hirdetés
2025. június. 02., hétfő - Kármen, Anita.
hirdetés

A mesterséges intelligencia belép a szülészet világába

A technológia alkalmazható ultrahangvizsgálatoknál, a magzati szívfrekvencia értelmezésében és a kedvezőtlen klinikai kimenetelek előrejelzésében.

A ChatGPT-t, egy új generatív mesterséges intelligenciát (AI), amely korábbi tanulási adatok alapján képes új termékeket létrehozni, 2022 novemberében indították el. Azóta a ChatGPT gyors népszerűségre tett szert az orvosi oktatásban, például beutalók megírásával, a United States Medical Licensing Examination (USMLE) teljesítésével, illetve valódinak tűnő, de fiktív mellkasröntgenképek létrehozásával. A ChatGPT tudományos absztraktokat is tud generálni, amelyek megtévesztik a tudományos folyóiratok szerkesztőit (1). Legtöbben már most az AI-ra támaszkodunk, amikor okosotthoneszközöket vagy GPS-navigációs szoftvereket használunk, illetve amikor online vásárlás közben javaslatokat kapunk. Az AI hasonló előretörést ért el az orvostudományban, azonban kevésbé vagyunk tisztában azzal, hogy milyen módon hálózza be az AI a mindennapi klinikai praxist, illetve azzal sem, hogy nagy eséllyel növekvő mértékben fogunk a mesterséges intelligenciára támaszkodni az orvoslásban. A mesterséges intelligenciát általában úgy definiálják, mint a tudományos elméletét és fejlesztését olyan számítógépes rendszereknek, amelyek képesek komplex feladatok elvégzésére, amihez normál esetben emberi intelligenciára van szükség (2). Az AI egy részhalmaza a gépi tanulás, amelynek során a számítógép inkább önállóan, mintsem előre meghatározott szabályok alapján tanul. A gépi tanulást gyakran további három részre tagolják: az első a felügyelt tanulás, ahol az adatokhoz tartozó elvárt célértéket előre megadják. A második a felügyelet nélküli tanulás, ahol a célértékek nincsenek meghatározva, ezt leggyakrabban csoportosításra (adatok közti összefüggések azonosítására) használják, mint például kézírás felismerésére. A harmadik a megerősítéses tanulás, ami egy ismétlődő, az előző hibákból való tanulási folyamatot jelent. A gépi tanulás minden típusát átfogja a neurális hálózatok koncepciója. Ezek először súlyozzák az előre jelző változókat, majd aktivációs függvényeken keresztül változtatják az eredményt, végül olyan előrejelzéseket generálnak, amelyek relatív pontossága visszajelzésként szolgál a hálózat számára a következő ciklushoz, hasonlóan ahhoz, ahogy egy valódi neuron (1. ábra).

 

Gépi tanulás

klasszifikációs problémák

predikciós problémák

Neurális hálózatok

Felügyelt tanulás

Megerősítéses tanulás

Felügyelet nélküli tanulás

  1. ábra. Mesterséges intelligencia és típusai

 

A mesterséges intelligenciát már használják a kórházi műtéteknél és a biztosítási kockázat előrejelzésére, és egyre nagyobb teret hódít a klinikai orvoslásban is. A patológia és a laboratóriumi orvoslás terén például gyakori, hogy a patológusok a PAP-teszttel talált citológiai rendellenességek elsődleges osztályozásakor AI-vezérelt, automatizált rendszerre támaszkodnak (3). A radiológiai munkafolyamatok rendszeresen alkalmazzák a mesterséges intelligenciát a vizsgálat sürgősségének jobb besorolása érdekében (például előre helyezik a magasabb rendelleneségi kockázattal rendelkező vizsgálatot), valamint a jegyzőkönyvezés és optimalizálás céljából (például a sugárzás csökkentésére, ha az AI szerint a kép már megfelelő) (4). Ez csak néhány példa a több száz AI-algoritmusra és alkalmazási módra, amelyet a klinikai kezelések során alkalmaznak, és az FDA már jóváhagyott orvosi célra.

