lajme

Që nga fillimi i IBM Watson në vitin 2007, njerëzit kanë ndjekur vazhdimisht zhvillimin e inteligjencës artificiale mjekësore (IA). Një sistem IA mjekësor i përdorshëm dhe i fuqishëm ka potencial të madh për të riformësuar të gjitha aspektet e mjekësisë moderne, duke mundësuar kujdes më të zgjuar, më të saktë, efikas dhe gjithëpërfshirës, ​​duke sjellë mirëqenie për punonjësit mjekësorë dhe pacientët, dhe duke përmirësuar kështu shumë shëndetin e njeriut. Në 16 vitet e fundit, megjithëse studiuesit e IA mjekësore janë grumbulluar në fusha të ndryshme të vogla, në këtë fazë, ata ende nuk kanë qenë në gjendje ta sjellin fantastikën shkencore në realitet.

Këtë vit, me zhvillimin revolucionar të teknologjisë së IA-së, siç është ChatGPT, IA mjekësore ka bërë përparim të madh në shumë aspekte. Një përparim i paparë në aftësinë e IA-së mjekësore: Revista Nature ka lançuar vazhdimisht kërkimin e modelit të gjuhës së madhe mjekësore dhe modelit bazë të imazhit mjekësor; Google publikon Med-PaLM dhe pasardhësin e tij, duke arritur një nivel eksperti në pyetjet e provimit të Mjekësisë Mjekësore në SHBA. Revistat kryesore akademike do të përqendrohen në IA-në mjekësore: Nature publikon perspektivën mbi modelin bazë të IA-së së përgjithshme mjekësore; Pas një serie rishikimesh të IA-së në Mjekësi në fillim të këtij viti, New England Journal of Medicine (NEJM) publikoi rishikimin e saj të parë dixhital të shëndetit më 30 nëntor dhe lançoi numrin e parë të nëngrupit të revistës NEJM AI më 12 dhjetor. Toka e zbarkimit të IA-së mjekësore është më e pjekur: Nëngrupi JAMA publikoi iniciativën globale të ndarjes së të dhënave të imazhit mjekësor; Administrata Amerikane e Ushqimit dhe Barnave (FDA) po zhvillon udhëzime draft për rregullimin e IA-së mjekësore.

Më poshtë, ne shqyrtojmë përparimin e rëndësishëm që studiuesit në të gjithë botën kanë bërë në drejtim të inteligjencës artificiale mjekësore të përdorshme në vitin 2023.

Modeli Bazë i IA-së Mjekësore

Ndërtimi i modelit bazë të IA-së mjekësore është padyshim fokusi më i nxehtë i kërkimit të këtij viti. Revistat Nature kanë botuar artikuj përmbledhës mbi modelin Universal Bazë të kujdesit shëndetësor dhe modelin e gjuhës së madhe të kujdesit shëndetësor gjatë vitit. Medical Image Analysis, revista kryesore në industri, shqyrtoi dhe priti me padurim sfidat dhe mundësitë e kërkimit të modelit bazë në analizën e imazhit mjekësor dhe propozoi konceptin e "origjinës së modelit bazë" për të përmbledhur dhe udhëhequr zhvillimin e kërkimit të modelit bazë të IA-së mjekësore. E ardhmja e modeleve bazë të IA-së për kujdesin shëndetësor po bëhet më e qartë. Duke u mbështetur në shembujt e suksesshëm të modeleve të gjuhës së madhe si ChatGPT, duke përdorur metoda më të avancuara të vetë-mbikëqyrjes së para-trajnimit dhe një akumulim të gjerë të të dhënave të trajnimit, studiuesit në fushën e IA-së mjekësore po përpiqen të ndërtojnë 1) modele bazë specifike për sëmundjen, 2) modele bazë të përgjithshme dhe 3) modele të mëdha multimodale që integrojnë një gamë të gjerë mënyrash me parametra masivë dhe aftësi superiore.

Modeli i Inteligjencës Artificiale të Mbledhjes së të Dhënave Mjekësore

Përveç modeleve të mëdha të IA-së që luajnë një rol të madh në detyrat e analizës së të dhënave klinike në rrjedhën e poshtme, në mbledhjen e të dhënave klinike në rrjedhën e sipërme, është shfaqur edhe teknologjia e përfaqësuar nga modelet gjeneruese të IA-së. Procesi, shpejtësia dhe cilësia e mbledhjes së të dhënave mund të përmirësohen ndjeshëm nga algoritmet e IA-së.

