Искусственный интеллект (ИИ), управляемый алгоритмами машинного обучения (ML), является отраслью информатики, которая быстро завоевывает популярность в секторе здравоохранения. Недавние одобрения регулирующих органов в отношении сопутствующей диагностики ИИ и других продуктов — это проблески будущего, в котором эти инструменты могут сыграть ключевую роль, определив способ применения медицины. Обучение следующего поколения медицинских специалистов правильным методам ML позволит им стать частью этой новой революции в области науки о данных.

Искусственный интеллект (ИИ) призван помочь в обеспечении точной медицины и здоровья. ^1,2 Сообщества клинических и биомедицинских исследований все чаще используют этот метод для разработки инструментов для диагностики и прогнозирования, а также для улучшения предоставления и повышения эффективности здравоохранения. Новые прорывы разрабатываются беспрецедентным образом, и разработчики получили одобрение регулирующих органов и нашли свое применение в рутинной медицинской практике. ^3,4,5 Тем не менее, учебная программа медицинского училища, а также последипломное медицинское образование и другие учебные программы в рамках академической больницы в Соединенных Штатах и ​​во всем мире еще не освоили обучение студентов и стажеров этой новой технологии. Некоторые экспертные мнения указывают на преимущества и ограничения, связанные с использованием ML в медицине, ^{1,2,6,7,8,9,10} но аспект, связанный с формальным образованием молодого поколения медицинских работников, не обсуждался открыто.

Восстание машин

Растущая популярность методов машинного обучения (ML) для медицинских применений очевидна из увеличивающегося количества исследований, проведенных по этой теме, количества продуктов, которые получают одобрения регулирующих органов, а также предприимчивых усилий в этой области в течение последних нескольких лет. Поиск PubMed с «машинным обучением» в качестве термина MeSH показывает, что количество статей, опубликованных в области ML, в значительной степени увеличивается с начала этого десятилетия (рис. 1). С другой стороны, количество публикаций, связанных с бакалавриатом и последипломным медицинским образованием, оставалось относительно неизменным с 2010 года. В результате комбинированного поиска с использованием терминов MeSH «машинное обучение» и «последипломное медицинское образование» в период между 2010 и 2017 годами было получено 16 публикаций. Подробный обзор этих работ показал, что ни один из них не был на самом деле сфокусирован на образовании ОД для медицинских работников. Кроме того, аналогичный поиск на веб-сайте ClinialTrials.gov с «машинным обучением» в качестве ключевого слова показал увеличение числа зарегистрированных клинических испытаний на ежегодной основе с начала этого десятилетия (Рис. 2a). Дальнейшая проверка показала, что эти клинические испытания были зарегистрированы организациями из разных стран мира (Рис. 2b). И наконец, интересно отметить, что в сфере здравоохранения, пожалуй, один из самых высоких показателей стартапов ИИ, финансируемых венчурным капиталом (ВК), и эта цифра постепенно увеличивается. Финансирование венчурного капитала для компаний, занимающихся медицинским искусственным интеллектом, за последние 5 лет составило около 3,6 миллиарда долларов¹¹. Приведенные выше факты подчеркивают растущее понимание ценности, которую ML может потенциально принести медицинскому сообществу. Если эта тенденция сохранится, то мы вполне можем увидеть большое количество продуктов и технологий на основе ИИ, интегрированных в экосистему здравоохранения в ближайшие десятилетия. Тогда остается вопрос: хочет ли медицинский работник использовать эти инструменты как часть своего репертуара, и если да, то как они могут получить образование с точки зрения знания «искусства», а также «науки» об использовании алгоритмов ОД?

