ziņas

Kopš IBM Watson darbības uzsākšanas 2007. gadā cilvēce ir nepārtraukti centusies attīstīt medicīnisko mākslīgo intelektu (MI). Izmantojamai un jaudīgai medicīniskā MI sistēmai ir milzīgs potenciāls pārveidot visus mūsdienu medicīnas aspektus, nodrošinot viedāku, precīzāku, efektīvāku un iekļaujošāku aprūpi, nodrošinot medicīnas darbinieku un pacientu labklājību un tādējādi ievērojami uzlabojot cilvēku veselību. Pēdējo 16 gadu laikā, lai gan medicīnas MI pētnieki ir uzkrājuši savu pieredzi dažādās mazās jomās, šajā posmā viņi vēl nav spējuši ieviest zinātnisko fantastiku realitātē.

Šogad, pateicoties mākslīgā intelekta tehnoloģiju, piemēram, ChatGPT, revolucionārajai attīstībai, medicīniskais mākslīgais intelekts ir guvis lielus panākumus daudzos aspektos. Nepieredzēts sasniegums medicīniskā mākslīgā intelekta spējās: žurnāls Nature nepārtraukti uzsācis medicīnisko lielo valodu modeļu un medicīnisko attēlu pamatmodeļu izpēti; Google izlaiž Med-PaLM un tā pēcteci, sasniedzot eksperta līmeni ASV medicīnas praktiķu eksāmenu jautājumos. Galvenie akadēmiskie žurnāli koncentrēsies uz medicīnisko mākslīgo intelektu: Nature publicē ieskatu vispārējā medicīniskā mākslīgā intelekta pamatmodelī; Pēc virknes mākslīgā intelekta medicīnā apskatu sērijas šī gada sākumā žurnāls New England Journal of Medicine (NEJM) 30. novembrī publicēja savu pirmo digitālās veselības apskatu un 12. decembrī laida klajā NEJM apakšžurnāla NEJM AI pirmo numuru. Medicīniskā mākslīgā intelekta nosēšanās augsne ir vēl vairāk nobriedusi: JAMA apakšžurnāls publicēja globālo medicīnisko attēlu datu koplietošanas iniciatīvu; ASV Pārtikas un zāļu pārvalde (FDA) izstrādā vadlīniju projektu medicīniskā mākslīgā intelekta regulēšanai.

Tālāk mēs apskatām ievērojamo progresu, ko pētnieki visā pasaulē ir panākuši izmantojama medicīniskā mākslīgā intelekta virzienā 2023. gadā.

Medicīniskā mākslīgā intelekta pamatmodelis

Medicīniskā mākslīgā intelekta pamatmodeļa konstruēšana neapšaubāmi ir šī gada karstākais pētījumu temats. Žurnāli “Nature” gada laikā ir publicējuši apskata rakstus par Universālo veselības aprūpes pamatmodeli un lielo valodu modeli veselības aprūpē. Nozares vadošais žurnāls “Medical Image Analysis” pārskatīja un ar nepacietību gaidīja medicīnisko attēlu analīzes pamatmodeļu pētījumu izaicinājumus un iespējas un ierosināja “pamata modeļa ciltsraksta” koncepciju, lai apkopotu un vadītu medicīniskā mākslīgā intelekta pamatmodeļu pētījumu izstrādi. Veselības aprūpes pamatmodeļu nākotne kļūst skaidrāka. Balstoties uz veiksmīgiem lielo valodu modeļu, piemēram, ChatGPT, piemēriem, izmantojot progresīvākas pašapmācības metodes un plašu apmācības datu uzkrāšanu, medicīniskā mākslīgā intelekta jomas pētnieki cenšas izveidot 1) slimībām specifiskus pamatmodeļus, 2) vispārīgus pamatmodeļus un 3) multimodālus lielos modeļus, kas integrē plašu režīmu klāstu ar milzīgiem parametriem un pārākām iespējām.

Medicīnisko datu iegūšanas mākslīgā intelekta modelis

Papildus lielajiem mākslīgā intelekta modeļiem, kuriem ir liela nozīme klīnisko datu analīzes uzdevumos, klīnisko datu iegūšanā augšupējā posmā ir parādījusies arī tehnoloģija, ko pārstāv ģeneratīvie mākslīgā intelekta modeļi. Ar mākslīgā intelekta algoritmiem var ievērojami uzlabot datu iegūšanas procesu, ātrumu un kvalitāti.