Összehasonlításképpen a szülészet még gyerekcipőben jár az AI klinikai ellátásba való integrálásában. Bár csak három év telt el azóta, hogy a Contemporary OB/GYN utoljára áttekintette ezt a témát, az AI alkalmazása a szülészetben azóta jelentősen bővült. Ebben az áttekintésben először három olyan területet ismertetünk, ahol az AI a leghatékonyabban hasznosult: a szülészeti ultrahang, a magzati szívfrekvencia értelmezése és a kedvezőtlen klinikai kimenetelek előrejelzése, majd kitérünk a perinatális területen alkalmazott mesterséges intelligencia lehetséges előnyeire és kockázataira.

Mesterséges intelligencia a szülészetben

Ultrahang

 A „Bevezetés a mesterséges intelligenciába a szülészeti és nőgyógyászati ultrahang-képalkotásban” című áttekintésében Drukker számos szülészeti ultrahang potenciális felhasználási módját leírta, amelyek közül több már megvalósult: 1. ultrahangfej-vezérlés, 2. magzati biometriai síkok megtalálása, 3. rendellenességi szkennelések teljességének biztosítása, 4. rendellenesség kiemelése és 5. mindezek használata a szonográfusok és a szülészeti gyakornokok valós idejű oktatására (5, 6). Drukker publikációja óta az AI a szülészeti ultrahangban kiemelkedő teljesítményt mutatott a biometriai síkok felismerésében, az anatómiai rendellenességek jelenlétének vagy hiányának azonosításában, egy anatómiai ultrahang elvégzésében, sőt egy teljes magzati echokardiográfia osztályozásában is (7– 10). Egy újabb kutatásban egy olyan neurális hálózatot is kifejlesztettek, amely a has vakon történő ultrahangpásztázásából képes megbecsülni a terhességi kort; ez a módszer pontosabb eredményt hozott, mint a képzett szonográfusok hagyományos magzati biometriai mérése (11). Összességében valószínűsíthető, hogy az AI alkalmazása a szülészeti ultrahangvizsgálatokban a jövőben tovább növekszik, amit az innováció, a más radiológiai területekről vett analógiák és a klinikusok érdeklődése ösztönöz.

Magzati szívfrekvencia elemzése

A számítógépes rendszerek használata a magzati szívfrekvencia (FHR) értelmezésére már a folyamatos elektronikus magzati monitorozás bevezetése óta fejlődés alatt áll (12). Az AI alkalmazása az FHR értelmezésében két általános célt szolgálhat: 1. előre meghatározott osztályozási rendszerhez tartozó figyelmeztetések automatizálása és 2. új rendellenességi mintázatok azonosítása, amelyek jelezhetik a magzati distresszt (2. ábra).

 

 

AI-alapú értelmezés

figyelmeztetőrendszer

számítógépes értelmezés

2. ábra. A magzati szívfrekvencia értelmezésében alkalmazott mesterséges intelligencia típusai

 

Bár a magzati distressz előrejelzésére szolgáló figyelmeztetések automatizálása hasonlóan ígéretes, mint a felnőtt betegek életfunkcióinak rendellenességeire figyelmeztető rendszerek, sem a klinikai, sem a kutatási gyakorlatban az eredmények nem voltak különösebben meggyőzőek. A legnagyobb, számítógépes figyelmeztetőrendszerekkel végzett vizsgálat az INFANT tanulmány (NCT02010710) volt, amely egy randomizált, kontrollált vizsgálatként 46 042 várandós nő részvételével zajlott 24 brit és ír kórházban. Ebben a tanulmányban nem mutatkozott különbség az újszülöttkori vagy anyai eredmények között a klinikai döntéstámogató INFANT rendszert használók és azok között, akiknél ezt nem alkalmazták (13).

