Kecerdasan buatan berdampak pada semakin banyak bidang kehidupan kita. Salah satu bidang yang paling potensial adalah dalam perawatan kesehatan, memungkinkan para profesional membuat keputusan yang lebih cepat dan lebih baik, dan menerapkan pemecahan masalah yang inovatif.
Kami berbicara dengan Eric Landau, pendiri dan CEO Encord, untuk mengetahui lebih lanjut tentang manfaat dan tantangan penggunaan AI di sektor ini.
BN: Apa aplikasi utama AI dalam perawatan kesehatan saat ini?
EL: Sebagian besar berita utama seputar AI berfokus pada bagaimana AI akan menggantikan atau mereplikasi penilaian dokter. Tujuan yang lebih masuk akal bukanlah untuk menggantikan dokter, melainkan untuk menambah mereka. AI terutama akan berfungsi untuk memperluas jangkauan dokter ke kumpulan data dan pasien yang jauh lebih luas.
Dalam AI medis, ada aplikasi yang jelas seperti diagnostik, namun, ada lebih banyak aplikasi khusus seperti otomatisasi pembuatan catatan pasien. Tugas-tugas biasa ini menyita banyak waktu dokter, tetapi AI membantu menguranginya dengan menyediakan alat yang tepat sehingga mereka dapat menghabiskan lebih banyak waktu dengan pasien dan melakukan pekerjaan diagnostik.
Kami juga melihat banyak aplikasi AI untuk memfasilitasi perawatan. Banyak negara di dunia menderita kekurangan perawat di mana pada akhirnya, perawat kewalahan. Tugas monoton seperti pemantauan pasien memakan waktu sehingga implementasi alat pemantauan bertenaga AI membantu mereka menghabiskan lebih banyak waktu untuk merawat pasien daripada hanya mengamati mereka.
BN: Apa dampak pembelajaran mesin dan AI medis terhadap tanggung jawab sehari-hari para profesional medis?
EL: AI dapat bertindak sebagai sepasang mata kedua dokter dengan memberikan opini atau observasi kedua secara otomatis. Dokter, terutama ahli bedah, dapat bekerja terlalu keras dan pada akhirnya adalah manusia biasa. Memiliki modalitas tambahan untuk membantu mereka membantu mereka memeriksa ulang citra atau umpan video. Tujuannya agar AI dapat meningkatkan profesional medis dan memfokuskan waktu mereka dengan cara yang lebih efektif.
AI Medis juga dapat membantu profesional medis dengan tugas sehari-hari yang lebih membosankan seperti mengisi dokumentasi. Dokumentasi otomatis dapat diwujudkan dalam berbagai cara, mulai dari mendokumentasikan langkah-langkah prosedur seperti membuat stempel waktu selama kolonoskopi hingga mengisi dokumen. Dokter kemudian fokus pada aktivitas utama mereka daripada dokumentasi, memungkinkan mereka untuk bekerja dengan fokus.
BN: Tantangan apa yang mencegah AI medis mencapai potensi penuhnya?
EL: Tantangan utama AI medis adalah masalah pelabelan data. Data adalah hambatan terbesar tetapi ada beberapa sub-komponen di dalamnya.
Yang pertama adalah sumber data, tim pembelajaran mesin (ML) perlu memiliki cukup jenis data tertentu untuk membangun model AI untuk penyakit atau fungsi tertentu.
Kedua, ada anotasi aktual dari data yang membahas kebutuhan untuk memberi label, menyusun, dan membersihkan data. Langkah-langkah ini sulit dilakukan dan menjadi lebih menantang dengan persyaratan privasi dan peraturan seputar data. Data medis tidak semudah diproses seperti aplikasi lain, seperti kendaraan otonom. Lebih banyak pemikiran dan perhatian harus dimasukkan ke dalam setiap langkah yang Anda lalui sehubungan dengan lapisan data.
Terakhir, memastikan bahwa data seimbang dengan aplikasi dunia nyata yang akan dirilis. Memecahkan lapisan data akan membuka fungsionalitas dan kinerja yang lebih tinggi pada model ini daripada yang telah kita lihat sejauh ini.
BN: Apa saja masalah data yang dihadapi tim pembelajaran mesin saat mengembangkan model medis?
EL: Masalah yang dihadapi tim ML adalah kendala pakar domain. Terkadang, saat melatih model pada kasus penggunaan yang sangat spesifik atau khusus, diperlukan outsourcing untuk atau menggunakan orang yang tidak berkualifikasi tinggi seperti profesional medis sehingga kemungkinan kesalahan lebih besar pada label.
Ada juga banyak ketidaksepakatan antara profesional medis tentang cara terbaik untuk melabeli sesuatu. Ketika ambang keahlian naik, proses untuk menghasilkan kebenaran dasar menjadi lebih sulit, ambigu dan tidak pasti. Ini adalah masalah yang tidak Anda miliki saat melatih model untuk mendeteksi wajah manusia atau hewan. Ini adalah kerutan tambahan di bidang medis.
BN: Apa itu pendekatan data-centric untuk AI dan apa manfaatnya?
EL: Pendekatan data-sentris untuk AI berarti saat Anda membuat aplikasi AI, tempat pertama yang harus dilihat adalah datanya, bukan modelnya. Kualitas data sangat penting untuk menyempurnakan model, jadi tim ML harus mencari tahu set data apa yang terbaik untuk memberi makan model mereka? Apakah mereka memberi label dengan benar? Apakah ada kesalahan pada label? Apakah sudah ditentukan dengan benar? Apakah ada mode kegagalan model dalam segmen tertentu dalam irisan data?
Memikirkan data terlebih dahulu adalah cara terbaik untuk benar-benar membuat model berperforma tinggi bekerja di dunia nyata.
BN: Apa tujuan akhir AI?
EL: Ada tiga tujuan akhir utama untuk AI Medis. Yang pertama pada dasarnya memberi para profesional medis kekuatan super. Aplikasi terbaik memberi profesional medis waktu kembali dan memberi mereka alat tambahan yang dapat memperluas penilaian dan kemampuan mereka. Para petani biasanya membongkar dan menggarap ladang secara manual, tetapi sekarang mereka menggunakan mesin seperti traktor untuk membantu mereka menjadi lebih efisien dalam skala besar. Tujuan Medis AI harus menyediakan mesin bagi para profesional medis untuk memberi mereka kekuatan super.
Tujuan akhir kedua adalah untuk memperluas cakupan kemampuan medis dan membantu mendemokratisasi perawatan kesehatan secara global. Ini akan memberi orang di negara berkembang akses ke fasilitas dan perawatan medis berstandar lebih tinggi.
Terakhir, AI harus sampai pada titik di mana ia membantu profesional medis fokus pada perawatan pencegahan versus perawatan reaktif. Sayangnya, ada kasus di mana orang hanya mendapatkan perawatan ketika sudah terlambat, dan Anda baru mengetahuinya setelah tubuh Anda mengetahuinya. AI harus memungkinkan dokter memberikan diagnosis lebih cepat ketika penyakit lebih mudah diobati.
Kredit gambar: scanrail/depositphotos.com
