Intelligenta maskiner gör ett bättre jobb än människor i medicinsk diagnos

Hittills har medicin varit en prestigefyllda och ofta extremt lukrativ karriärval. Men inom den närmaste framtiden kommer vi att behöva så många läkare som vi har nu? Ska vi se den betydande medicinsk arbetslösheten under det kommande årtiondet?

Dr Saxon Smith, president för den australiensiska medicinska föreningen NSW-filialen, sade i en rapport i slutet av förra året att de vanligaste bekymmerna han hör av läkare i träning och medicinska studenter är "Vad är medicinens framtid?" och "ska jag få ett jobb?". Svaren, sade han, fortsätter att elude honom.

Som australiensiska, brittiska och amerikanska universitet fortsätter att utbilda ökat antal medicinska studenter, är den uppenbara frågan var kommer dessa nya läkare att arbeta i framtiden?

Kommer det att bli en utökad roll för vårdpersonal på grund av vår åldrande befolkning? Eller är det påtryckt att minska kostnaderna samtidigt som de förbättrar resultaten som kan tvinga antagandet av ny teknik, vilket då sannolikt kommer att erodera antalet roller som för närvarande utförs av läkare?

Kör ner kostnaderna

Alla regeringar, patienter och läkare runt om i världen vet det sjukvårdskostnaderna kommer att behöva minska om vi ska behandla fler människor. Några föreslår att patienter ska betala mer, men vi betalar för det, men det är tydligt att driva kostnaden nere är vad som behöver hända.


innerself prenumerera grafik


Användningen av medicinska robotar för att hjälpa människor kirurger blir mer utbredd men hittills används de för att försöka förbättra patienternas resultat och inte minska kostnaden för operation. Kostnadsbesparingar kan komma senare när denna robotteknik mognar.

Det ligger inom medicinsk diagnostik där många ser möjlig betydande kostnadsminskning, samtidigt som man förbättrar noggrannheten med använder teknik istället för mänskliga läkare.

Det är redan vanligt för blodprov och genetisk testning (genomik) att utföras automatiskt och mycket kostnadseffektivt av maskiner. De analyserar blodprovet och producerar automatiskt en rapport.

Testerna kan vara lika enkla som en hemoglobinnivå (blodtal) genom att testa diabetes såsom insulin eller glukosnivåer. De kan också användas för mycket mer komplicerade tester som att titta på en persons genetiska smink.

Ett bra exempel är Thyrocare Technologies Ltd i Mumbai, Indien, där mer än 100,000 diagnostiska test från hela landet görs varje kväll, och rapporterna som lämnas inom 24 timmar av blod tas från en patient.

Maskiner mot människor

Om maskiner kan läsa blodprov, vad mer kan de göra? Även om många läkare inte gillar den här tanken, kommer något test som kräver mönsterigenkänning slutligen att bli bättre med hjälp av a maskin än en människa.

Många sjukdomar behöver en patologisk diagnos, där en läkare tittar på ett blodprov eller en vävnad, för att fastställa den exakta sjukdomen: ett blodprov för att diagnostisera en infektion, en hudbiopsi för att bestämma om en lesion är en cancer eller inte och ett vävnadsprov tas av en kirurg som vill diagnostisera.

Alla dessa exempel, och faktiskt alla patologiska diagnoser är gjorda av en läkare som använder mönsterigenkänning för att bestämma diagnosen.

Artificiell intelligenssteknik som använder djupa neurala nätverk, som är en typ av maskininlärning, kan användas för att träna dessa diagnostiska maskiner. Maskiner lär sig snabbt och vi pratar inte om en enda maskin, utan ett nätverk av maskiner kopplade globalt via internet, med hjälp av sina sammanslagna data för att fortsätta förbättra.

Det kommer inte att hända över natten - det tar lite tid att lära sig - men en gång tränad kommer maskinen bara fortsätta att bli bättre. Med tiden kommer en lämpligt utbildad maskin att vara överlägsen vid mönsterigenkänning än någon människa någonsin kunde vara.

Patologi är nu en fråga om flera miljon dollar laboratorier som bygger på stordriftsfördelar. Det tar ungefär 15 år från att lämna gymnasiet för att träna en patolog att fungera självständigt. Det tar förmodligen ytterligare ett 15 år för patologen att vara så bra som de någonsin kommer att bli.

Några år efter det kommer de att gå i pension och all den kunskapen och erfarenheten går förlorad. Visst skulle det vara bättre om den kunskapen skulle kunna fångas och användas av kommande generationer? En robotpatolog skulle kunna göra just det.