Më herët këtë vit, Nature Biomedical Engineering publikoi një studim nga Universiteti Straits i Turqisë që u përqendrua në përdorimin e IA-së gjeneruese për të zgjidhur problemin e diagnozës patologjike të asistuar nga imazhi në aplikimet klinike. Artefaktet në indin e ngrirë të prerjes gjatë operacionit janë një pengesë për vlerësimin e shpejtë diagnostikues. Megjithëse indi i ngulitur në formalinë dhe parafinë (FFPE) ofron një mostër me cilësi më të lartë, procesi i prodhimit të tij është kohë-humbës dhe shpesh zgjat 12-48 orë, duke e bërë atë të papërshtatshëm për përdorim në kirurgji. Prandaj, ekipi i hulumtimit propozoi një algoritëm të quajtur AI-FFPE, i cili mund ta bëjë pamjen e indit në prerjen e ngrirë të ngjashme me FFPE. Algoritmi korrigjoi me sukses artefaktet e prerjeve të ngrira, përmirësoi cilësinë e imazhit dhe ruajti tiparet klinikisht të rëndësishme në të njëjtën kohë. Në validimin klinik, algoritmi AI-FFPE përmirëson ndjeshëm saktësinë diagnostikuese të patologëve për nëntipet e tumoreve, duke shkurtuar shumë kohën e diagnozës klinike.

Cell Reports Medicine raporton një punim kërkimor nga një ekip nga Kolegji i Tretë Klinik i Universitetit Jilin, Departamenti i Radiologjisë, Spitali Zhongshan i lidhur me Universitetin Fudan dhe Universiteti i Shkencës dhe Teknologjisë i Shangait [25]. Ky studim propozon një kornizë bashkimi rindërtimi iterativ dhe mësimi të thellë me qëllim të përgjithshëm (Hibrid DL-IR) me shkathtësi dhe fleksibilitet të lartë, duke treguar performancë të shkëlqyer të rindërtimit të imazhit në MRI të shpejtë, CT me dozë të ulët dhe PET të shpejtë. Algoritmi mund të arrijë skanim shumë-sekuencial MR me një organ të vetëm në 100 sekonda, të zvogëlojë dozën e rrezatimit në vetëm 10% të imazhit CT dhe të eliminojë zhurmën, dhe mund të rindërtojë lezione të vogla nga marrja PET me 2 deri në 4 herë përshpejtim, duke zvogëluar efektin e artefakteve të lëvizjes.

IA Mjekësore në Bashkëpunim me Punonjësit e Mjekësisë

Zhvillimi i shpejtë i IA-së mjekësore i ka shtyrë gjithashtu profesionistët mjekësorë të marrin seriozisht në konsideratë dhe të eksplorojnë se si të bashkëpunojnë me IA-në për të përmirësuar proceset klinike. Në korrik të këtij viti, DeepMind dhe një ekip kërkimor shumë-institucional propozuan së bashku një sistem IA-je të quajtur Plotësues i Drejtuar nga Fluksi i Punës Klinike (CoDoC). Procesi diagnostikues diagnostikohet së pari nga një sistem parashikues i IA-së, pastaj gjykohet nga një sistem tjetër i IA-së mbi rezultatin e mëparshëm, dhe nëse ka dyshime, diagnoza bëhet më në fund nga një klinicist për të përmirësuar saktësinë diagnostikuese dhe për të balancuar efikasitetin. Kur bëhet fjalë për shqyrtimin e kancerit të gjirit, CoDoC uli normat e pozitiveve të rreme me 25% me të njëjtën normë negative të rreme, duke ulur ngarkesën e punës së klinicistit me 66%, krahasuar me procesin aktual të "arbitrazhit me lexim të dyfishtë" në Mbretërinë e Bashkuar. Sa i përket klasifikimit të TB-së, normat e pozitiveve të rreme u ulën me 5 deri në 15 përqind me të njëjtën normë negative të rreme krahasuar me IA-në e pavarur dhe rrjedhat e punës klinike.

