AI Multimodal dalam Perawatan Kesehatan: Menutup Kesenjangan

Profesional perawatan kesehatan, dalam rutinitas sehari-hari mereka, menggunakan berbagai sumber data. Untuk sampai pada diagnosis dan memutuskan manajemen pasien, mereka mengandalkan kombinasi dari beberapa jenis dan sumber data: pencitraan (misalnya, Radiologi, Patologi, Oftalmologi), deret waktu (misalnya, elektrokardiogram – EKG), data klinis terstruktur (misalnya , tanda vital, hasil lab) dan data tidak terstruktur (misalnya, catatan klinis).

Rekomendasi Swab Test Jakarta

Mempertimbangkan tingkat keahlian yang diperlukan untuk memahami secara mendalam satu tipe data tunggal, hampir tidak mungkin bagi seorang profesional kesehatan untuk menguasai semua bidang. Seorang ahli radiologi memiliki pelatihan khusus untuk membaca gambar radiologi, tetapi tidak tahu banyak tentang penyakit dalam atau pembedahan. Seorang ahli jantung memiliki pemahaman mendalam tentang EKG, tetapi biasanya tidak tahu bagaimana mengevaluasi slide patologi. Itulah mengapa perawatan kesehatan menjadi lebih dan lebih multidisiplin, di mana profesional yang berbeda (misalnya, dokter dari berbagai spesialisasi, terapis fisik, apoteker, perawat) berkontribusi dengan perspektif yang berbeda untuk meningkatkan perawatan pasien.

Tetapi bisakah kecerdasan buatan (AI) membantu kita dalam tugas ini? Dalam artikel ini, kita akan membahas dampak potensial dari model ini di bidang perawatan kesehatan, metode untuk menggabungkan informasi dari berbagai sumber dan modalitas, dan beberapa tantangan yang terkait dengan pengembangan dan penerapan strategi tersebut.
Diagram yang menunjukkan potensi AI dalam mengintegrasikan data dari berbagai sumber di domain perawatan kesehatan
Dampak potensial

Dalam beberapa tahun terakhir, beberapa model pembelajaran mesin telah dikembangkan menggunakan data perawatan kesehatan, mencapai hasil yang mengesankan dalam tugas-tugas seperti penilaian usia tulang² dan deteksi kanker payudara³. Namun, sebagian besar model tersebut difokuskan pada satu modalitas/tipe data (misalnya, tugas segmentasi dan deteksi dalam citra radiologis).

Dengan menggunakan modalitas dan tipe data yang berbeda untuk mengembangkan solusi AI, model dapat menemukan hubungan antara berbagai variabel/fitur yang tidak terlihat jelas atau tidak diketahui oleh profesional kesehatan. Pada saat yang sama, dengan memiliki gambaran lengkap tentang pasien, model dapat digunakan untuk mengatasi hasil yang lebih “abstrak” (bila dibandingkan dengan hasil yang lebih langsung seperti peta segmentasi). Misalnya, dimungkinkan untuk mengembangkan model untuk memprediksi lama rawat inap di rumah sakit setelah prosedur pembedahan dan untuk memprediksi risiko masuk rumah sakit selama kunjungan ke Unit Gawat Darurat. Tapi bagaimana kita bisa menggabungkan data yang beragam ini ketika membangun sebuah model?

Ada beberapa strategi untuk menggabungkan data dari modalitas yang berbeda menggunakan AI. Huang dkk menjelaskan secara rinci beberapa strategi yang paling umum. Salah satu solusi yang mungkin adalah dengan membuat vektor fitur yang lebih besar dengan menggabungkan dua set data yang berbeda dan melatih satu model (fusi awal — tipe I seperti yang ditunjukkan pada gambar di bawah). Ide lain adalah membuat model yang mengekstrak fitur dari satu jenis data (misalnya, jaringan saraf convolutional untuk mengekstrak fitur pencitraan) dan kemudian menggabungkan fitur yang diekstraksi dengan tipe data lain dan kemudian melatih model yang mirip dengan contoh sebelumnya (joint fusi — ketik 1 di bawah). Solusi ketiga yang mungkin adalah mengembangkan model individu untuk menangani data dari setiap modalitas dan kemudian menggabungkan keluaran ini (misalnya, rata-rata, sistem pemungutan suara) untuk mencapai hasil akhir (fusi akhir, seperti yang ditunjukkan pada gambar). Ada banyak strategi, dan pilihannya akan sangat bergantung pada tipe data yang ditangani dan kasus penggunaan khusus.
Strategi fusi menggunakan pembelajaran mendalam, oleh Huang, direproduksi di bawah CC BY 4.0
Tantangan

Biasanya, pengembangan model akan terjadi menggunakan data retrospektif, dalam pengaturan offline, di mana para ilmuwan data memiliki kendali penuh atas data tersebut. Dalam pengaturan ini, lebih mudah untuk melakukan kurasi data, prapemrosesan, dan membuat kohort yang sesuai dengan cara model dirancang. Langkah selanjutnya adalah mengimplementasikan algoritme dalam praktik klinis nyata, dan ini adalah langkah di mana sebagian besar tantangan akan muncul.

Mari kita pertimbangkan skenario sederhana di mana kami mengembangkan model pembelajaran mesin yang akan menggunakan data pasien untuk membuat prediksi: data pencitraan dalam bentuk tomografi terkomputasi dada (CT) untuk menilai lesi paru (seperti konsolidasi), hasil tes darah dasar (seperti jumlah sel darah putih dalam hemogram) dan informasi tentang riwayat medis sebelumnya (seperti diabetes). Apa saja rintangan utama dalam menerapkan kerangka kerja tersebut dalam pengaturan klinis yang sebenarnya?

Sumber data: gambar radiologis biasanya disimpan di Picture Archiving and Communication System (PACS) rumah sakit, sedangkan tes laboratorium dan catatan klinis disimpan di sistem Electronic Health Records (EHR).

Swab Test Jakarta yang nyaman