Опубликованные в течение этого десятилетия статьи, перечисленные в Национальной медицинской библиотеке США (PubMed) с использованием слов «машинное обучение», «образование, медицина, выпускник» и «образование, медицина, бакалавриат» в качестве терминов MeSH, соответственно. Фактическими запросами пользователей были: (i) «машинное обучение» [Термины MeSH] и («2010/01/01» [PDAT]: «2017/12/31» [PDAT]), (ii) «образование, медицина, выпускник »[Условия MeSH] и (« 2010/01/01 »[PDAT]:« 2017/12/31 »[PDAT]), и (iii)« образование, медицинское образование, бакалавриат »[Условия MeSH] и (« 2010 / 01/01 »[PDAT]:« 2017/12/31 »[PDAT])

a Количество клинических испытаний, ежегодно регистрируемых в Национальной медицинской библиотеке США, в качестве поискового термина используется «машинное обучение».
b Распределение числа зарегистрированных клинических испытаний в нескольких странах мира до настоящего времени с «машинным обучением» в качестве поискового термина. Данные для двух участков были получены путем установления статуса набора на: «еще не набирают», «набирает», «зачисляется по приглашению», «активен, не набирает» и «завершен»

Заключение

Настало время для медицинских школ рассмотреть вопрос о включении контента, посвященного ОД и его приложениям, в свою учебную программу. Студенты-медики, резиденты и стипендиаты должны иметь знания по ОД и науке о данных во время обучения Это станет реальностью только тогда, когда медицинские школы начнут устанавливать учебные планы для ОД с признанием изменений, которые должны произойти в здравоохранении, и нет лучшего времени, чтобы сделать это сейчас.

Использованные источники

1. Obermeyer, Z. & Emanuel, E. J. Predicting the future — big data, machine learning, and clinical medicine. N. Engl. J. Med. 375, 1216–1219 (2016).
2. Darcy, A. M., Louie, A. K. & Roberts, L. W. Machine learning and the profession of medicine. JAMA 315, 551–552 (2016).
3. Gulshan, V. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316, 2402–2410 (2016).
4. Ting, D. S. W. et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA 318, 2211–2223 (2017).
5. FDA permits marketing of artificial intelligence-based device to detect certain diabetes-related eye problems, fda.gov/NewsEvents/Newsroom/ PressAnnouncements/ucm604357.htm (2018).
6. Chen, J. H. & Asch, S. M. Machine learning and prediction in medicine – beyond the peak of inflated expectations. N. Engl. J. Med. 376, 2507–2509 (2017).
7. AI diagnostics need attention. Nature 555, 285 (2018) ncbi.nlm.nih. gov/pubmed/29542717.
8. Obermeyer, Z. & Lee, T. H. Lost in thought — the limits of the human mind and the future of medicine. N. Engl. J. Med. 377, 1209–1211 (2017).
9. Beam, A. L. & Kohane, I. S. Big data and machine learning in health care. JAMA https://doi.org/10.1001/jama.2017.18391 (2018).
10. Cabitza, F., Rasoini, R. & Gensini, G. F. Unintended consequences of machine learning in medicine. JAMA 318, 517–518 (2017).
11. AI In Healthcare Heatmap: From Diagnostics To Drug Discovery, Deals Heats Up, cbinsights.com/research/artificial-intelligence-healthcare-heatmapexpert- intelligence/ (2018).
12. Wartman, S. A. & Combs, C. D. Medical education must move from the information age to the age of artificial intelligence. Acad. Med. 93, 1107–1109 (2018).
13. Lomis, K. et al. Implementing an entrustable professional activities framework in undergraduate medical education: early lessons from the AAMC core entrustable professional activities for entering residency pilot. Acad. Med. 92, 765–770 (2017).
14. Beam, A. L. & Kohane, I. S. Translating artificial intelligence into clinical care. JAMA 316, 2368–2369 (2016).
15. Wald, H. S., George, P., Reis, S. P. & Taylor, J. S. Electronic health record training in undergraduate medical education: bridging theory to practice with curricula for empowering patient- and relationship-centered care in the computerized setting. Acad. Med. 89, 380–386 (2014).
16. Bates, D. W. & Gawande, A. A. Improving safety with information technology. N. Engl. J. Med. 348, 2526–2534 (2003).

Machine learning and medical education
Vijaya B. Kolachalama, Priya S. Garg