Në mënyrë të ngjashme, Annie Y. Ng et al., të Kheiron Company në Londër, Mbretëria e Bashkuar, prezantuan lexues shtesë të IA-së (në bashkëpunim me ekzaminues njerëzorë) për të rishqyrtuar rezultatet kur nuk kishte rezultate të rikujtuara në procesin e arbitrazhit me lexim të dyfishtë, gjë që përmirësoi problemin e zbulimit të humbur në shqyrtimin e hershëm të kancerit të gjirit, dhe procesi nuk kishte pothuajse asnjë pozitiv të rremë. Një studim tjetër, i udhëhequr nga një ekip në Shkollën Mjekësore McGovern të Universitetit të Teksasit dhe i përfunduar në katër qendra të goditjes në tru, aplikoi teknologjinë e IA-së të bazuar në angiografinë e tomografisë kompjuterike (CTA) për të automatizuar zbulimin e goditjes ishemike okluzive të enëve të mëdha (LVO). Klinicistët dhe radiologët marrin njoftime në kohë reale në telefonat e tyre celularë brenda disa minutash nga përfundimi i imazherisë CT, duke i njoftuar ata për praninë e mundshme të LVO. Ky proces i IA-së përmirëson rrjedhat e punës në spital për goditjen akute ishemike, duke zvogëluar kohën nga dera në ijë nga pranimi në trajtim dhe duke ofruar mundësi për shpëtim të suksesshëm. Gjetjet janë botuar në JAMA Neurology.

Një model i kujdesit shëndetësor me inteligjencë artificiale për përfitim universal

Viti 2023 do të shohë gjithashtu shumë punë të mirë që përdor inteligjencën artificiale mjekësore për të gjetur karakteristika që janë të padukshme për syrin e njeriut nga të dhëna më të disponueshme, duke mundësuar diagnozë universale dhe shqyrtim të hershëm në shkallë të gjerë. Në fillim të vitit, Nature Medicine publikoi studime të kryera nga Qendra e Syrit Zhongshan e Universitetit Sun Yat-sen dhe Spitali i Dytë i Filialuar i Universitetit Mjekësor Fujian. Duke përdorur telefonat inteligjentë si terminale aplikacionesh, ata përdorën imazhe video të ngjashme me vizatime për të nxitur shikimin e fëmijëve dhe për të regjistruar sjelljen e shikimit dhe tiparet e fytyrës së fëmijëve, dhe analizuan më tej modele anormale duke përdorur modele të të mësuarit të thellë për të identifikuar me sukses 16 sëmundje të syrit, duke përfshirë kataraktet kongjenitale, ptozën kongjenitale dhe glaukomën kongjenitale, me një saktësi mesatare shqyrtimi prej më shumë se 85%. Kjo ofron një mjet teknik efektiv dhe të lehtë për t'u popullarizuar për shqyrtimin e hershëm në shkallë të gjerë të dëmtimit të funksionit vizual të foshnjave dhe sëmundjeve të lidhura me to.

Në fund të vitit, Nature Medicine raportoi një punë të kryer nga më shumë se 10 institucione mjekësore dhe kërkimore në të gjithë botën, duke përfshirë Institutin e Shangait për Sëmundjet Pankreatike dhe Spitalin e Parë të Filialuar të Universitetit Zhejiang. Autori aplikoi inteligjencën artificiale në shqyrtimin e kancerit pankreatik të personave asimptomatikë në qendrat e ekzaminimit fizik, spitalet etj., për të zbuluar tiparet e lezioneve në imazhet e thjeshta CT që janë të vështira për t'u zbuluar vetëm me sy të lirë, në mënyrë që të arrihet zbulimi i hershëm efikas dhe jo invaziv i kancerit pankreatik. Duke shqyrtuar të dhënat nga më shumë se 20,000 pacientë, modeli identifikoi gjithashtu 31 raste të lezioneve të humbura klinikisht, të cilat përmirësuan ndjeshëm rezultatet klinike.

Ndarja e të dhënave mjekësore

Në vitin 2023, në mbarë botën janë shfaqur shumë mekanizma më të përsosur për ndarjen e të dhënave dhe raste të suksesshme, duke siguruar bashkëpunim shumëqendror dhe hapje të të dhënave nën premisën e mbrojtjes së privatësisë dhe sigurisë së të dhënave.

