مقدمه‌ای بر هوش مصنوعی در آزمایشگاه پزشکی: نقش‌ها، مرزها، اعتبارسنجی و اخلاق

سود:

• توانایی تشخیص اینکه کجا هوش مصنوعی در زمان واقعی در جریان کار آزمایشگاهی صرفه جویی می کند (پیش تحلیلی، تحلیلی، پس از تحلیل) و تصمیمات حیاتی ایمنی (اعتبارسنجی نتایج، تفسیر بالینی، تشخیص) با توجه به سطح ریسک کار به متخصص واگذار می شود.
• توانایی اعمال رشته‌ای که هر خروجی هوش مصنوعی را از طریق مراحل پیوند دادن آن به منبع، محاسبه مجدد و فیلتر بالینی/تحلیلی تأیید می‌کند.
• ناشناس کردن اطلاعات بیمار در محدوده KVKK/حریم خصوصی و به دست آوردن عادت انتخاب وسیله نقلیه ایمن

هزاران تصمیم در یک آزمایشگاه پزشکی هر روز در سکوت گرفته می شود. آیا یک لوله پذیرفته می شود یا رد می شود. آیا نتیجه پتاسیم واقعی است یا به دلیل همولیز. آیا سلولی که در اسمیر خون دیده می شود یک لنفوسیت طبیعی است یا یک بلاست. شاید به همین دلیل است که کراتینین بیمار نسبت به مقدار قبلی آن دو برابر شده است. برخی از این تصمیمات تکراری و زمان بر هستند. برخی از آنها تصمیماتی هستند که می توانند مستقیماً بر زندگی یک فرد تأثیر بگذارند و حاشیه خطای آنها باید نزدیک به صفر باشد. هوش مصنوعی (AI یا به اختصار AI - سیستم‌های رایانه‌ای که می‌توانند متن تولید کنند، الگوها را تشخیص دهند، تصاویر را طبقه‌بندی کنند، و مانند انسان محاسبات انجام دهند) درست در وسط این تصویر قرار می‌گیرد: وقتی به درستی استفاده شود، کارهای تکراری را سرعت می‌بخشد و به شما فرصت فکر کردن می‌دهد. در صورت استفاده نادرست، می تواند خروجی به ظاهر ایمن اما نادرست را به گزارش بیمار منتقل کند.

واحد اول این ماژول یک معرفی نرم افزار نیست. هدف آن این است که مشخص کند هوش مصنوعی را در کجای حرفه خود قرار دهید و اصلاً کجا آن را قرار ندهید. از آنجایی که علوم آزمایشگاهی پزشکی یک رشته "ایمنی حیاتی" است: هر نتیجه ای که تولید می کنید می تواند بر تصمیم تشخیصی پزشک، دوز دارو، تاخیر در جراحی تاثیر بگذارد. بیایید این اصل اساسی را در اینجا تکرار کنیم: هوش مصنوعی یک دستیار است، نه یک متخصص آزمایشگاه. تصمیم برای انتشار (اعتبار) نتیجه، تفسیر بالینی و تشخیص بر عهده متخصص ذیصلاح - پزشک متخصص آزمایشگاه و پزشک معالج است.

کل فرآیند تست و مکان هوش مصنوعی

برای درک کار آزمایشگاهی، لازم است فرآیند به سه مرحله تقسیم شود. مرحله پیش تحلیلی مرحله ای از سفارش نمونه تا ورود آن به دستگاه است: دستور آزمایش، آماده سازی بیمار، جمع آوری خون، برچسب زدن، حمل و نقل، سانتریفیوژ. فاز تحلیلی مرحله ای است که اندازه گیری روی دستگاه انجام می شود. مرحله پس از تحلیل، تأیید، تفسیر، گزارش و تحویل نتیجه به پزشک است. نکته جالب این است که اکثر خطاهای آزمایشگاهی در مرحله پیش تحلیلی رخ می دهد نه در مرحله تحلیلی (ابزار). هوش مصنوعی می تواند هر سه فاز را لمس کند، اما نه هر کدام با قدرت یکسان.

منظور ما از "آنالیت" ماده یا پارامتر مورد اندازه گیری است: گلوکز، کراتینین، پتاسیم، هموگلوبین و غیره. "محدوده مرجع" محدوده مقادیر مورد انتظار یک آنالیت در یک جمعیت سالم است و بر اساس سن، جنسیت، روش متفاوت است. "تأیید اعتبار" در آزمایشگاه به دو معنا به کار می رود: تایید یک نتیجه قبل از انتشار آن، و اثبات قابلیت اطمینان یک روش/روش/مدل. هوش مصنوعی می تواند یک تفسیر اولیه واضح از یک نتیجه ایجاد کند. اما فقط متخصص ارزیابی می کند که آیا این تفسیر برای وضعیت بالینی بیمار، داروها و نتایج قبلی مناسب است یا خیر.