Ezzel szemben a magzati EKG-görbék mintázatainak vizsgálata valamelyest ígéretesebbnek bizonyult. Georgieva és kollégái az angliai Oxfordi Egyetemen fejlesztették ki az OxSys rendszert, amely egy multimodális konvolúciós neurális hálózatokon alapuló modellt használ, és olyan új jellemzőket azonosított, mint például a „decelerative capacity” (lassulási kapacitás), amely a magzati szívfrekvencia lassulásainak gyakoriságát, mélységét és lejtését egyesíti. Hasonlóképpen, Zhong és mtsai. kifejlesztették a CTG-Net rendszert, amely mind új mintázatok felismerésére, mind központosított, távoli magzati monitorozásra képes, és ez az USA-ban végzett vizsgálatokban is ígéretes eredményeket mutatott (14, 15). Bár ezek a rendszerek ígéretesek az új minták felismerésében, még nem állnak készen a széles körű bevezetésre. További tanulmányokra van szükség ahhoz, hogy megértsük, hogyan lehet a legjobban alkalmazni az AI-alapú ajánlásokat, különösen azokat, amelyek mélytanulási modelleken alapulnak, és olyan mintákat vagy felismeréseket azonosítanak, amelyek szabad szemmel nem láthatók a klinikus számára.

Prediktív modellezés

A szülészek már régóta használnak a klinikai adatok feldolgozására prediktív modelleket, amelyek célja a kedvezőtlen perinatális kimenetelű esetek kockázatának azonosítása. Az elmúlt években az AI egyre nagyobb szerepet kapott ezen modellek kidolgozásában (16). Az AI-alapú gépi tanulásos prediktív modellezés különbözik a hagyományos prediktív modellezéstől: míg a hagyományos modellezésben emberi beavatkozás szükséges a klinikai adatok beprogramozásához, a gépi tanulás során a számítógép maga tanulja meg az orvosi mintákat, és azok alapján készít előrejelzéseket. Más szóval, a számítógép szerepe a hagyományos és a gépitanulás-alapú modellezésben felcserélődik: míg korábban csak számítási segédeszközként szolgált, most maga fejleszti a modellt (3. ábra).

 

  • Regresszió
  • Döntési fa
  • Stb.

 

Szabályok/modell

Válaszok

Számítógép

 

Szabályok/modell

Adatok

Számítógép

 

Adatok

Válaszok

A régi

3. ábra. Számítógépek használata klasszikus szabályalapú predikciós problémákban vs. gépi tanulás

 

AI-modelleket fejlesztettek ki többek között a terhességi toxémia (preeclampsia), vállficam, szülés utáni vérzés és szülés utáni depresszió előrejelzésére, valamint a fogantatás és a szülési mód optimális megválasztására (17–23). Egy új AI-alapú, prediktív modellezési típus a természetes nyelvfeldolgozás, amely arra törekszik, hogy úgy olvassa és értelmezze a szöveget, mint egy ember. Ezt a módszert már alkalmazták például a súlyos anyai morbiditás előrejelzésére klinikai jegyzetekből, valamint a közösségi média adatainak felhasználásával a terhességi gyógyszerbiztonság vizsgálatára, ám lehetőségei messze túlmutatnak a hasonló kezdeti próbálkozásokon (24, 25).

Előnyök és lehetséges kockázatok

„Az AI nem fogja lecserélni az orvosokat, de azok az orvosok, akik használják, le fogják váltani azokat, akik nem használják, ez a tanmese lényege” — Keith Horvath MD, a Nemzeti Egészségügyi Intézetek korábbi igazgatója, Szív- és Mellkassebészeti Kutatóprogram.