Šī gada sākumā žurnāls Nature Biomedical Engineering publicēja Turcijas Straitsas universitātes pētījumu, kurā galvenā uzmanība tika pievērsta ģeneratīvā mākslīgā intelekta izmantošanai, lai atrisinātu patoloģiskas attēlveidošanas diagnostikas problēmu klīniskajos pielietojumos. Artefakti sasaldētos audu griezumos operācijas laikā ir šķērslis ātrai diagnostiskai novērtēšanai. Lai gan formalīnā un parafīnā iestrādāti (FFPE) audi nodrošina augstākas kvalitātes paraugu, to iegūšanas process ir laikietilpīgs un bieži vien aizņem 12–48 stundas, padarot tos nepiemērotus izmantošanai ķirurģijā. Tāpēc pētnieku komanda ierosināja algoritmu ar nosaukumu AI-FFPE, kas var padarīt audu izskatu sasaldētajā griezumā līdzīgu FFPE. Algoritms veiksmīgi izlaboja sasaldēto griezumu artefaktus, uzlaboja attēla kvalitāti un vienlaikus saglabāja klīniski nozīmīgās pazīmes. Klīniskajā validācijā AI-FFPE algoritms ievērojami uzlabo patologu diagnostisko precizitāti audzēju apakštipu noteikšanai, vienlaikus ievērojami saīsinot klīniskās diagnozes noteikšanas laiku.

Žurnāls “Cell Reports Medicine” ziņo par pētījumu, ko veica Dziliņas Universitātes Trešās klīniskās koledžas, Fudanas Universitātes Džunšanas slimnīcas Radioloģijas nodaļas un Šanhajas Zinātnes un tehnoloģiju universitātes komanda [25]. Šajā pētījumā tiek piedāvāta vispārējas nozīmes dziļās mācīšanās un iteratīvas rekonstrukcijas sapludināšanas sistēma (hibrīds DL-IR) ar augstu daudzpusību un elastību, kas demonstrē izcilu attēlu rekonstrukcijas veiktspēju ātrajā MRI, zemas devas DT un ātrajā PET. Algoritms var panākt MR viena orgāna vairāku secību skenēšanu 100 sekundēs, samazināt starojuma devu līdz tikai 10% no DT attēla un novērst troksni, kā arī var rekonstruēt mazus bojājumus no PET iegūšanas ar 2 līdz 4 reižu paātrinājumu, vienlaikus samazinot kustību artefaktu ietekmi.

Medicīniskā mākslīgā intelekta sadarbība ar medicīnas darbiniekiem

Medicīniskā mākslīgā intelekta straujā attīstība ir likusi arī medicīnas speciālistiem nopietni apsvērt un izpētīt, kā sadarboties ar mākslīgo intelektu, lai uzlabotu klīniskos procesus. Šī gada jūlijā DeepMind un daudzinstitūciju pētniecības komanda kopīgi ierosināja mākslīgā intelekta sistēmu ar nosaukumu Complementary Driven Clinical Workflow Delay (CoDoC). Diagnostikas procesu vispirms diagnosticē paredzošā mākslīgā intelekta sistēma, pēc tam cita mākslīgā intelekta sistēma to novērtē, pamatojoties uz iepriekšējo rezultātu, un, ja rodas šaubas, diagnozi beidzot nosaka klīnicists, lai uzlabotu diagnostikas precizitāti un līdzsvara efektivitāti. Runājot par krūts vēža skrīningu, CoDoC samazināja viltus pozitīvo rezultātu līmeni par 25% ar tādu pašu viltus negatīvo rezultātu līmeni, vienlaikus samazinot klīnicistu darba slodzi par 66%, salīdzinot ar pašreizējo "dubultās lasīšanas arbitrāžas" procesu Apvienotajā Karalistē. Attiecībā uz TB klasifikāciju viltus pozitīvo rezultātu līmenis samazinājās par 5 līdz 15 procentiem ar tādu pašu viltus negatīvo rezultātu līmeni, salīdzinot ar neatkarīgu mākslīgo intelektu un klīniskajām darbplūsmām.