جدول زیر نقش و سطح خطر هوش مصنوعی را بر اساس ماموریت خلاصه می کند:

تلاش

نقش هوش مصنوعی

سطح ریسک

کی تایید میکنه

تخمین حجم کار، مرتب سازی نمونه

شتاب دهنده، برنامه ریز

پایین

مدیر آزمایشگاه

نوشتن پیش نویس نظر نتیجه گیری

مولد طرح، کنترل شده

متوسط

متخصص آزمایشگاه

بررسی دلتا / تولید هشدار QC

محرک آماری

متوسط-بالا

متخصص (علت اصلی را پیدا می کند)

پیش طبقه بندی تصویر (اسمیر، ادرار)

مقدماتی، هرگز حرف پایانی

بالا

متخصص (تأیید تشخیص)

اعلان ارزش هراس

مرورگر، پیش نویس

بسیار بالا

کارشناس (تأیید، گزارش)

تشخیص / تصمیم بالینی

مفید نیست

بسیار بالا

پزشک + متخصص آزمایشگاه

یک خط در این نمودار را به خاطر داشته باشید: با افزایش ریسک، کاهش نقش هوش مصنوعی، تایید انسان افزایش می یابد.

چرا "تأیید" قلب این تجارت است

به نظر می رسد مدل های زبان هوش مصنوعی در پاسخ خود مطمئن هستند، اما ممکن است مطمئن نباشند. در زبان فنی، این توهم نامیده می شود: این ساخت مدل از اطلاعات ناموجود در یک جمله روان است، گویی درست است. برای یک متخصص آزمایشگاهی، این یک تله کشنده است: مدل ممکن است به شما بگوید "پتاسیم طبیعی سرم در بزرگسالان 3.5-5.1 میلی مول در لیتر است" (که نزدیک به دقیق است)، اما همچنین ممکن است پاسخ دهد "محدوده نرمال فریتین 30-400 نانوگرم در میلی لیتر برای همه است"، بدون توجه به تفاوت جنسیتی (این نادرست است). از آنجایی که او هر دو را با یک تسلط می گوید، تنها چیزی که حق را از باطل جدا می کند علم و عادت شما به راستی آزمایی است.

رشته تأیید شامل سه مرحله است:

1. پیوند به منبع: برای اطلاعاتی مانند محدوده مرجع، واحد، روش، به سوابق معتبر آزمایشگاهی و منابع شناسایی شده (درج بسته سازنده، روش معتبر، دستورالعمل‌های ملی/بین‌المللی)، نه حافظه هوش مصنوعی تکیه کنید. از هوش مصنوعی برای تفسیر این داده ها استفاده کنید نه برای به خاطر سپردن آن ها.
2. محاسبه مجدد/مقایسه: به طور مستقل هر نتیجه عددی، واحد و تغییر دلتا را که هوش مصنوعی برمی گرداند بررسی کنید. به ویژه، سازگاری واحد آزمایش (mg/dL ↔ mmol/L) و مطابقت با نتیجه قبلی.
3. فیلتر بالینی و تحلیلی: با یک چشم متخصص تست کنید تا ببینید آیا خروجی با وضعیت پزشکی بیمار، داروها، کیفیت نمونه و وضعیت QC مغایرت دارد یا خیر.

توجه: کپی کردن تفسیر نتیجه تولید شده توسط هوش مصنوعی در گزارش بیمار بدون تأیید آن مانند ارائه یک گزارش نتیجه بدون امضا از نظر مسئولیت حرفه ای شما است. کامنت فقط به این دلیل که روان منتشر شده درست نیست.

حریم خصوصی: داده های بیمار داده های خصوصی هستند

داده های آزمایشگاهی بیمار (نتایج آزمایش، تشخیص، شماره پروتکل، اطلاعات شناسایی) داده های شخصی حساس هستند و تحت KVKK (قانون حفاظت از داده های شخصی) در ترکیه و GDPR در اروپا محافظت می شوند. قرار دادن نام بیمار، شماره شناسه TR، شماره پروتکل و تشخیص در ابزار هوش مصنوعی در دسترس عموم، تخلف جدی است. قانون ساده است: داده ها را ناشناس کنید. به جای "Ayşe Yılmaz، 68 ساله، پروتکل 2024-114523، بیماری مزمن کلیه"، بنویسید "بیمار زن 68 ساله، نارسایی کلیه شناخته شده"؛ نام، اطلاعات تماس، موسسه و شماره پروتکل را حذف کنید. در صورت امکان، ابزارهای شرکتی را انتخاب کنید که دارای قرارداد پردازش داده هستند و از داده های شما در آموزش مدل استفاده نمی کنند.

