AI kan ikke erstatte læger. Men det kan gøre dem bedre.

Barnets tegning af et lægekontor, der viser barnet på eksamensbordet og lægen ved computeren. Tegning af Ag, 7 år, copyright Thomas G. Murphy MD 2011

For flere år siden skrev Vinod Khosla, Silicon Valley-investoren, en provokerende artikel med titlen Do We Need Doctors or Algorithms? Khosla argumenterede for, at læger ikke kunne matche kunstig intelligens. Læger driller med patienter, samler et par symptomer, jager rundt i kroppen efter spor og sender patienten afsted med en recept. Dette fører nogle gange (tilfældigt, måske) til den korrekte behandling, men læger handler kun på en brøkdel af den tilgængelige information. En algoritme, skrev han, kunne gøre det bedre.

Jeg er pædiatrisk og teenagerslæge i San Francisco Bay Area, hvor iværksættere som Khosla har banket på dørene til læger i årevis med deres pilotteknologier og software og hardware. Jeg kan med en vis autoritet sige, at Khoslas er stemmen til en kyndig outsider, der ved, hvad han ved - hvilket ikke er sundhedspleje.

Denne historie var en del af vores november 2018-udgave

• Se resten af ​​problemet
• Abonner

Ja, kunstig intelligens kunne hjælpe os med at diagnosticere og behandle sygdom. Det kan samle og tjene store mængder af data på en klar og kortfattet måde, og skære ned på de upræcise vurderinger, som læger foretager på grund af presset og kompleksiteten af ​​vores praksis. Der er ingen tvivl om, at for visse læger, hvis arbejde er stærkt fokuseret på diagnose (radiologer eller patologer, for eksempel), kan det gennembrud vise sig at være en eksistentiel trussel. For et årti siden viste forskere for eksempel, at AI var lige så god som radiologer til at opdage brystkræft.

Men for læger som mig i primærplejen, der håndterer 1.500 til 2.000 patienter, er kunstig intelligens en mulighed. Jeg gik på medicinstudiet for at komme i kontakt med mennesker og gøre en forskel. I dag føler jeg mig ofte som en overbetalt bogholder i stedet, der tager information ind og spytter dem tilbage til patienterne, ordinerer medicin og justerer doser, bestiller test. Men kunstig intelligens i eksamenslokalet åbner muligheden for at genvinde lægekunsten. Det kunne lade mig lære mine patienter bedre at kende, lære, hvordan en sygdom unikt påvirker dem, og give mig tid til at coache dem mod et bedre resultat.

Overvej, hvad kunstig intelligens kan gøre for astma, den mest almindelige kroniske medicinske sygdom i barndommen. Seks millioner amerikanske børn lider af det. I 2013 gik de tilsammen glip af 14 millioner skoledage. Udgifterne til medicin, besøg til læge og skadestue og indlæggelser nærmer sig 60 milliarder dollars om året.

Jeg diagnosticerer astma via en tommelfingerregel, der er blevet overleveret over tid: Hvis du har haft tre eller flere hvæsen, og medicinen til astma hjælper, har du sygdommen. Når det er diagnosticeret, beder jeg forældrene om at huske - så godt de kan - hvor ofte de giver deres barn medicin. Jeg spørger: Hvad lader til at udløse episoder? Er barnet udsat for nogen, der ryger derhjemme? Jeg kan også gennemgå deres journaler for at tælle, hvor mange besøg på skadestuen, de har haft, eller antallet af gange, de har genopfyldt deres recepter.

Men selv med den mest nøjagtige tilbagekaldelse af forældre og patienter og de mest nøjagtige elektroniske journaler, er det stadig kun retrospektiv viden. Der er ingen proaktiv, forudsigelig strategi.

Det er ikke, at vi ikke har dataene; det er bare det, at det er rodet. Vi bruger meget af vores tid på at prøve at få mening ud af det.