Līdzīgi Annie Y. Ng et al. no Kheiron Company Londonā, Apvienotajā Karalistē, ieviesa papildu AI lasītājus (sadarbībā ar cilvēku izmeklētājiem), lai atkārtoti pārbaudītu rezultātus, ja dubultās nolasīšanas arbitrāžas procesā nebija atsaukšanas rezultātu, kas uzlaboja neatklāšanas problēmu agrīnā krūts vēža skrīningā, un procesā gandrīz nebija viltus pozitīvu rezultātu. Citā pētījumā, ko vadīja Teksasas Universitātes Makgoverna Medicīnas skolas komanda un kas tika veikts četros insulta centros, tika izmantota datortomogrāfijas angiogrāfijas (DTA) balstīta AI tehnoloģija, lai automatizētu plaša asinsvadu nosprostojoša išēmiska insulta (LVO) noteikšanu. Klīnicisti un radiologi saņem reāllaika brīdinājumus savos mobilajos tālruņos dažu minūšu laikā pēc DT attēlveidošanas pabeigšanas, paziņojot viņiem par iespējamu LVO klātbūtni. Šis AI process uzlabo slimnīcas darbplūsmu akūta išēmiska insulta gadījumā, samazinot laiku no durvīm līdz cirksnim no uzņemšanas līdz ārstēšanai un nodrošinot iespējas veiksmīgai glābšanai. Secinājumi ir publicēti JAMA Neurology.

Mākslīgā intelekta veselības aprūpes modelis vispārējam labumam

2023. gadā tiks paveikts arī daudz labu darbu, izmantojot medicīnisko mākslīgo intelektu, lai no vieglāk pieejamiem datiem atrastu cilvēka acij neredzamas funkcijas, tādējādi nodrošinot universālu diagnostiku un agrīnu skrīningu plašā mērogā. Gada sākumā žurnāls “Nature Medicine” publicēja Sun Yat-sen universitātes Džunšanas Acu centra un Fudžianas Medicīnas universitātes Otrās filiāles slimnīcas veiktos pētījumus. Izmantojot viedtālruņus kā lietojumprogrammu termināļus, viņi izmantoja multfilmu stila video attēlus, lai rosinātu bērnu skatienu un ierakstītu bērnu skatiena uzvedību un sejas vaibstus, kā arī tālāk analizēja patoloģiskus modeļus, izmantojot dziļās mācīšanās modeļus, lai veiksmīgi identificētu 16 acu slimības, tostarp iedzimtu kataraktu, iedzimtu ptozi un iedzimtu glaukomu, ar vidējo skrīninga precizitāti vairāk nekā 85 %. Tas nodrošina efektīvus un viegli popularizējamus tehniskus līdzekļus zīdaiņu redzes funkciju traucējumu un ar tiem saistīto acu slimību plaša mēroga agrīnai skrīningam.

Gada beigās žurnāls “Nature Medicine” ziņoja par darbu, ko veikušas vairāk nekā 10 medicīnas un pētniecības iestādes visā pasaulē, tostarp Šanhajas Aizkuņģa dziedzera slimību institūts un Džedzjanas Universitātes Pirmā saistītā slimnīca. Autors pielietoja mākslīgo intelektu (AI) asimptomātisku cilvēku aizkuņģa dziedzera vēža skrīningam fiziskās apskates centros, slimnīcās utt., lai vienkāršās skenēšanas datortomogrāfijas attēlos atklātu bojājumu pazīmes, kuras ir grūti atklāt tikai ar neapbruņotu aci, lai panāktu efektīvu un neinvazīvu aizkuņģa dziedzera vēža agrīnu atklāšanu. Pārskatot datus no vairāk nekā 20 000 pacientu, modelis identificēja arī 31 klīniski nepamanītu bojājumu gadījumu, kas ievērojami uzlaboja klīniskos rezultātus.

Medicīnisko datu koplietošana

2023. gadā visā pasaulē ir parādījušies daudzi citi perfekti datu koplietošanas mehānismi un veiksmīgi gadījumi, kas nodrošina daudzcentru sadarbību un datu atvērtību, pamatojoties uz datu privātuma un drošības aizsardzības principiem.

