医療業界における人工知能の応用が直面する5つの課題

ヘルスケアにおける人工知能 (AI) の実装に関する課題を特定することで、ヘルスケア提供者は適切な戦略を策定し、革新的なソリューションを迅速かつリスクなく実装できるようになります。

人工知能はさまざまな方法でヘルスケアを変えています。医療機関では、ロボット手術、看護支援、正確な診断、精密医療のために AI を導入しています。実際、KPMG が実施した調査では、経営幹部の 53% がヘルスケアが AI 導入をリードしていると考えていることが明らかになりました。

AI 導入の最前線にいるにもかかわらず、すべての医療機関がまだ AI を実装しているわけではありません。 AI ソリューションの導入における課題により、一部の医療機関では依然として AI テクノロジーを十分に活用できていません。このような状況では、ヘルスケア企業はヘルスケアにおける AI の課題とその解決策を理解することが必要になります。

ヘルスケアにおける AI の課題を解決する

ヘルスケアにおける AI 実装の課題に対処するには、これらの課題を認識する必要があります。医療機関が課題を認識すると、課題を克服する方法をより適切に特定できるようになります。

データの収集

人工知能システムには大量のデータが必要です。収集されたデータは信頼できるソースから取得する必要があります。信頼できないソースからデータを収集すると、AI ソリューションの出力に悪影響を与える可能性があります。

したがって、正確な出力を得るために、病院は信頼できるソースからトレーニング データを収集する必要があります。医療現場におけるすべての患者は、それ自体が情報源であるため、患者の過去および現在の医療記録から信頼できるデータを見つけることができます。医療機関は、機械学習アルゴリズム用の正確なデータセットを準備する必要もあります。しかし、データ準備の課題を克服するのは困難な場合がよくあります。

したがって、96% の組織が AI の導入を阻むデータ関連の問題を経験しているのも不思議ではありません。正確なデータセットを準備するには、病院は早い段階で望ましい結果を決定し、それに応じてデータを準備する必要があります。医療機関では、データが構築されたプロセスと一致していることも確認する必要があります。データをクリーニングして欠損値を最小限に抑え、無関係なデータを排除することで、データの互換性を保つことができます。

コンプライアンスを維持する

すべての患者は信頼できるデータ源です。しかし、これらの情報源が AI システムの構築のためにデータを提供することを拒否したらどうなるでしょうか? 誰も自分のデータが違法な目的で使用されることを望んでいません。これを回避し、患者の信頼を築くために、政府と主要な医療機関は、すべての病院が従わなければならない規制を作成しました。

たとえば、患者データの機密取り扱いに関する基準を施行するために、医療情報の移植性と説明責任に関する法律 (HIPAA) が制定されました。もう 1 つの例は、今日のデジタル時代における電子医療記録 (EHR) の維持管理を標準化することを目的とした「経済的および臨床的健康のための医療情報技術 (HITECH) 法」です。この規制措置により、患者は自分のデータを自由に共有できるようになり、AI システムのトレーニングに使用できるようになります。

医療機関は、プライバシーとセキュリティを強化するために、収集されたデータが保護されるようにする必要もあります。しかし、サイバーセキュリティ侵害のニュースが頻繁に聞かれる今日の世界では、データを安全に保つことは簡単なことではありません。ここでも、医療機関はブロックチェーンを活用できます。

AI とブロックチェーンの融合は多くの業界に革命をもたらす可能性があり、ヘルスケアもその 1 つです。ブロックチェーンは、患者データの安全な送信と保存を保証し、プライバシーとセキュリティを強化します。また、患者に対して透明性が提供され、データがどこに保存され、どのように使用されるかが患者にわかるようになります。

アプリケーションを識別する

ほとんどのビジネスは何らかの機械の助けを借りて運営することができます。しかし、ほとんどの企業とは異なり、医療機関では診断と治療に複数のツールが必要です。

たとえば、人工呼吸器、スキャナー、X 線装置、心電図装置など、さまざまな病状の診断と治療に使用されるさまざまな種類の機器があります。医療機関にとって、IoT に適したアプリケーションを決定することは複雑になる可能性があります。病院は、適切な用途を決定するために、さまざまな機械の複雑さを理解する必要があります。また、AI ソリューションを特定のマシンに簡単かつ迅速に統合する方法についてもベンダーに相談する必要があります。