Së pari, me ndihmën e vetë teknologjisë së IA-së, studiuesit e IA-së kanë kontribuar në ndarjen e të dhënave mjekësore. Qi Chang dhe të tjerë nga Universiteti Rutgers në Shtetet e Bashkuara publikuan një artikull në Nature Communications, duke propozuar një kornizë federale mësimore DSL bazuar në rrjete sintetike kundërshtare të shpërndara, e cila përdor IA gjeneruese për të trajnuar të dhënat specifike të gjeneruara të shumëqendrave, dhe më pas zëvendëson të dhënat reale të shumëqendrave me të dhënat e gjeneruara. Siguroni trajnimin e IA-së bazuar në të dhëna të mëdha shumëqendrore, duke mbrojtur njëkohësisht privatësinë e të dhënave. I njëjti ekip gjithashtu ofron me burim të hapur një set të dhënash të imazheve patologjike të gjeneruara dhe shënimet e tyre përkatëse. Modeli i segmentimit i trajnuar në setin e të dhënave të gjeneruara mund të arrijë rezultate të ngjashme me të dhënat reale.

Ekipi i Dai Qionghai nga Universiteti Tsinghua publikoi një punim mbi npj Digital Health, duke propozuar Relay Learning, i cili përdor të dhëna të mëdha në shumë vende për të trajnuar modele të IA-së nën premisën e sovranitetit të të dhënave lokale dhe mungesës së lidhjes së rrjetit ndër-vende. Ai balancon shqetësimet për sigurinë e të dhënave dhe privatësinë me ndjekjen e performancës së IA-së. I njëjti ekip më pas zhvilloi dhe validoi së bashku CAIMEN, një sistem diagnostikimi pan-mediastinal të tumoreve me CT të gjoksit bazuar në të mësuarit federal, në bashkëpunim me Spitalin e Parë të Filialuar të Universitetit Mjekësor të Guangzhou dhe 24 spitale në të gjithë vendin. Sistemi, i cili mund të aplikohet në 12 tumore të zakonshme mediastinale, arriti saktësi 44.9 përqind më të mirë kur u përdor vetëm sesa kur u përdor vetëm nga ekspertë njerëzorë, dhe saktësi diagnostikimi 19 përqind më të mirë kur ekspertët njerëzorë u ndihmuan prej tij.

Nga ana tjetër, janë duke u ndërmarrë disa iniciativa për të ndërtuar grupe të dhënash mjekësore të sigurta, globale dhe në shkallë të gjerë. Në nëntor 2023, Agustina Saenz dhe të tjerë nga Departamenti i Informatikës Biomjekësore në Shkollën Mjekësore të Harvardit publikuan në internet në Lancet Digital Health një kornizë globale për ndarjen e të dhënave të imazheve mjekësore të quajtur Të Dhëna të Inteligjencës Artificiale për të Gjithë Kujdesin Shëndetësor (MAIDA). Ata po punojnë me organizatat e kujdesit shëndetësor në të gjithë botën për të ofruar udhëzime gjithëpërfshirëse mbi mbledhjen e të dhënave dhe deidentifikimin, duke përdorur modelin e Partnerit Federal të Demonstrimit të SHBA-së (FDP) për të standardizuar ndarjen e të dhënave. Ata planifikojnë të publikojnë gradualisht grupe të dhënash të mbledhura në rajone dhe mjedise klinike të ndryshme në të gjithë botën. Grupi i parë i të dhënave pritet të publikohet në fillim të vitit 2024, me më shumë të dhëna që do të vijnë ndërsa partneriteti zgjerohet. Projekti është një përpjekje e rëndësishme për të ndërtuar një grup global, në shkallë të gjerë dhe të larmishëm të të dhënave të IA-së të disponueshme publikisht.