Pirmkārt, ar pašas mākslīgā intelekta tehnoloģijas palīdzību mākslīgā intelekta pētnieki ir devuši ieguldījumu medicīnisko datu koplietošanā. Cji Čangs un citi no Rutgersas universitātes Amerikas Savienotajās Valstīs publicēja rakstu žurnālā Nature Communications, ierosinot federālu mācību sistēmu DSL, kuras pamatā ir izkliedēti sintētiski pretinieku tīkli, kas izmanto ģeneratīvu mākslīgo intelektu, lai apmācītu specifiskus daudzcentru ģenerētus datus, un pēc tam aizstāj daudzcentru reālos datus ar ģenerētajiem datiem. Nodrošināt mākslīgā intelekta apmācību, kuras pamatā ir daudzcentru lielie dati, vienlaikus aizsargājot datu privātumu. Tā pati komanda arī padara atvērtā koda ģenerētu patoloģisko attēlu un to atbilstošo anotāciju datu kopu. Segmentācijas modelis, kas apmācīts uz ģenerētās datu kopas, var sasniegt līdzīgus rezultātus kā reālie dati.

Dai Čianhai komanda no Tsinghua universitātes publicēja rakstu par npj digitālo veselību, ierosinot retranslācijas mācīšanos (Relay Learning), kas izmanto daudzvietņu lielos datus, lai apmācītu mākslīgā intelekta modeļus, pamatojoties uz lokālu datu suverenitāti un bez starpvietņu tīkla savienojuma. Tā līdzsvaro datu drošības un privātuma apsvērumus ar mākslīgā intelekta veiktspējas sasniegšanu. Pēc tam tā pati komanda sadarbībā ar Guandžou Medicīnas universitātes Pirmo saistīto slimnīcu un 24 slimnīcām visā valstī kopīgi izstrādāja un validēja CAIMEN — krūškurvja datortomogrāfijas panmediastinālu audzēju diagnostikas sistēmu, kuras pamatā ir federālā mācīšanās. Sistēma, ko var pielietot 12 izplatītiem mediastināliem audzējiem, sasniedza par 44,9 procentiem labāku precizitāti, ja to izmantoja atsevišķi, nekā tad, ja to izmantoja tikai cilvēku eksperti, un par 19 procentiem labāku diagnozes precizitāti, ja to izmantoja cilvēku eksperti.

No otras puses, tiek īstenotas vairākas iniciatīvas, lai izveidotu drošas, globālas, liela mēroga medicīnisko datu kopas. 2023. gada novembrī Agustina Saenca un citi no Hārvardas Medicīnas skolas Biomedicīnas informātikas katedras tiešsaistē žurnālā Lancet Digital Health publicēja globālu medicīnisko attēlu datu koplietošanas sistēmu ar nosaukumu Mākslīgā intelekta dati visai veselības aprūpei (MAIDA). Viņi sadarbojas ar veselības aprūpes organizācijām visā pasaulē, lai sniegtu visaptverošas vadlīnijas par datu vākšanu un anonimizāciju, izmantojot ASV Federālā demonstrācijas partnera (FDP) veidni, lai standartizētu datu koplietošanu. Viņi plāno pakāpeniski publiskot datu kopas, kas savāktas dažādos reģionos un klīniskajās vidēs visā pasaulē. Paredzams, ka pirmais datu kopums tiks publicēts 2024. gada sākumā, un, partnerībai paplašinoties, tiks publicēti vēl citi. Projekts ir svarīgs mēģinājums izveidot globālu, liela mēroga un daudzveidīgu publiski pieejamu mākslīgā intelekta datu kopu.