医療機関は AI ベンダーを賢く選択する必要があります。 AI ベンダーを選択する前に考慮すべき要素がいくつかあります。一般的なソリューションか垂直的なソリューションか、目的との整合性、費用対効果などの要素が、AI ベンダーの選択に大きく影響します。適切なユースケースを特定し、ニーズに基づいて適切なベンダーを選択することで、病院は既存の機器やワークフローと簡単に統合できる AI ソリューションを構築できるようになります。

ブラックボックスの排除

AI システムは主に人間の脳の働きをシミュレートします。つまり、私たちの脳と同じように、入力を受け取り、出力を実現します。しかし、AI システムがどのように結論に到達するかはわかっていません。私たちが知っているのは最終的な出力だけです。そして、AI システムがどのように結論に到達するかを理解しなければ、それを改善することは難しくなります。

AI システムのこの課題は、ブラック ボックス問題として知られています。この問題を解決することはほぼすべての業界にとって不可欠ですが、ヘルスケア業界では特に重要です。それは医療業界に悪影響を及ぼすからです。 AI ソリューションを盲目的に信頼すると、患者の命が危険にさらされる可能性があります。

例えば、STATが検証したIBMの内部文書によると、IBMのワトソンは癌患者に対して安全でない治療手順を推奨していた。推奨されている手順を誤って実行すると、がん患者の命が危険にさらされる可能性があります。そのため、ヘルスケア業界では AI のブラックボックスを排除する必要があります。

しかし、AIのブラックボックスを解消するにはどうすればいいのでしょうか？その答えは「説明可能なAIを使うこと」です。説明可能な AI は、AI システムに透明性をもたらすことで、研究者が AI システムの出力を理解するのに役立ちます。これは、目的、推進要因、解釈可能なファミリー、推定値という 4 つの主要要素を中心に開発された事後的方法論の助けを借りて透明性をもたらします。

AI 出力を説明するために使用される最も一般的な方法の 1 つは、バックプロパゲーション法です。バックプロパゲーションは、フィードフォワード ニューラル ネットワークの教師ありトレーニングに広く使用されている AI アルゴリズムです。このような説明可能な AI 手法を実装することで、患者と医師は AI の結論を信頼できるようになります。

スタッフと患者を教育する

AI ソリューションを活用すると多くのメリットが得られますが、その使用は複雑です。 AI の可能性とその活用方法に関する認識が不足していると、組織内でスキル ギャップが生じる可能性があります。医療機関は、従業員に AI システムとその機能について教育することで、スキル ギャップを埋める必要があります。病院や個々の専門家は、さまざまな部門向けのトレーニング セッションを開催して、従業員に AI システムの使用方法をトレーニングできます。

医療における AI の導入は、治療対象となる患者が AI ベースの治療を受け入れる準備が整うまで、成功することはまずないでしょう。したがって、患者も AI ベースの治療を信頼できるように、AI の可能性を認識する必要があります。たとえば、ロボット手術には、入院期間の短縮、痛みの軽減、瘢痕の最小化、出血量の減少など、多くの利点があります。

しかし、患者は認識と信頼の欠如により、AI ロボットによる手術を心配する可能性があります。医療機関はロボット手術の利点についての認識を高める必要があります。また、AI ロボット手術を実施する前に、患者に手術手順を教育することもできます。 AI ソリューションについて患者とスタッフを教育することで、AI システムへの信頼が高まります。

すべての医療機関は AI システムを導入したいと考えています。 AI ソリューションを成功裏に実装するには、適切な戦略を策定することから始まります。しかし、それをどうやって作成するのでしょうか? これには、医療における前述の AI の課題を解決する必要があります。

これらの課題と解決策を理解することは、医療機関が特定のアプリケーションに適した戦略を策定するのに役立ちます。 AI 実装の成功例が注目されるようになると、病院は AI ソリューションを導入し、拡張する意欲が高まります。