ヘルスケアを追求するハイテク企業の数は、Google、Amazon、Apple、IBMのWatsonはすべて、人工知能を使って医療を変えたいと思っています。 IBMは、その健康サービスを ” ワトソンの健康 これらの巨人の技術は大きな期待を示していますが、効果的なヘルスケアAIが既に存在するのか、それともまだ夢であるのかという問題は残っています。
医師として、私は、人工知能がヘルスケアにおいて何を理解するためには、まずヘルスケアにおいて知的であることが何を意味するのかを定義しなければならないと考えています。 考えます チューリングテスト 機械が人間と区別できなくなる点。
ジョシュアバトソン、のための作家 有線 雑誌 ミューズド チューリングテストの代替測定があるかどうか、マシンが人のように見えるだけでなく、知的な人物であるかどうか。 このように考えてみましょう：あなたが経験する症状についてランダムな人に尋ねるなら、彼らはおそらく “私は分かりません。 あなたは医者に尋ねるべきです。 “その応答を供給するボットは確かに人間と区別がつかないだろうが、それ以上のことは期待している。
ヘルスケアAIの課題
健康は難しく、それが医療のAIを特に難しくしています。 通訳、共感、知識はすべて、医療のAIに固有の課題を抱えています。
今日まで、解釈は技術投資の多くが行ったところです。 タッチスクリーンまたは音声認識のいずれの場合でも、自然言語処理（NLP）は、AmazonのComprehend、IBMの自然言語理解、Google Cloud Natural Languageなどの膨大な投資を受けています。 しかし、健康に特有の解釈上の課題がたくさんあるにもかかわらず、解釈の課題は他の分野よりもこの分野ではそれほど大きくはありません。
同様に、感情的に満たされたヘルスケアの分野では、共感は特に適切である必要がありますが、ボットは、小売顧客サービス、法律サービス、または保育アドバイスのために正しい音を鳴らそうと同様に挑戦されます。
それは知識を残します。 成功した会話型ボットであるために必要な知識は、ヘルスケアが他の分野と大きく異なるところです。 その知識を2つの主要なカテゴリーに分けることができます。その個人について何を知っていますか？ そして、個々の症例にとって最も有用な、一般的な医学について何を知っていますか？
たとえば、糖尿病患者でコレステロールが高い場合、既存のデータから心臓発作のリスクが高いことがわかっており、積極的な血糖値や食事管理がそのリスクを大幅に低下させる効果があります。 これは、複数の無作為化比較試験が、コントロールされていない血糖値および高コレステロールを有する糖尿病患者が、心臓事象を有する患者の2倍の確率であることを発見したという医学の一般的な知識と結びついている。
何が十分ですか？
カスタマイズされたメッセージを配信するアルゴリズムを作成するには、2つの方法があります。 人間はドメイン知識に基づいてそれを作成することができ、またはコンピュータはデータで観察されるパターンに基づいてアルゴリズムを導出することができます。 完璧なプロファイルと完全なドメイン知識によって、人間や機械は完璧なアルゴリズムを作り出すことができます。 良い解釈と共感を組み合わせることで、理想的な人工知能的な会話ができます。 言い換えれば、あなたは完璧な医者を作ったでしょう。
この問題は、プロファイルまたはドメインの知識が完全ではない（常にそうである）場合に発生し、「十分に良い」時点を判断しようとするときに発生します。
「その知識は十分なのはいつですか？」という答えは、あなたのプロフィール知識の強さとあなたのドメイン知識の強さに大きく左右されます。 あなたは不足分を補うことができますが、必然的に非常に人間的なものが残っています。プロファイルとドメインの知識が十分であるときの判断を求めることです。
幸運なことに、豊かで構造化された健康データはかつてないほど普及していますが、そのデータを実用的にすることは、多くの企業が準備している多くの情報科学および計算集約的なプロセスを必要とします。 その結果、多くの企業はパターン分析や機械学習を通じてその情報を導くことに転じてきました。 そして、環境データのようなあなたの知識に重要なギャップがある場合、患者に簡単に質問することができます。