Pēc priekšlikuma iesniegšanas Apvienotās Karalistes Biobanka ir rādījusi piemēru. Apvienotās Karalistes Biobanka 30. novembrī publicēja jaunus datus no 500 000 dalībnieku pilnas genoma sekvencēšanas. Datubāze, kurā tiek publicēta katra no 500 000 britu brīvprātīgo pilna genoma secība, ir lielākā pilnīgā cilvēka genoma datubāze pasaulē. Pētnieki visā pasaulē var pieprasīt piekļuvi šiem anonimizētajiem datiem un izmantot tos, lai izpētītu veselības un slimību ģenētisko pamatu. Ģenētiskie dati pagātnē vienmēr ir bijuši ļoti sensitīvi verifikācijas nolūkos, un šis Apvienotās Karalistes Biobankas vēsturiskais sasniegums pierāda, ka ir iespējams izveidot atvērtu, privātuma neierobežojošu globālu liela mēroga datubāzi. Ar šo tehnoloģiju un datubāzi medicīniskā mākslīgā intelekta darbība noteikti ievadīs nākamo lēcienu.

Medicīniskā mākslīgā intelekta verifikācija un novērtēšana

Salīdzinot ar pašas medicīniskās mākslīgā intelekta tehnoloģijas straujo attīstību, medicīniskās mākslīgā intelekta verifikācijas un novērtēšanas attīstība ir nedaudz lēna. Validācija un novērtēšana vispārējā mākslīgā intelekta jomā bieži vien ignorē klīnicistu un pacientu reālās vajadzības pēc mākslīgā intelekta. Tradicionālie randomizētie kontrolētie klīniskie pētījumi ir pārāk darbietilpīgi, lai atbilstu mākslīgā intelekta rīku straujajai iterācijai. Lai veicinātu medicīniskās mākslīgā intelekta patiesu pāreju no pētniecības un attīstības uz klīnisko iekarošanu, vissvarīgākais ir pēc iespējas ātrāk uzlabot medicīniskās mākslīgā intelekta rīkiem piemērotu verifikācijas un novērtēšanas sistēmu.

Google pētījuma rakstā par Med-PaLM, kas publicēts žurnālā Nature, komanda publicēja arī MultiMedQA novērtēšanas kritēriju, ko izmanto, lai novērtētu lielu valodas modeļu spēju iegūt klīniskās zināšanas. Etalons apvieno sešus esošus profesionālus medicīnisko jautājumu un atbilžu datu kopumus, kas aptver profesionālās medicīniskās zināšanas, pētniecību un citus aspektus, kā arī tiešsaistes meklēšanas medicīnisko jautājumu datubāzes datu kopu, ņemot vērā ārsta un pacienta tiešsaistes jautājumus un atbildes, cenšoties apmācīt mākslīgo intelektu (AI) par kvalificētu ārstu no daudziem aspektiem. Turklāt komanda piedāvā sistēmu, kas balstīta uz cilvēka novērtējumu, kurā ņemti vērā vairāki faktu, izpratnes, spriešanas un iespējamās neobjektivitātes aspekti. Šis ir viens no reprezentatīvākajiem pētījumiem, lai novērtētu mākslīgo intelektu veselības aprūpē, kas publicēts šogad.

Tomēr, vai fakts, ka lielie valodu modeļi uzrāda augstu klīnisko zināšanu kodēšanas līmeni, nozīmē, ka lielie valodu modeļi ir kompetenti reālās pasaules klīniskiem uzdevumiem? Tāpat kā medicīnas students, kurš nokārto profesionālā ārsta eksāmenu ar perfektu vērtējumu, joprojām ir tālu no solo galvenā ārsta amata, Google piedāvātie novērtēšanas kritēriji var nebūt perfekta atbilde uz jautājumu par medicīniskā mākslīgā intelekta novērtēšanu mākslīgā intelekta modeļiem. Jau 2021. un 2022. gadā pētnieki ierosināja tādas ziņošanas vadlīnijas kā Decid-AI, SPIRIT-AI un INTRPRT, cerot vadīt medicīniskā mākslīgā intelekta agrīnu izstrādi un validāciju, ņemot vērā tādus faktorus kā klīniskā praktiskā izmantojamība, drošība, cilvēciskie faktori un pārredzamība/interpretējamība. Pavisam nesen žurnāls Nature Medicine publicēja Oksfordas Universitātes un Stenfordas Universitātes pētnieku pētījumu par to, vai izmantot “ārēju validāciju” vai “atkārtotu lokālu validāciju”.

