AI og maskinlæring kan halvere fejl i sundhedsvæsenet

Hvis man inkorporerer kunstig intelligens (AI) og maskinlæring i sundhedsvæsenet, så har sygehusvæsenet langt bedre forudsætninger for at undgå unødvendige dødsfald.

Suchi Saria er direktør for Machine Learning and Healthcare Lab ved Johns Hopkins University og stifter og administrerende direktør for Bayesian Health. Hun forklarer i et interview med Massive Science, at det er vigtigt med en langsigtet strategi for brugen af AI og maskinlæring inden for sundhed, da effekten er så massiv.

AI og maskinlæring kan reducere skader og diagnosefejl med 50 %

Saria forudser, at AI vil finde anvendelser på tværs af sundhedsvæsenet, lige fra specialiserede plejemodeller, målretning af dyre behandlinger eller “sammensætning af data på tværs af forskellige indstillinger for at kunne yde optimal pleje til patienterne”, som hun formulerer det.

Saria forklarer, at infrastrukturen, dataene og evnen til at levere oplysninger til arbejdsgangene allerede findes. Nu handler det om at benytte den rigtige behandling af denne data og her skal AI og maskinlæring altså bringes i spil. Saria forudser, at vi i løbet af de næste fem år kan reducere skader og diagnosefejl med 50 procent ved brug af AI og maskinlæring til at håndtere den data, der allerede ligger tilgængelig.

Se også: Kunstig intelligens til medicinsk behandling

Tre udfordringer for implementeringen i sundhedsvæsenet

Målet om at integrere disse værktøjer i sundhedsvæsenet er dog stadig en udfordrende opgave. I sin TEDMED-tale fra 2020 skitserede Saria tre hovedhindringer for implementeringen.

1. For det første er der stadig udfordringer med integration og adgang til data fra elektroniske patientjournaler.
2. For det andet er incitamenterne for hospitalerne ikke tilpasset hinanden: Hospitaler belønnes ikke økonomisk for at redde liv, men for at udføre flere procedurer.
3. Endelig er det nødvendigt at opbygge mere tillid blandt lægerne.

Se også: Nyheder om kunstig intelligens