Pas propozimit, UK Biobank ka dhënë një shembull. UK Biobank publikoi të dhëna të reja më 30 nëntor nga sekuencimi i të gjithë gjenomit të 500,000 pjesëmarrësve të saj. Baza e të dhënave, e cila publikon sekuencën e plotë të gjenomit të secilit prej 500,000 vullnetarëve britanikë, është baza e të dhënave më e madhe e plotë e gjenomit njerëzor në botë. Studiuesit në të gjithë botën mund të kërkojnë qasje në këto të dhëna të paidentifikuara dhe t'i përdorin ato për të hetuar bazën gjenetike të shëndetit dhe sëmundjeve. Të dhënat gjenetike kanë qenë gjithmonë shumë të ndjeshme për verifikim në të kaluarën, dhe ky arritje historike e UK Biobank dëshmon se është e mundur të ndërtohet një bazë të dhënash globale në shkallë të gjerë, e hapur dhe pa privatësi. Me këtë teknologji dhe bazë të dhënash, IA mjekësore është e destinuar të sjellë hapin e radhës.

Verifikimi dhe Vlerësimi i Inteligjencës Artificiale Mjekësore

Krahasuar me zhvillimin e shpejtë të vetë teknologjisë së IA-së mjekësore, zhvillimi i verifikimit dhe vlerësimit të IA-së mjekësore është pak i ngadaltë. Validimi dhe vlerësimi në fushën e përgjithshme të IA-së shpesh i injorojnë kërkesat reale të klinicistëve dhe pacientëve për IA-në. Provat klinike tradicionale të kontrolluara të rastësishme janë shumë të mundimshme për t'u përballur me përsëritjen e shpejtë të mjeteve të IA-së. Përmirësimi i sistemit të verifikimit dhe vlerësimit të përshtatshëm për mjetet e IA-së mjekësore sa më shpejt të jetë e mundur është gjëja më e rëndësishme për të promovuar IA-në mjekësore për të kapërcyer vërtet kërkimin dhe zhvillimin drejt arritjes klinike.

Në punimin kërkimor të Google mbi Med-PaLM, të botuar në Nature, ekipi publikoi gjithashtu standardin e vlerësimit MultiMedQA, i cili përdoret për të vlerësuar aftësinë e modeleve të mëdha gjuhësore për të fituar njohuri klinike. Standardi kombinon gjashtë grupe të dhënash ekzistuese profesionale mjekësore me pyetje dhe përgjigje, që mbulojnë njohuritë profesionale mjekësore, kërkimin dhe aspekte të tjera, si dhe një grup të dhënash të bazës së të dhënave të pyetjeve mjekësore të kërkimit online, duke marrë në konsideratë lidhjen online mjek-pacient, duke u përpjekur të trajnojë IA-në në një mjek të kualifikuar nga shumë aspekte. Përveç kësaj, ekipi propozon një kornizë të bazuar në vlerësimin njerëzor që merr në konsideratë dimensione të shumta të fakteve, të kuptuarit, të arsyetimit dhe të paragjykimeve të mundshme. Ky është një nga përpjekjet më përfaqësuese kërkimore për të vlerësuar IA-në në kujdesin shëndetësor të botuar këtë vit.

Megjithatë, a do të thotë fakti që modelet e gjuhës së madhe tregojnë një nivel të lartë kodimi të njohurive klinike që modelet e gjuhës së madhe janë kompetente për detyra klinike të botës reale? Ashtu si një student mjekësie që kalon provimin profesional të mjekut me një rezultat perfekt është ende larg të qenit një mjek kryesor solo, kriteret e vlerësimit të propozuara nga Google mund të mos jenë një përgjigje perfekte për temën e vlerësimit të IA-së mjekësore për modelet e IA-së. Që në vitet 2021 dhe 2022, studiuesit kanë propozuar udhëzime raportimi si Decid-AI, SPIRIT-AI dhe INTRPRT, duke shpresuar të udhëheqin zhvillimin e hershëm dhe validimin e IA-së mjekësore me kusht që të merren në konsideratë faktorë të tillë si praktikaliteti klinik, siguria, faktorët njerëzorë dhe transparenca/interpretueshmëria. Kohët e fundit, revista Nature Medicine publikoi një studim nga studiues nga Universiteti i Oksfordit dhe Universiteti i Stanfordit mbi nëse duhet të përdoret "validim i jashtëm" apo "validim lokal i përsëritur". Për të validuar mjetet e IA-së.