Mākslīgā intelekta rīku objektīvais raksturs ir arī svarīgs novērtēšanas virziens, kam šogad pievērsta uzmanība gan žurnāla "Science", gan "NEJM" rakstos. Mākslīgais intelekts bieži vien uzrāda neobjektivitāti, jo tas aprobežojas ar apmācības datiem. Šī neobjektivitāte var atspoguļot sociālo nevienlīdzību, kas tālāk attīstās algoritmiskā diskriminācijā. Nacionālie veselības institūti nesen uzsāka iniciatīvu "Bridge2AI", kuras izmaksas tiek lēstas 130 miljonu ASV dolāru apmērā, lai izveidotu daudzveidīgus datu kopumus (saskaņā ar iepriekš minētās MAIDA iniciatīvas mērķiem), ko var izmantot, lai validētu medicīnisko mākslīgā intelekta rīku neobjektivitāti. MultiMedQA šos aspektus neņem vērā. Jautājums par to, kā izmērīt un validēt medicīnisko mākslīgā intelekta modeļus, joprojām prasa plašas un padziļinātas diskusijas.

Janvārī žurnāls “Nature Medicine” publicēja viedokļa rakstu ar nosaukumu “Nākamā uz pierādījumiem balstītas medicīnas paaudze”, kura autors ir Viveks Subjahs no Teksasas Universitātes MD Andersona vēža centra, kurā viņš pārskatīja klīnisko pētījumu ierobežojumus, kas atklājās COVID-19 pandēmijas kontekstā, un norādīja uz pretrunu starp inovācijām un klīniskās pētniecības procesa ievērošanu. Visbeidzot, tajā norādīts uz klīnisko pētījumu pārstrukturēšanas nākotni – nākamo klīnisko pētījumu paaudzi, kurā tiek izmantots mākslīgais intelekts, proti, mākslīgā intelekta izmantošana no liela skaita vēsturisku pētījumu datu, reālās pasaules datiem, multimodāliem klīniskajiem datiem, valkājamo ierīču datiem, lai atrastu galvenos pierādījumus. Vai tas nozīmē, ka mākslīgā intelekta tehnoloģija un mākslīgā intelekta klīniskās validācijas procesi nākotnē varētu savstarpēji pastiprināties un kopīgi attīstīties? Šis ir atklātais un pārdomas rosinošais jautājums 2023. gadā.

Medicīniskā mākslīgā intelekta regulējums

Mākslīgā intelekta tehnoloģiju attīstība rada arī izaicinājumus mākslīgā intelekta regulējumam, un politikas veidotāji visā pasaulē reaģē uzmanīgi un rūpīgi. 2019. gadā FDA pirmo reizi publicēja "Ierosināto normatīvo regulējumu programmatūras izmaiņām mākslīgā intelekta medicīnas ierīcēs" (Diskusijas projekts), kurā sīki aprakstīta tās iespējamā pieeja mākslīgā intelekta un mašīnmācīšanās vadītu programmatūras modifikāciju pirmstirdzniecības pārskatīšanai. 2021. gadā FDA ierosināja "Mākslīgā intelekta/mašīnmācīšanās balstītas programmatūras kā medicīnas ierīces rīcības plānu", kurā tika precizēti pieci konkrēti mākslīgā intelekta medicīnas regulēšanas pasākumi. Šogad FDA atkārtoti izdeva ierīču programmatūras funkciju pirmstirdzniecības iesniegumu, lai sniegtu informāciju par pirmstirdzniecības iesniegšanas ieteikumiem FDA ierīču programmatūras funkciju drošības un efektivitātes novērtējumam, tostarp dažām programmatūras ierīču funkcijām, kas izmanto mašīnmācīšanās modeļus, kas apmācīti, izmantojot mašīnmācīšanās metodes. FDA normatīvā politika ir attīstījusies no sākotnējā priekšlikuma līdz praktiskām vadlīnijām.