Radiologi, röntgenstrålar och bortom

Radiologiska tester står för över AUS $ 2 miljarder av den årliga Medicare spendera. I en 2013-rapport uppskattades det att under 2014-15-perioden, 33,600,000 radiologiska undersökningar skulle utföras i Australien. En radiolog skulle behöva studera var och en av dessa och skriva en rapport.

Radiologer läser i genomsnitt mer än sju gånger antalet studier per dag än för fem år sedan. Dessa rapporter, som de som skrivits av patologer, är baserade på mönsterigenkänning.

För närvarande läses många radiologiska tester som utförs i Australien av radiologer i andra länder, till exempel Storbritannien. Snarare än att ha en expert i Australien, gå ut ur sängen på 3am för att läsa en hjärnskanning av en skadad patient, kan bilden skickas digitalt till en läkare i en lämplig tidszon och rapporteras nästan omedelbart.

Vad händer om maskiner lärdes att läsa röntgenstrålar som arbetar först med, och i stället istället för, mänskliga radiologer? Skulle vi fortfarande behöva människor radiologer? Förmodligen. Förbättrad bildbehandling, såsom MR-och CT-skanningar, kommer att ge radiologer möjlighet att utföra vissa förfaranden som kirurger nu åtar sig.

Fältet för diagnostisk radiologi expanderar snabbt. På detta område kan radiologer diagnostisera och behandla tillstånd som blödning av blodkärl. Detta görs genom att använda minimalt invasiva tekniker, som leder ledningar genom större kärl för att nå blödningspunkten.

Så radiologerna kan sluta göra förfaranden som för närvarande görs av kärl- och hjärtkirurger. Den ökade användningen av robotstödd kirurgi innebär att detta är mer sannolikt än inte.

Det finns mycket mer att diagnostisera en hudskada, utslag eller tillväxt än att bara titta på den. Men mycket av diagnosen är baserad på dermatologen som känner igen lesionen (igen, mönsterigenkänning).

Om diagnosen förblir otydlig skickas en del vävnader (en biopsi) till laboratoriet för en patologisk diagnos. Vi har redan fastställt att en maskin kan läsa den senare. Samma princip gäller för erkännande av hudskador.

När väl erkänt och lärt sig kommer lesionen att kunna erkännas igen. Mobiltelefoner med högkvalitativa kameror kommer att kunna länka till en global databas som, liksom alla andra databaser med inlärningsförmåga, fortsätter att förbättras.

Det är inte om, men när

Dessa förändringar kommer inte att hända över natten, men de är oundvikliga. Trots att många läkare kommer att se dessa förändringar som ett hot är chansen för globalt gott oöverträffat.

En röntgenstråle i ekvatorialafrika kan läsas med samma tillförlitlighet som den som tas i ett australiensiskt centrum. Ett infektiöst utslag kan laddas upp till en telefon och diagnosen ges omedelbart. Många liv kommer att bli rädda och kostnaden för vård till världens fattiga kan vara minimal och i många fall gratis.

För att detta ska bli verklighet kommer det att ta experter att arbeta med maskiner och hjälpa dem att lära sig. Initialt kan maskinerna bli ombedda att göra enklare test, men gradvis kommer de att läras, precis som människor lär sig de flesta saker i livet.

Läkarutbildningen bör förstå dessa möjligheter till förändring, och våra framtida unga läkare bör tänka noggrant där framtida medicinsk jobb kommer att ligga. Det är nästan säkert att det medicinska sysselsättningslandskapet i 15 år inte kommer att se ut som det vi ser idag.

Om författarenAvlyssningen

Ross Crawford, professor i ortopedisk forskning, Queensland University of Technology; Anjali Jaiprakash, doktorandforskare, medicinsk robotik, Queensland University of Technology och Jonathan Roberts, professor i robotteknik, Queensland University of Technology

Den här artikeln publicerades ursprungligen den Avlyssningen. Läs ursprungliga artikeln.

Relaterade Bok:

at

bryta

Tack för besöket InnerSelf.com, där det finns 20,000+ livsförändrande artiklar som främjar "Nya attityder och nya möjligheter." Alla artiklar är översatta till 30+ språk. Prenumerera till InnerSelf Magazine, som publiceras varje vecka, och Marie T Russells Daily Inspiration. InnerSelf Magazine har publicerats sedan 1985.