Skip to main content
European Commission logo print header

Kahun - an interactive medical knowledge base, for modeling medical knowledge and managing diagnostic processes, as well medical knowledge related to COVID-19.

Article Category

Article available in the following languages:

Przeniesienie inteligentnych narzędzi wsparcia diagnostycznego na wyższy poziom

Aby zminimalizować ryzyko błędnych diagnoz, nowatorska platforma oparta na sztucznej inteligencji oferuje lekarzom rodzaj niezależnej konsultacji, którą mógłby zapewnić wyszkolony lekarz.

Zdrowie icon Zdrowie

Zgodnie z danymi Society to Improve Diagnosis in Medicine w samych Stanach Zjednoczonych błędy diagnostyczne prowadzą do śmierci lub obrażeń u 40 000 do 80 000 pacjentów rocznie. Szacuje się, że błędne diagnozy stawiane są w 10–15 % przypadków, stanowiąc problem we wszystkich specjalizacjach medycznych. „Powodem jest zazwyczaj doświadczenie pracowników medycznych, presja czasu lub błędy poznawcze oraz zjawisko „zakotwiczenia”, czyli sytuacja, w której klinicyści zbyt wcześnie wysuwają wnioski”, wyjaśnia Eitan Ron, koordynator finansowanego ze środków UE projektu Kahun. Aby rozwiązać ten problem, zespół projektu Kahun stworzył narzędzia wsparcia diagnostycznego wykorzystujące sztuczną inteligencję: „oparte na pierwszej tego rodzaju technologii, która odwzorowuje rozumowanie kliniczne wyszkolonych lekarzy”, mówi Ron.

Chatbot do oceny klinicznej pacjenta i innowacyjna aplikacja

Pierwotna wersja aplikacji została wydana na początku 2021 roku, a jej darmowej wersji użyło już około 7 000 klinicystów do diagnozy dziesiątek tysięcy przypadków. Firma Kahun Medical, będąca gospodarzem projektu, zawarła również umowę z czasopismem „New England Journal of Medicine” na wprowadzenie wiedzy do jego narzędzia do symulacji medycznej o nazwie Healer. „Aby pomóc w zyskaniu akceptacji ze strony społeczności medycznej, przedstawiliśmy również chatbota do oceny klinicznej pacjenta, którego działanie oparte jest na tej samej technologii, która służy do zbierania informacji od pacjentów przed konsultacjami”, mówi Ron. Został on już zastosowany do wirtualnej oceny klinicznej przed wizytą w amerykańskiej usłudze telemedycznej opieki doraźnej HelixVM. Wykorzystuje go również Healthbridge, chmurowe rozwiązanie rejestracyjne z RPA, które obsługuje 3 000 klinik.

Silnik rozumowania klinicznego: napędzany przez sztuczną inteligencję, skatalogowany przez specjalistów medycznych

Opracowany w ramach projektu silnik rozumowania klinicznego opiera się na ustrukturyzowanym grafie wiedzy, bazującym na literaturze medycznej, którą skatalogowali i wzbogacili o swoje uwagi specjaliści medyczni. „Na chwilę obecną w katalogu znajduje się ponad 30 milionów zależności między chorobami, ustaleniami, powikłaniami, wynikami badań laboratoryjnych, czynnikami ryzyka itp.”, dodaje Ron. Pierwsza wersja aplikacji dla klinicystów, dostępna zarówno na systemy Apple, jak i Android, pozwala lekarzom na wprowadzanie danych pacjenta, takich jak wiek i płeć, wraz ze szczegółami klinicznymi, takimi jak objawy i wyniki badań. Następnie trafiają one do specjalnego interfejsu. Opracowany przez zespół silnik sztucznej inteligencji wykorzystuje następnie graf wiedzy do wygenerowania diagnozy różnicowej i sugestii dalszych badań, przedstawiając oryginalne źródła wykorzystane przez algorytm. W przypadku chatbota dla pacjentów ocena kliniczna Kahun wypełniana jest przez pacjentów za pośrednictwem narzędzia internetowego. Sztuczna inteligencja wykorzystuje graf wiedzy do wygenerowania wywiadu klinicznego. Na podstawie każdej udzielonej odpowiedzi określane jest najodpowiedniejsze następne pytanie, co umożliwia systemowi ciągłą aktualizację roboczej diagnozy różnicowej. Wywiad kończy się, gdy silnik zbierze wystarczającą ilość informacji. Następnie do dokumentacji medycznej odpowiedniego pacjenta trafia podsumowanie zawierające historię bieżącej choroby, przegląd układów, sugerowaną diagnozę różnicową oraz kolejne kroki.

Pomyślne wyniki badań na dokładność diagnozy różnicowej

Trafność diagnoz stawianych przez narzędzie Kahun badano w odniesieniu do przypadków klinicznych z egzaminów kwalifikujących do wykonywania zawodu lekarza w USA, część druga: nauki kliniczne. Przypadki wprowadzono do narzędzia Kahun i oceniono dokładność jego diagnoz różnicowych. Trafność diagnozy dla każdego przypadku zbadano pod kątem czułości diagnostycznej i specyficznych dla danego przypadku wskaźników powodzenia. Do badania włączono 91 przypadków klinicznych, obejmujących 78 różnych głównych dolegliwości ze średnią 38 ustaleń dla każdego przypadku. Spodziewano się uzyskania łącznie 272 diagnoz. Spośród nich narzędzie Kahun zaproponowało 231 w obrębie 20 najczęstszych rozpoznań, 209 w obrębie 10 najczęstszych rozpoznań i 168 w obrębie 5 najczęstszych rozpoznań. „Ogólnie rzecz biorąc, nasze narzędzie kompleksowo poradziło sobie z szerokim wachlarzem ustaleń klinicznych. Udało się wykazać jego dokładność diagnostyczną”, podsumowuje Ron. W innym badaniu, którego celem była ocena funkcji zbierania danych przez osiem chatbotów do weryfikacji objawów z wykorzystaniem 28 przypadków klinicznych, stwierdzono, że chatbot dla pacjentów Kahun miał najwyższą skuteczność, osiągając najwyższy wskaźnik trafnych ustaleń dotyczących danego przypadku.

Słowa kluczowe

Kahun, diagnoza, kliniczny, silnik rozumowania, sztuczna inteligencja, pacjent, chatbot, algorytm, telemedycyna

Znajdź inne artykuły w tej samej dziedzinie zastosowania