Pēc Eiropas veselības datu telpas publicēšanas pagājušā gada jūlijā ES atkal ir pieņēmusi Mākslīgā intelekta likumu. Pirmā mērķis ir pēc iespējas labāk izmantot veselības datus, lai nodrošinātu augstas kvalitātes veselības aprūpi, mazinātu nevienlīdzību un atbalstītu datus profilaksei, diagnostikai, ārstēšanai, zinātniskajām inovācijām, lēmumu pieņemšanai un likumdošanai, vienlaikus nodrošinot, ka ES pilsoņiem ir lielāka kontrole pār saviem personas veselības datiem. Otrais skaidri norāda, ka medicīniskās diagnostikas sistēma ir augsta riska mākslīgā intelekta sistēma, un tai ir jāpieņem mērķtiecīga stingra uzraudzība, visa dzīves cikla uzraudzība un pirmsnovērtēšanas uzraudzība. Eiropas Zāļu aģentūra (EMA) ir publicējusi pārdomu dokumenta projektu par mākslīgā intelekta izmantošanu zāļu izstrādes, regulēšanas un lietošanas atbalstam, uzsverot mākslīgā intelekta uzticamības uzlabošanu, lai nodrošinātu pacientu drošību un klīnisko pētījumu rezultātu integritāti. Kopumā ES regulatīvā pieeja pakāpeniski veidojas, un galīgās īstenošanas detaļas var būt detalizētākas un stingrākas. Krasi pretstatā ES stingrajam regulējumam, Apvienotās Karalistes mākslīgā intelekta regulējuma projekts skaidri norāda, ka valdība plāno ievērot mērenu pieeju un pagaidām nepieņemt jaunus likumprojektus vai neizveidot jaunus regulatorus.

Ķīnā Nacionālās medicīnas produktu administrācijas Medicīnas ierīču tehniskās pārskatīšanas centrs (NMPA) iepriekš ir izdevis tādus dokumentus kā “Dziļās mācīšanās atbalstītas lēmumu programmatūras pārskatīšanas punkti”, “Mākslīgā intelekta medicīnas ierīču reģistrācijas pārskatīšanas vadlīnijas (projekts komentāriem)” un “Apkārtraksts par mākslīgā intelekta medicīnas programmatūras produktu klasifikācijas un definīcijas vadlīnijām (Nr. 47, 2021. g.)”. Šogad atkal tika publicēts “Pirmo medicīnas ierīču produktu klasifikācijas rezultātu kopsavilkums 2023. gadā”. Šī dokumentu sērija padara mākslīgā intelekta medicīnas programmatūras produktu definīciju, klasifikāciju un regulējumu skaidrāku un vieglāk lietojamu, kā arī sniedz skaidras vadlīnijas dažādu nozares uzņēmumu produktu pozicionēšanas un reģistrācijas stratēģijām. Šie dokumenti nodrošina ietvaru un vadības lēmumus mākslīgā intelekta medicīnas ierīču zinātniskai regulēšanai. Ir vērts gaidīt, ka Ķīnas Medicīnas mākslīgā intelekta konferences, kas notika Handžou no 21. līdz 23. decembrim, darba kārtībā tika izveidots īpašs forums par digitālo medicīnisko pārvaldību un valsts slimnīcu augstas kvalitātes attīstību, kā arī mākslīgā intelekta medicīnas ierīču testēšanas un novērtēšanas tehnoloģiju standartizācijas nozares attīstības forums. Tajā laikā sanāksmē piedalīsies Nacionālās attīstības un reformu komisijas un NMPA amatpersonas, kas, iespējams, publicēs jaunu informāciju.

Secinājums

2023. gadā medicīniskais mākslīgais intelekts ir sācis integrēties visā medicīnas augšupējā un lejupējā procesā, aptverot slimnīcu datu vākšanu, apkopošanu, analīzi, diagnostiku un ārstēšanu, kā arī sabiedrības skrīningu, un organiski sadarbojas ar medicīnas/slimību kontroles darbiniekiem, parādot potenciālu uzlabot cilvēku veselību. Izmantojama medicīniskā mākslīgā intelekta pētniecība sāk parādīties. Nākotnē medicīniskā mākslīgā intelekta progress ir atkarīgs ne tikai no pašas tehnoloģiskās attīstības, bet arī no pilnīgas nozares, universitāšu un medicīnas pētījumu sadarbības, kā arī politikas veidotāju un regulatoru atbalsta. Šī starpnozaru sadarbība ir atslēga uz mākslīgā intelekta integrētu medicīnas pakalpojumu sasniegšanu un noteikti veicinās cilvēku veselības attīstību.