سه کیف کوچک

مورد 1 - استفاده ایمن. یک متخصص بیوشیمی می‌خواهد یک طرح کلی از اطلاعات برای 8 پارامتر غیرطبیعی در گزارش بیمار به بیمار داده شود. هوش مصنوعی یک طرح ساده از مقادیر ناشناس (بدون نام) تولید می کند. متخصص محدوده های مرجع را با مقادیر آزمایشگاه خود مقایسه می کند، جملاتی را که دلالت بر "تشخیص قطعی" دارند حذف می کند و یادداشت "برای ارزیابی با پزشک خود مشورت کنید" اضافه می کند. مدت زمان: 4 دقیقه به جای 15 دقیقه. هوش مصنوعی پیش نویس را داد، مسئولیت بر عهده کارشناس باقی ماند.

مورد 2 - تله نظرات تأیید نشده. متخصص دیگری به YZ یک نتیجه TSH (هورمون محرک تیروئید) را تفسیر می کند. هوش مصنوعی به ما می گوید که نتیجه نسبت به محدوده مرجع بزرگسالان "عادی" است. اما نمونه از یک نوزاد است و محدوده مرجع نوزاد کاملا متفاوت است. نظر نادرست است زیرا برای گروه سنی اشتباهی ساخته شده است. اعتبار سنجی حذف شد، زمینه بالینی از دست رفت.

مورد 3 - نقض محرمانه بودن. یک تکنسین آزمایشگاه نام کامل بیمار و گزارش PDF را در یک ابزار هوش مصنوعی عمومی بارگیری می کند و می گوید "نظر". داده ها به یک سرور خارجی رفت. موسسه با بررسی KVKK مواجه است. راه درست این بود که داده ها را ناشناس کنید و فقط مقادیر عددی لازم را به صورت ناشناس به اشتراک بگذارید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

تفسیر نتایج تجزیه و تحلیل این بیمار: Ayşe Yılmaz، TC 123...، پروتکل 2024-114523. کراتینین 2.1، اوره 90، پتاسیم 5.8.

این درخواست از سه جنبه اشتباه است: اطلاعات هویتی به اشتراک گذاشته شده است (نقض KVKK)، واحدها و محدوده مرجع ارائه نشده است و هیچ زمینه بالینی (سن، جنسیت، تشخیص) وجود ندارد. هوش مصنوعی شکاف ها را با حدس و گمان پر می کند و خطر سوء تعبیر وجود دارد.

اعلان قدرتمند:

نقش شما: دستیار آماده سازی DRAFT برای متخصص آزمایشگاه. تشخیص، تصمیم گیری بالینی. برای نتایج ناشناس زیر یک توضیح ساده برای بیمار پیش نویس کنید. دلالت بر تشخیص قطعی؛ یادداشت "با پزشک خود مشورت کنید" را اضافه کنید. جایی را که مطمئن نیستید علامت بزنید [برای تایید کارشناس]. بیمار: خانم 68 ساله، بیماری مزمن کلیوی شناخته شده. نتایج (با مرجع واحد و آزمایشگاه ما): کراتینین 2.1 میلی گرم در دسی لیتر (مرجع 0.5-0.9)، اوره 90 میلی گرم در دسی لیتر (مرجع 17-43)، پتاسیم 5.8 میلی مول در لیتر (مرجع 3.5-5.1).

اعلان قوی ناشناس است، نقش و مرز را مشخص می‌کند، واحد و مرجع می‌دهد، زمینه بالینی را ارائه می‌کند و علامت تأیید را درخواست می‌کند.

الگوهای درخواستی قابل کپی

الگوی توصیف نقش و مرز نقش شما: پیش نویس تهیه دستیار متخصص آزمایشگاه. شما متخصص نیستید؛ تشخیص، تصمیم گیری برای انتشار نتیجه، ارائه توصیه های بالینی. تایید نهایی متعلق به کارشناس است. اگر مطمئن نیستید، آن را به عنوان "[بگذارید متخصص تأیید کند]" علامت بزنید، آن را درست نکنید. وظیفه: [تکلیف بنویس].

الگوی کنترل ناشناس نام، شناسه TR، شماره پروتکل/فایل، اطلاعات تماس و موسسه را از متن زیر استخراج کنید. با "[حذف شده]" جایگزین کنید. فقط اطلاعات لازم از نظر بالینی/تحلیلی را بگذارید. هیچ سرنخی از هویت در خروجی باقی نگذارید. متن: [پیست متن]

الگوی بررسی اعتبار برای هر تفسیر نتیجه ای که تولید می کنید، نشان دهید: (1) چه محدوده مرجعی را در نظر گرفته اید، (2) آیا آن واحد سازگار است، و (3) جایی که تفسیر به زمینه بالینی بستگی دارد. از زبان "ممکن" به جای مطلق استفاده کنید.