Natyra e paanshme e mjeteve të IA-së është gjithashtu një drejtim i rëndësishëm vlerësimi që ka marrë vëmendje këtë vit nga artikujt e Science dhe NEJM. IA shpesh shfaq paragjykime sepse është e kufizuar në të dhënat e trajnimit. Ky paragjykim mund të pasqyrojë pabarazinë sociale, e cila evoluon më tej në diskriminim algoritmik. Institutet Kombëtare të Shëndetit kohët e fundit lançuan iniciativën Bridge2AI, e cila vlerësohet të kushtojë 130 milionë dollarë, për të ndërtuar grupe të dhënash të larmishme (në përputhje me qëllimet e iniciativës MAIDA të përmendur më sipër) që mund të përdoren për të validuar paanshmërinë e mjeteve mjekësore të IA-së. Këto aspekte nuk merren në konsideratë nga MultiMedQA. Çështja se si të maten dhe validohen modelet mjekësore të IA-së ende ka nevojë për diskutim të gjerë dhe të thelluar.

Në janar, Nature Medicine publikoi një artikull opinioni të quajtur “Gjenerata e Ardhshme e Mjekësisë së Bazuar në Prova” nga Vivek Subbiah i Qendrës së Kancerit MD Anderson të Universitetit të Teksasit, duke shqyrtuar kufizimet e provave klinike të ekspozuara në kontekstin e pandemisë COVID-19 dhe duke theksuar kontradiktën midis inovacionit dhe respektimit të procesit të kërkimit klinik. Së fundmi, ai thekson një të ardhme të ristrukturimit të provave klinike - gjenerata e ardhshme e provave klinike duke përdorur inteligjencën artificiale, domethënë përdorimin e inteligjencës artificiale nga një numër i madh i të dhënave historike të kërkimit, të dhënave të botës reale, të dhënave klinike multimodale, të dhënave të pajisjeve të veshshme për të gjetur prova kyçe. A do të thotë kjo që teknologjia e IA-së dhe proceset e validimit klinik të IA-së mund të përforcohen dhe bashkë-evoluojnë reciprokisht në të ardhmen? Kjo është pyetja e hapur dhe që nxit mendimin e vitit 2023.

Rregullimi i IA-së Mjekësore

Përparimi i teknologjisë së IA-së gjithashtu paraqet sfida për rregullimin e IA-së, dhe politikëbërësit në të gjithë botën po reagojnë me kujdes dhe me kujdes. Në vitin 2019, FDA publikoi për herë të parë një Kornizë Rregullatore të Propozuar për Ndryshimet e Softuerit në Pajisjet Mjekësore të Inteligjencës Artificiale (Draft Diskutimi), duke detajuar qasjen e saj të mundshme ndaj rishikimit para-tregut të modifikimeve të softuerit të IA-së dhe të drejtuara nga të mësuarit automatik. Në vitin 2021, FDA propozoi "Softuerin e Bazuar në Inteligjencën Artificiale/Të Mësuarit Automatik si një Plan Veprimi për Pajisje Mjekësore", i cili sqaroi pesë masa specifike rregullatore mjekësore të IA-së. Këtë vit, FDA ribotoi Dorëzimin Para-tregut për Karakteristikat e Softuerit të Pajisjes për të ofruar informacion mbi rekomandimet e dorëzimit para-tregut për vlerësimin e FDA-së të sigurisë dhe efikasitetit të karakteristikave të softuerit të pajisjes, duke përfshirë disa karakteristika të pajisjeve softuerike që përdorin modele të të mësuarit automatik të trajnuara përmes metodave të të mësuarit automatik. Politika rregullatore e FDA-së ka evoluar nga një propozim fillestar në udhëzim praktik.