Reméljük, hogy kellő mélységben érintettük, milyen óriási lehetőségeket kínál az AI a betegségdiagnosztika fejlesztésére, a betegellátás megkönnyítésére és a klinikai munkafolyamatok optimalizálására a szülészetben. Az AI azonban számos potenciális előnye mellett veszélyeket is rejt. Cathy O’Neil MD, a „Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy?” című könyvében az AI legveszélyesebb formáit átláthatatlannak, visszacsatolási hurkokat létrehozónak és azokat fejtegetőnek írja le – mindezek jellemzők a klinikai gyakorlatban alkalmazott AI-ra is (26). Erre példa volt egy egyszerűbb, szabályalapú algoritmus, a VBAC-kalkulátor (hüvelyi szülés császármetszés után). Mivel a fekete és az USA-ban élő spanyol ajkú pácienseket korábban nagyobb valószínűséggel javasolták császármetszésre, ez a kalkulátorban előírt ajánlássá vált, és az etnikai hovatartozások megjelölése alacsonyabb sikerarányt eredményezett a rendszer szerint. Az AI akaratlanul – vagy akár szándékosan – is fokozhatja a faji egyenlőtlenségeket a szülészetben és más területeken, ami miatt több szervezet is irányelveket vezetett be az AI méltányosságának, elszámoltathatóságának, átláthatóságának és etikai elveinek (FATE) előmozdítása érdekében. Az Egyesült Államok szövetségi kormánya szintén megkísérelte formalizálni az egészségügyi AI használatára vonatkozó iránymutatásokat: az Egészségügyi Kutatási és Minőségügyi Ügynökség (AHRQ) nemrégiben tette közzé az „Algoritmusok hatása a faji és etnikai egyenlőtlenségekre az egészségügyben” című tervezett irányelveit (27). Azonban amíg ezek az irányelvek nem lesznek véglegesek, az orvosok felelőssége, hogy megértsék minden algoritmus, akár hagyományos, akár AI-alapú modell indokolatlan alkalmazásának potenciális ártalmait.

Arra ösztönözzük a szülészeti modelleket, hogy kritikusan vizsgáljanak felül minden új technológiát, beleértve az AI-t is. A prediktív modellezés területén a klinikusoknak értékelniük kell az algoritmusok fejlesztésének módját, különös tekintettel az elfogultság kockázatára a hagyományos vagy AI-vezérelt megközelítésekben. Fel kell tennünk magunknak a következő kérdéseket: 1. Hasonló-e az a betegpopuláció, amelyen a modell készült, az én betegeimhez? 2. A predikció létrehozásának folyamata során érdemben megvizsgált minden aspektust? Például számos modell kizárólag a betegségek nemzetközi osztályozási rendszere (ICD-10) alapján próbál meg diagnózist azonosítani, ami mind fals negatív, mind fals pozitív eredményekkel járhat. Mielőtt bármely prediktív modellt vagy AI-rendszert nagyobb mértékben alkalmaznánk, elengedhetetlen, hogy a klinikusok folyamatosan figyelemmel kísérjék és megértsék ezeket a szempontokat.

 

Összefoglalás

Világos, hogy az AI alapjaiban fogja megváltoztatni az orvosi gyakorlatot ahhoz képest, ahogyan eddig ismertük. A mi felelősségünk, hogy biztosítsuk, hogy ez a változás a betegek javára váljon.

 

A hivatkozásokért látogasson el a következő weboldalra: contemporaryobgyn.net/AI-OBGYN

 

 

Melissa S. Wong MD, MHDS a Los Angeles-i Cedars-sinai Orvosi Központ Szülészet és Nőgyógyászati Tanszéke anya-magzat orvoslási részlegének adjunktusa, valamint a Nemzeti Egészségügyi Intézetek (NIH) Nők Egészségével Foglalkozó Kutatási Hivatalának tudományos munkatársa. Kutatási területei közé tartozik a mesterséges intelligencia és az informatikai megoldások alkalmazása az egyenlőtlenségek csökkentésére a szülészeti ellátásban.

Adam Lewkowitz MD, MPHS a Brown Egyetem Warren Alpert Orvosi Iskolája Szülészeti és Nőgyógyászati Tanszékének adjunktusa, valamint az Anya-Magzat Orvoslás Program társvezetője Providence-ben, Rhode Island államban. Az NIH által finanszírozott kutató, akinek szakterülete a digitális perinatális egészségügyi beavatkozások.

 

 

(forrás: Nőgyógyászati és Szülészeti Továbbképző Szemle)

cimkék

Olvasói vélemény: 0,0 / 10
Értékelés:
A cikk értékeléséhez, kérjük először jelentkezzen be!
hirdetés