新しい「会話型AI」を探している企業は、AlexaとSiriを超えて、医療のギャップを埋めています。 会話型AIは、伝統的なエピソード的なものから、より洞察的で、協力的で、継続的なものへと私たちの健康管理の経験を取り入れることができます。 例えば、会話型人工知能は、「この人は心臓治療薬ですか？」または「この人は自分の状態を複雑にする薬を持っていますか？」のように、難しい質問に素早く答えるために、ネイティブの臨床データおよび消費者データから消費者プロファイルを作成できます。
最近までには、この技術では、これを深く知り、オンザフライでプロファイルすることができました。 完璧な医者になって、あなたの病歴のすべてを知っているだけでなく、そのすべてがどのように特性の組み合わせにつながっているかを知っています。 現在、組織はプロファイルの知識を使用して、エンゲージメントレベルを導き出すために、自尊心、識字率、またはエンゲージメントのレベルを決定するその他の要因など、個人の「より柔軟な」属性の特徴をよりよく特定します。
医療専門家が何世紀にもわたる研究から得た知識をすべて考えてください。 リサーチ・アメリカは、2016年だけでも、 1,718億ドル 医学研究について しかし、その知識のすべてをどのように捉え、どのように会話システムでそれを使うことができるでしょうか？ この標準化の欠如は、何年にもわたって非常に多くのルールベースまたはエキスパートシステムを開発した理由です。
また、大きなデータセットからドメイン知識を導き出すための新たな投資がたくさんある理由です。 GoogleのDeepMindパートナーシップ 英国の国民保健サービスとの関係は素晴らしい例です。 豊富なデータを診断、アウトカム、薬、テスト結果、その他の情報と組み合わせることで、GoogleのDeepMindはAIを使用して、個人の成果を予測するのに役立つパターンを導き出すことができます。 しかし、医学知識を得るために大規模で将来のデータ分析を待たなければならないのか、あるいは今日知っていることから始めることができますか？
データポイントを有効にする
エキスパートが定義した知識とマシン定義の知識は、近い将来にバランスをとる必要があります。 利用可能な構造化データから始め、次にわかっていないことを尋ねて、観察されたパターンから追加知識を得ることができるようにする必要があります。 ドメインの知識は、観察されたパターンから追加の知識を得るために専門家のコンセンサスから始めるべきである。
個人に関する特定のデータポイントを把握することで、状況を読み取ることができる最大の違いを生むことができます。 それで、あなたは何の意味もなく、世界中のすべての意味を機械に理解させるような質問を得るでしょう。 このような会話を想像してみてください。
ボット：あなたは先週シャーロットにいたことに気づいた。 万が一、5番街のLarry’s Restaurantで食べましたか？
ユーザー：ああ、はい、私は実際にやった。
ボット：まあ、それはあなたの胃の問題を説明することができます。 その場所からサルモネラ感染が報告されています。 私はアモキシシリンを注文しました。すぐにあなたに届くはずです。 それは完全な10日間それを取ることを確認してください。 Ciproという薬は通常最初の治療薬ですが、Glyburideと相互作用する可能性があります。 あなたのやり方を毎日チェックしてみよう。
しかし、マシンによるパターンの検出を待つ間に、すでに情報科学と計算が必要な場合でも、そこにある知識は見落とされるべきではありません。 完璧な人工呼吸器がちょうどいいところだと思っています。 しかし、私の推測では、今日「十分に良い」アプローチを取っている人が、最初にそこに着く人になるだろうということです。 結局のところ、今日、十分なケアにアクセスできない多くの人々にとって、また私たちがヘルスケアに費やしているすべてのものに対して、「十分に良い」ヘルスケアシステムはまだありません。
Phil Marshall博士は、共同創設者であり、 Conversa Health 、ヘルスケア分野の会話プラットフォーム。