Pas publikimit të Hapësirës Evropiane të të Dhënave Shëndetësore në korrik të vitit të kaluar, BE-ja ka miratuar përsëri Aktin e Inteligjencës Artificiale. I pari synon të përdorë në mënyrën më të mirë të mundshme të dhënat shëndetësore për të ofruar kujdes shëndetësor me cilësi të lartë, për të zvogëluar pabarazitë dhe për të mbështetur të dhënat për parandalimin, diagnozën, trajtimin, inovacionin shkencor, vendimmarrjen dhe legjislacionin, duke siguruar njëkohësisht që qytetarët e BE-së të kenë kontroll më të madh mbi të dhënat e tyre personale shëndetësore. I dyti e bën të qartë se sistemi i diagnostikimit mjekësor është një sistem i inteligjencës artificiale me rrezik të lartë dhe duhet të miratojë mbikëqyrje të fortë të synuar, mbikëqyrje të ciklit të plotë jetësor dhe mbikëqyrje para-vlerësuese. Agjencia Evropiane e Barnave (EMA) ka publikuar një Dokument Reflektimi Draft mbi përdorimin e inteligjencës artificiale për të mbështetur zhvillimin, rregullimin dhe përdorimin e barnave, me theks në përmirësimin e besueshmërisë së inteligjencës artificiale për të siguruar sigurinë e pacientit dhe integritetin e rezultateve të kërkimit klinik. Në përgjithësi, qasja rregullatore e BE-së po merr formë gradualisht dhe detajet përfundimtare të zbatimit mund të jenë më të detajuara dhe të rrepta. Në kontrast të plotë me rregulloren e rreptë të BE-së, plani rregullator i inteligjencës artificiale i Mbretërisë së Bashkuar e bën të qartë se qeveria planifikon të ndjekë një qasje të butë dhe të mos miratojë projektligje të reja ose të krijojë rregullatorë të rinj për momentin.

Në Kinë, Qendra e Rishikimit Teknik të Pajisjeve Mjekësore (NMPA) e Administratës Kombëtare të Produkteve Mjekësore ka lëshuar më parë dokumente të tilla si "Pikat e Rishikimit të Softuerit të Vendimeve të Ndihmuara me Mësim të Thellë", "Parimet Udhëzuese për Rishikimin e Regjistrimit të Pajisjeve Mjekësore me Inteligjencë Artificiale (Draft për Koment)" dhe "Qarkullore mbi Parimet Udhëzuese për Klasifikimin dhe Përkufizimin e Produkteve Softuerike Mjekësore me Inteligjencë Artificiale (Nr. 47 në 2021)". Këtë vit, u publikua përsëri "Përmbledhja e rezultateve të klasifikimit të produkteve të para të pajisjeve mjekësore në vitin 2023". Kjo seri dokumentesh e bën përkufizimin, klasifikimin dhe rregullimin e produkteve softuerike mjekësore të inteligjencës artificiale më të qartë dhe më të lehtë për t'u përdorur, dhe ofron udhëzime të qarta për strategjitë e pozicionimit dhe regjistrimit të produkteve të ndërmarrjeve të ndryshme në industri. Këto dokumente ofrojnë një kornizë dhe vendime menaxhimi për rregullimin shkencor të pajisjeve mjekësore të inteligjencës artificiale. Vlen të pritet që axhenda e Konferencës së Inteligjencës Artificiale Mjekësore të Kinës, e mbajtur në Hangzhou nga 21 deri më 23 dhjetor, të krijojë një forum të posaçëm mbi qeverisjen dixhitale mjekësore dhe zhvillimin me cilësi të lartë të spitaleve publike dhe forumin e zhvillimit të industrisë së standardizimit të teknologjisë së testimit dhe vlerësimit të pajisjeve mjekësore të inteligjencës artificiale. Në atë kohë, zyrtarë nga Komisioni Kombëtar i Zhvillimit dhe Reformës dhe NMPA do të marrin pjesë në takim dhe mund të publikojnë informacione të reja.

Përfundim

Në vitin 2023, IA mjekësore ka filluar të integrohet në të gjithë procesin mjekësor, duke mbuluar mbledhjen e të dhënave spitalore, bashkimin, analizën, diagnozën dhe trajtimin, si dhe shqyrtimin e komunitetit, dhe duke bashkëpunuar organikisht me punonjësit mjekësorë/të kontrollit të sëmundjeve, duke treguar potencialin për të sjellë mirëqenie në shëndetin e njeriut. Hulumtimi i përdorshëm i IA mjekësore po fillon të lindë. Në të ardhmen, progresi i IA mjekësore jo vetëm që varet nga vetë zhvillimi teknologjik, por gjithashtu ka nevojë për bashkëpunimin e plotë të industrisë, universitetit dhe kërkimit mjekësor dhe mbështetjen e politikëbërësve dhe rregullatorëve. Ky bashkëpunim ndër-domen është çelësi për arritjen e shërbimeve mjekësore të integruara me IA-në dhe me siguri do të promovojë zhvillimin e shëndetit të njeriut.