Поскольку лабораторная медицина продолжает проходить цифровизацию и автоматизацию, клинические лаборатории, скорее всего, столкнутся с проблемами, связанными с искусственным интеллектом (ИИ). Понимание того, для чего хороший ИИ, как его оценивать, какие его ограничения и как его можно применить, недостаточно понятно.

Достижения нашего понимания биологии, болезней и молекулярной медицины создали центральную роль лабораторной медицины в диагностической работе многих, если не большинства заболеваний. Считается, что 70% решений относительно диагноза, лечения и выписки пациента частично базируются на результатах лабораторных исследований. К сожалению, основной причиной медицинских ошибок в мировой медицине есть неточный диагноз. Постоянно растущее нагрузки, высокие расходы на здравоохранение и потребность в повышении точности требуют постоянной оптимизации лабораторных процессов. И со здравоохранением, и с лабораторной медициной переходя в эру больших данных и искусственного интеллекта (ИИ), способность оказывать точные, легкодоступные и контекстуализовани данные чрезвычайно важна. ИИ в здравоохранении - это использование сложных алгоритмов и программного обеспечения для подражания познания человека при анализе сложных медицинских данных, полученных по диагностике, медицинских записей, заявлений, клинических испытаний и тому подобное. Алгоритмы ИИ могут нормально функционировать только с надежными и точными лабораторными данными. Автоматизация и ИИ могут фундаментально изменить способ применения медицины, как показали недавние применения в офтальмологии и дерматологии.

С ростом роли лабораторной медицины при многих заболеваниях, ИИ имеет потенциал для совершенствования диагностики за счет более точного выявления патологии, лучшего рабочего процесса в лабораториях, улучшение поддержки принятия решений и уменьшения затрат, что приводит к повышению эффективности.

Поскольку лабораторная медицина продолжает проходить цифровизацию и автоматизацию, клинические лаборатории, скорее всего, столкнутся с проблемами, связанными с оценкой, внедрением и подтверждением алгоритмов ИИ, как в своих лабораториях, так и вне их. Понимание того, для чего ИИ полезен и где его можно применять, а также современный уровень и ограничения, будет полезным практикующим лабораториям и клиницистам. С другой стороны, внедрение новых технологий требует готовности изменить текущую структуру и мышления по этим технологиям, которые не всегда хорошо понятны. Исторически сложилось так, что в медицинском сообществе наблюдался сопротивление внедрению новых технологий.

В настоящее время ИИ используется в клиниках и лабораториях, работники имеют ИИ в своей практике используют ее для диагностики заболеваний с изображениями, просмотра профилей риска пациентов для определенных состояний, опережение решений быстрого реагирования и автоматического обнародования лабораторных результатов и финансовой аналитики. Примеры конкретных случаев использования включают ИИ для проведения цифрового клеточного анализа периферической крови, анализа лабораторных данных медицинских записей для определения пациентов, которым грозит заражение, улучшения результатов и продолжительности пребывания и реадмиссии,

На вопрос, как работники считают, или эти текущие программы можно усовершенствовать ?, большинство из них ответили, что нужны определенные предпосылки (например, пользовательский интерфейс, ИТ-поддержка и усовершенствованное программное обеспечение).

Значение ИИ на практике.

Относительно потенциального использования ИИ в диагностическом пространстве было приведено множество аргументов, и все они указывали, что ИИ может быть ценным из-за "организационной деятельности" (например, быстрее результаты, уменьшение избыточности и управления ресурсами), это может сделать лабораторию более эффективной, упростив рабочий процесс .

Опросы по ИИ для патологоанатомов, студентов-медиков, врачей и рентгенологов обнаружили, что около 80% считают, что ИИ будет влиятельным или ценным в их практике сейчас и в последующие годы, а также ИИ будет в центре следующей технологической революции.

Все опросы на эту тему в медицинском сообществе, похоже, дают схожие результаты по воспринимаемого значение ИИ независимо от возраста или опыта с ИИ в клинической практике. Тот факт, что эти результаты также совпадают со значением ИИ, который воспринимается широкой совокупности, порождает беспокойство тем, что конкретные знания по этому вопросу еще не проникли в общее медицинское сообщество и опросы по этому вопросу просто отражают продолжающийся ажиотаж вокруг ИИ. Конечно, существует разрыв между положительными взглядами информационных экспертов на ИИ и взглядами медицинского сообщества. Чтобы оценить все преимущества, которые представляет ИИ, при минимуме его недостатков необходимы кардинальные изменения в медицинском сообществе. Существует потребность в общем обучении ИИ для различных заинтересованных сторон в области здравоохранения, также возникает необходимость внедрения тренинга ИИ в медицинском образовании. Между тем обучение по новым инструментам ИИ также должно быть ответственностью компаний, которые предоставляют алгоритмы путем широкого обучения в Интернете, наряду с практическим обучением на месте.

Еще одним важным моментом является потенциал ИИ и направления высоких расходов на здравоохранение, поскольку он может уменьшить и заменить повторяющийся ручной труд.

Недавние исследования проводимые в США показали, что ИИ может помочь уменьшить расходы в системе здравоохранения США в пределах от 760 до 935 млрд долларов в год. Исследователи считают, что ИИ может сделать процесс диагностики более эффективным и 

 продуктивным при этом уменьшив расходы. Например, безопасное уменьшение количества заказанных лабораторных исследований или частоты заказов повторных тестов.

Значительная часть клиник и лабораторий не видят значимости внедрения ИИ в лабораторную медицину, частично из-за высоких начальных инвестиционных затрат. Это будет ограничивающим фактором до тех пор, пока рентабельность инвестиций и клинические выгоды от этих инструментов недостаточно ясны. Недавний тестовый обзор клинического применения ИИ при сепсисе подтверждает эту идею, обнаружив, что между разработкой алгоритмов ИИ и их клинической реализацией все еще остается большой разрыв. Остается вопрос, может ли этот разрыв между разработкой и клиническим внедрением быть вызван сопротивлением внедрению новых технологий. К сожалению, это может сдерживать исследования по этому вопросу и тем самым задерживать сбор доказательств того, могут средства ИИ быть полезными и экономически эффективными в клинической практике в больших масштабах.

Исследование этой темы показывает, что много заинтересованных сторон лабораторной медицины считают, что ИИ в ближайшее время будет для них ценным, главным образом учитывая "ценность организационной деятельности" и ожидаемые улучшения "качества помощи", хотя жизненно важные предпосылки, такие как системы поддержки, стратегические планы, и бюджеты нужно предоставлять. Общая реакция на это вызывает обеспокоенность тем, что конкретные знания о ИИ в медицинском сообществе в целом все еще являются низкими. Обучение ИИ в медицинском сообществе крайне необходимо. Одной из стратегий внедрения новых инструментов ИИ возможно использование его рядом с существующими инструментами, чтобы практикующие могли чувствовать себя комфортно с новыми инструментами и чувствовать их значимость и ценность на практике из первых уст, ожидая дальнейших исследований клинических доказательств.