, men men vi betaler for det, det er klart at kjøre kostnadene nede er hva som må skje.


innerself abonnere grafikk


Bruken av medisinske roboter for å hjelpe menneskelige kirurger blir stadig mer utbredt, men så langt blir de brukt til å prøve og forbedre pasientens utfall og ikke å redusere kostnadene ved operasjonen. Kostnadsbesparelser kan komme senere når denne robotteknologien modnes.

Det er innenfor medisinsk diagnostikk hvor mange ser mulige kostnadsreduksjoner samtidig som de forbedrer nøyaktigheten bruker teknologi i stedet for menneskelige leger.

Det er allerede vanlig for blodprøver og genetisk testing (genomics) å bli utført automatisk og svært kostnadseffektivt av maskiner. De analyserer blodprøven og produserer automatisk en rapport.

Testen kan være så enkelt som et hemoglobinnivå (blodtall) gjennom til tester av diabetes som insulin eller glukose. De kan også brukes til langt mer kompliserte tester som å se på en persons genetiske sminke.

Et godt eksempel er Thyrocare Technologies Ltd i Mumbai, India, hvor mer enn 100,000 diagnostiske tester fra hele landet gjøres hver kveld, og rapportene som leveres innen 24 timer med blod tas fra en pasient.

Maskiner vs mennesker

Hvis maskiner kan lese blodprøver, hva mer kan de gjøre? Selv om mange leger ikke vil like denne tanken, vil enhver test som krever mønstergenkjenning til slutt bli bedre utført av a maskin enn et menneske.

Mange sykdommer trenger en patologisk diagnose, hvor en lege ser på en prøve av blod eller vev, for å etablere den eksakte sykdommen: en blodprøve for å diagnostisere en infeksjon, en hudbiopsi for å avgjøre om en lesjon er kreft eller ikke og en vevsprøve tatt av en kirurg som ser etter å gjøre en diagnose.

Alle disse eksemplene, og faktisk alle patologiske diagnoser, er laget av en lege ved hjelp av mønstergenkjenning for å bestemme diagnosen.

Artificial intelligence teknikker som bruker dype nevrale nettverk, som er en type maskinlæring, kan brukes til å trene disse diagnostiske maskinene. Maskiner lærer fort og vi snakker ikke om en enkelt maskin, men et nettverk av maskiner koblet globalt via internett, ved hjelp av deres samlede data for å fortsette å forbedre.

Det vil ikke skje over natten - det vil ta litt tid å lære - men en gang trent vil maskinen bare fortsette å bli bedre. Med tiden vil en passende trent maskin være overlegen ved mønstergenkjenning enn noe menneske kunne være.

Patologi er nå et spørsmål om flere millioner dollar laboratorier stole på stordriftsfordeler. Det tar rundt 15 år fra å forlate videregående skole for å trene a patologen å fungere uavhengig. Det tar nok en annen 15 år for patologen å være så god som de noensinne vil være.

Noen år etter det, vil de pensjonere og all den kunnskapen og erfaringen går tapt. Sikkert ville det være bedre om den kunnskapen kunne bli fanget og brukt av fremtidige generasjoner? En robot patolog ville kunne gjøre nettopp det.

Radiologi, røntgenstråler og utover

Radiologiske tester står for over AUS $ 2 milliarder av den årlige Medicare-utgiften. I en 2013-rapport ble det anslått at i 2014-15-perioden, 33,600,000 radiologiske undersøkelser ville bli utført i Australia. En radiolog ville måtte studere alle disse og skrive en rapport.

Radiologer leser i gjennomsnitt mer enn syv ganger antall studier per dag enn de var for fem år siden. Disse rapportene, som de som er skrevet av patologer, er basert på mønstergjenkjenning.

For tiden leses mange radiologiske tester utført i Australia av radiologer i andre land, som Storbritannia. Snarere enn å ha en ekspert i Australia, gå ut av sengen på 3am for å lese en hjernesøk av en skadet pasient, kan bildet bli sendt digitalt til en lege i en hvilken som helst passende tidssone og rapporteres nesten umiddelbart.

Hva om maskiner ble lært å lese røntgenstråler som begynte med, og til slutt i stedet for menneskelige radiologer? Skulle vi fortsatt ha behov for menneske radiologer? Sannsynligvis. Forbedret bildebehandling, som MR- og CT-skanning, vil tillate radiologer å utføre noen prosedyrer som kirurger nå påtar seg.

Feltet for diagnostisk radiologi vokser raskt. I dette feltet er radiologer i stand til å diagnostisere og behandle forhold som blødning av blodkar. Dette gjøres ved å bruke minimalt invasive teknikker, som passerer ledninger gjennom større fartøy for å nå blødningspunktet.

Så radiologene kan ende opp med å gjøre prosedyrer som for tiden er utført av vaskulære og hjertekirurger. Den økte bruken av robotassistert kirurgi vil bety at dette er mer sannsynlig enn ikke.

Det er mye mer til diagnostisere en hudlesjon, utslett eller vekst enn bare å se på det. Men mye av diagnosen er basert på dermatologen som gjenkjenner lesjonen (igjen, mønstergenkjenning).

Hvis diagnosen forblir uklar, sendes noe vev (en biopsi) til laboratoriet for en patologisk diagnose. Vi har allerede etablert at en maskin kan lese sistnevnte. Det samme prinsippet gjelder anerkjennelse av hudlesjonen.

Når anerkjent og lært, vil lesjonen kunne bli gjenkjent igjen. Mobiltelefoner med høykvalitets kameraer vil kunne koble til en global database som, som enhver annen database med læringsevne, vil fortsette å forbedre.

Det er ikke hvis, men når

Disse endringene skjer ikke over natten, men de er uunngåelige. Selv om mange leger vil se disse endringene som en trussel, er sjansen for global god uten sidestykke.

En røntgen tatt i ekvatorial Afrika kan leses med samme pålitelighet som en tatt i et australsk senter for fortreffelighet. Et smittsomt utslett kan lastes opp til en telefon og diagnosen gis øyeblikkelig. Mange liv vil bli frelst og kostnaden for helsevesenet til verdens fattige kan være minimal og i mange tilfeller gratis.

For at dette skal bli en realitet, vil den ta eksperter til å jobbe med maskiner og hjelpe dem å lære. I utgangspunktet kan maskinene bli bedt om å gjøre mer enkle tester, men gradvis vil de bli lært, akkurat som mennesker lærer de fleste ting i livet.

Medisinsk yrke bør forstå disse mulighetene for forandring, og våre fremtidige unge leger bør tenke nøye hvor fremtidens medisinske jobber vil lyve. Det er nesten sikkert at det medisinske sysselsettingslandskapet i 15 år ikke vil se ut som det vi ser i dag.

Om forfatterenDen Conversation

Ross Crawford, professor i ortopedisk forskning, Queensland University of Technology; Anjali Jaiprakash, doktorandforsker, medisinsk robotikk, Queensland University of Technology og Jonathan Roberts, professor i robotikk, Queensland University of Technology

Denne artikkelen ble opprinnelig publisert på Den Conversation. Les opprinnelige artikkelen.

Relatert bok:

at

bryte

Takk for besøket InnerSelf.com, der det er 20,000 + livsendrende artikler som fremmer "Nye holdninger og nye muligheter." Alle artikler er oversatt til 30+ språk. Bli medlem! til InnerSelf Magazine, utgitt ukentlig, og Marie T Russells Daily Inspiration. InnerSelf Magazine har blitt utgitt siden 1985.