Det er ikke, at vi ikke har dataene; det er bare det, at det er rodet. Masser af data tilstopper lægens indbakke. Det kommer i mange former og fra forskellige retninger: objektiv information såsom laboratorieresultater og vitale tegn, subjektive bekymringer, der kommer i form af telefonbeskeder eller e-mails fra patienter. Det hele er fragmenteret, og vi bruger meget af vores tid som læger på at forsøge at få mening ud af det. Teknologivirksomheder og nye startups ønsker at åbne datatappen endnu mere ved at lade deres direkte til forbrugerenheder – telefon, ur, blodtryksmanchet, blodsukkermåler – sende kontinuerlige strømme af tal direkte til os. Vi kæmper for at følge med, og antallet af udbrændthed blandt læger fortsætter med at stige.

Hvordan kan AI løse dette? Lad os starte med diagnosen. Mens de kliniske manifestationer af astma er lette at få øje på, er sygdommen meget mere kompleks på molekylært og cellulært niveau. Generne, proteinerne, enzymerne og andre drivkræfter bag astma er meget forskellige, selvom deres miljømæssige triggere overlapper hinanden. En række eksperter tænker nu på astma på samme måde, som de tænker på kræft - en paraplybetegnelse for en sygdom, der varierer alt efter tumorens placering og cellulære karakteristika. Ian Adock fra National Heart & Lung Institute ved Imperial College, London, studerer sammenhængen mellem astma og miljøet. Han og hans team har indsamlet biologiske prøver fra astmapatienters blod, urin og lungevæv og organiseret de genetiske og molekylære markører, han finder, i undertyper af astma. Hypotesen er, at med den slags viden kan patienterne få det lægemiddel, der virker bedst for dem.

AI kan også hjælpe med at håndtere astmaudbrud. For mange patienter bliver astma værre, efterhånden som luftforureningsniveauet stiger, som det skete sidste sommer, da børstebrande fejede gennem det nordlige Californien. AI kunne lade os tage miljøoplysninger og reagere proaktivt. I 2015 offentliggjorde forskere en undersøgelse, der viste, at de kunne forudsige antallet af astma-relaterede skadestuebesøg på et Dallas-Fort Worth hospital. De trak data fra patientjournaler sammen med luftforureningsdata fra EPA-sensorer, Google-søgninger og tweets, der brugte udtryk som hvæsen eller astma. Google- og Twitter-dataene var knyttet til brugerens placeringsdata.

Hvis jeg havde den slags data, kunne jeg sige, Alexa, fortæl mig, hvilke astmapatienter jeg skal bekymre mig om i dag. Jeg kunne give en heads-up til de berørte familier. Og hvis jeg også havde nogle genetiske data som Adocks, kunne jeg diagnosticere astma, før patienten fik tre anfald af hvæsen, ved at bestille blodprøver og sammenligne resultaterne med de molekylære markører.

Denne form for tidsbesparende intelligens frigør mig til at bruge mere tid med mine patienter. En undersøgelse viste, at astmatiske børn kun tog eller modtog deres inhalerede medicin omkring halvdelen af ​​tiden. AI kan give mig mere tid til personligt at interagere med disse børn og få bedre resultater.

Mange spørgsmål ligger forude. Er patienter villige til at dele flere af deres personlige data med os? Hvis AI viser, at din pleje er bedre på én måde, men du eller din læge har det anderledes, vil et forsikringsselskab så acceptere det? Hvad hvis algoritmen går glip af noget eller anvendes forkert? Hvem er ansvarlig, lægen eller maskinens producent?

For ikke længe siden, i Journal of American Medical Association , så jeg et farverigt billede tegnet af et barn i farveblyant. Det portrætterede hendes børnelæge med øjnene klistret til computeren, mens hun sad på eksamensbordet og så måbende ud. Jeg håber, at AI snart vil give mig mulighed for at vende min opmærksomhed tilbage til den lille pige.

Rahul Parikh er børnelæge i San Francisco Bay-området.

skjule