الگوی مرتب‌سازی سطح خطر، وظیفه آزمایشگاهی را که به شما می‌دهم در یکی از سه دسته قرار دهید و یک دلیل منطقی بنویسید: (الف) کم خطر - طرح کلی هوش مصنوعی کافی است، (ب) ریسک متوسط ​​- تأیید تخصصی، (ج) خطر بالا/خیلی بالا - تشخیص/تصمیم متعلق به متخصص است، هوش مصنوعی فقط کمکی است. وظیفه: [تکلیف بنویس].

اشتباهات رایج

• اشتباه گرفتن هوش مصنوعی با یک "متخصص". هوش مصنوعی روان صحبت می کند اما مسئولیتی ندارد. امضا مال شماست خروجی یک پیش نویس است، نه یک تصمیم.
• چسباندن اعتبارنامه همانطور که هست. نام، شماره شناسه TR و شماره پروتکل داده های خاصی هستند. اشتراک‌گذاری بدون ناشناس کردن، نقض KVKK است.
• زیر سوال بردن محدوده مرجع. هوش مصنوعی یک محدوده کلی می دهد. محدوده دستگاه و گروه سنی/جنسی شما ممکن است متفاوت باشد.
• عدم ارائه زمینه بالینی تفسیر بدون سن، جنسیت، تشخیص، دارو و کیفیت نمونه گمراه کننده است.
• رها کردن چون "به نظر درست می رسد." روانی دقت نیست. هر خروجی نیاز به کنترل مستقل دارد.

نکته: قبل از شروع کار با هوش مصنوعی، یک سوال از خود بپرسید: "اگر این خروجی اشتباه باشد چه اتفاقی برای بیمار می افتد؟" اگر پاسخ جدی است، از هوش مصنوعی فقط برای پیش‌نویس/صلاحیت استفاده کنید و هرگز از تأیید صحت رد نشوید.

به طور خلاصه

هوش مصنوعی دستیار قدرتمندی در آزمایشگاه پزشکی است: کارهای تکراری را سرعت می بخشد، طرح های اولیه تولید می کند، الگوها را اسکن می کند. اما از آنجایی که شما در یک منطقه حیاتی از نظر ایمنی کار می کنید، تصمیم برای انتشار نتیجه، تفسیر بالینی و تشخیص بر عهده متخصص واجد شرایط است. نقش هوش مصنوعی در هر مرحله از فرآیند کل آزمایش (پیش تحلیلی، تحلیلی، پس از تحلیل) بسته به سطح ریسک متفاوت است. با افزایش خطر، تایید انسان افزایش می یابد. سه رشته اصلی از هر مرحله محافظت می کنند: منبع، محاسبه مجدد/مقایسه، فیلتر بالینی-تحلیلی. و محرمانه بودن زیربنای همه چیز است: داده های بیمار بدون ناشناس شدن به هیچ ابزاری وارد نمی شود.

وظیفه کاربردی

سه کار مختلف را از آزمایشگاه خودتان (یا از یک سناریوی مثال) انتخاب کنید: یکی کم خطر (مثلاً خلاصه حجم کار)، یک با ریسک متوسط ​​(مثلاً پیش نویس تفسیر نتیجه)، یکی با ریسک بالا (مثلاً بیانیه ارزش بحرانی). برای هر کدام، (1) نقش هوش مصنوعی را در یک جمله توصیف کنید، (2) بنویسید که چه مرحله تأییدی را انجام خواهید داد، (3) نشان دهید که چگونه داده ها را ناشناس می کنید. سپس الگوی «تعریف نقش و مرزها» در بالا را با وظیفه ریسک متوسط ​​خود تطبیق دهید و یک درخواست بنویسید.

چک لیست

• [ ] من سطح ریسک (کم/متوسط/بالا) کار را تعیین کردم.
• [ ] من نقش هوش مصنوعی را به "دستیار/پیش نویس/واجد شرایط" محدود کردم. تشخیص/تصمیم با متخصص است.
• [ ] من داده ها را ناشناس کردم. نام، TR ID، شماره پروتکل خروجی است.
• [ ] من محدوده مرجع و واحد را با مقادیر آزمایشگاه خودم تأیید کردم.
• [ ] من زمینه بالینی (سن، جنسیت، تشخیص، کیفیت نمونه) را به درخواست اضافه کردم.
• [ ] من خروجی را قبل از انتشار آن را تحت بررسی های مستقل قرار دادم.