Intelligent Machines ba A Better Job Than Mga tao sa Medical Diagnosis

Hanggang ngayon, gamot ay isang prestihiyoso at madalas lubhang kapaki-pakinabang career choice. Ngunit sa malapit na hinaharap, kakailanganin namin ng maraming mga doktor pati na mayroon kami ngayon? Kami makapupunta upang makita ang makabuluhang medikal kawalan ng trabaho sa mga darating na dekada?

Dr Saxon Smith, presidente ng Australian Medical Association NSW branch, sinabi sa isang ulat huli nakaraang taon na ang pinaka-karaniwang mga alalahanin siya nakakarinig mula sa mga doktor-in-training at medikal mag-aaral ay, "kung ano ay ang hinaharap ng gamot?" at "ay magkakaroon ako ng trabaho?". Ang mga sagot, sinabi niya, patuloy na umiwas sa kanya.

Tulad ng mga unibersidad ng Australia, British at American patuloy na nagtapos ng pagtaas ng bilang ng mga medikal na mga mag-aaral, ang halatang tanong ay kung saan gagana ang mga bagong manggagamot sa hinaharap?

Magkakaroon ba ng isang pinalawak na papel para sa mga medikal na propesyonal dahil sa aming pag-iipon populasyon? O kaya ay presyon upang mabawasan ang mga gastos habang ang pagpapabuti ng kinalabasan malamang na pilitin ang pag-aampon ng mga bagong teknolohiya, na kung saan ay pagkatapos ay malamang maagnas ang bilang ng mga tungkulin sa kasalukuyan ginanap sa pamamagitan ng mga doktor?

Pagmamaneho down ang gastos

Lahat ng mga pamahalaan, mga pasyente at mga doktor sa buong mundo alam na gastos healthcare ay kailangan upang mabawasan kung dapat nating gamutin ang mas maraming tao. Ang ilan ay nag-aalok ng paggawa ng mga pasyente na nagbabayad nang higit pa, ngunit gayunpaman binayaran namin ito, maliwanag na ang pagmamaneho ng gastos ay ang kailangang mangyari.


innerself subscribe graphic


Ang paggamit ng medikal robot upang makatulong tao surgeons ay nagiging mas malawak na ngunit, sa ngayon, sila ay ginagamit upang subukan at pagbutihin ang mga resulta ng pasyente at hindi upang mabawasan ang gastos ng pagtitistis. Ang pagtitipid sa gastos ay maaaring dumating sa ibang pagkakataon kapag ang robotic na teknolohiya ay matures.

Ito ay nasa lugar ng mga medikal na diagnostics kung saan maraming tao ang nakakakita ng posibleng makabuluhang pagbawas sa gastos habang pinahusay ang katumpakan ng gamit ang teknolohiya sa halip na mga doktor ng tao.

Ito ay naka-karaniwan para sa pagsusuri ng dugo at genetic testing (genomics) na natupad awtomatikong at napaka gastos mabisa sa pamamagitan ng machine. aralan nila ang ispesimen ng dugo at awtomatikong makabuo ng isang ulat.

Ang mga pagsusulit ay maaaring kasing simple ng antas ng hemoglobin (bilang ng dugo) hanggang sa mga pagsusuri ng diyabetis tulad ng mga antas ng insulin o glucose. Maaari rin itong gamitin para sa mas masalimuot na mga pagsubok tulad ng pagtingin sa genetic makeup ng isang tao.

Isang magandang halimbawa ay Thyrocare Technologies Ltd sa Mumbai, Indya, kung saan higit sa 100,000 diagnostic pagsusulit mula sa buong bansa ay tapos na sa bawat gabi, at ang mga ulat na inihatid sa loob ng 24 na oras ng dugo na kinuha mula sa isang pasyente.

Mga makina kumpara sa mga tao

Kung ang mga machine ay maaaring magbasa ng mga pagsusuri sa dugo, ano pa ang maaari nilang gawin? Kahit na maraming mga doktor ay hindi gusto ang pag-iisip na ito, ang anumang pagsubok na nangangailangan ng pagkilala ng pattern sa huli ay mas mahusay na gagawin ng isang machine kaysa sa isang tao.

Maraming mga sakit na kailangan ng isang pathological diagnosis, kung saan ang isang doktor na tingin sa isang sample ng dugo o tissue, upang maitaguyod ang eksaktong sakit: isang dugo upang mag-diagnose ng isang impeksiyon, isang balat byopsya upang matukoy kung ang isang sugat ay isang kanser o hindi at isang tissue sample kinuha sa pamamagitan ng isang siruhano naghahanap upang gumawa ng isang diagnosis.

Ang lahat ng mga halimbawang ito, at sa katunayan lahat ng mga pathological diagnosis ay ginawa ng isang doktor na gumagamit ng pattern pagkilala upang matukoy ang diagnosis.

Artificial intelligence diskarte gamit malalim neural network, na kung saan ay isang uri ng machine learning, ay maaaring magamit upang sanayin ang mga diagnostic machines. Machines matuto nang mabilis at kami ay hindi pakikipag-usap tungkol sa isang solong machine, ngunit isang network ng mga machine na naka-link globally sa pamamagitan ng internet, gamit ang kanilang pooled data upang magpatuloy upang mapabuti.

Hindi ito mangyayari magdamag - ito ay tumagal ng ilang oras upang malaman - ngunit sa sandaling sinanay ang machine ay lamang magpatuloy upang makakuha ng mas mahusay. Sa oras, isang naaangkop na sinanay machine ay superior sa pattern recognition kaysa sa anumang tao ay maaaring kailanman maging.

Patolohiya ngayon ay isang bagay ng multi-milyong dolyar na laboratories umaasa sa ekonomiya ng scale. Ito tumatagal sa paligid ng 15 taon mula sa Aalis high school upang sanayin ang isang patologo upang gumana nang nakapag-iisa. Ito ay maaaring tumagal ng isa pang 15 taon para sa pathologist upang maging kasing ganda ng sila ay kailanman.

Ilang taon pagkatapos nito, sila ay magreretiro at mawawala ang lahat ng kaalaman at karanasan. Tiyak, magiging mas mabuti kung ang kaalaman na iyon ay maaaring makuha at gamitin ng mga susunod na henerasyon? Ang isang robotic patologo ay magagawang gawin iyon.

Radiology, X-ray at higit pa

Radiological pagsusulit account para sa higit AUS $ 2 bilyon ng taunang Medicare gastusin. Sa isang ulat 2013, ito ay tinatayang na sa panahon 2014 15-, 33,600,000 radiological investigations ay gagawin sa Australya. Kailangan ng isang radiologist na pag-aralan ang bawat isa sa mga ito at magsulat ng isang ulat.

Ang mga Radiologist ay nagbabasa na, sa karaniwan, higit sa pitong beses ang bilang ng mga pag-aaral araw-araw kaysa sa limang taon na ang nakakaraan. Ang mga ulat na ito, tulad ng mga isinulat ng mga pathologist, ay batay sa pagkilala ng pattern.

Sa kasalukuyan, maraming mga radiological test na ginanap sa Australya ay binabasa sa pamamagitan ng radiologists sa ibang mga bansa, tulad ng UK. Sa halip na magkaroon ng isang dalubhasa sa Australia tumayo mula sa kama sa 3am upang basahin ang isang pag-scan sa utak ng isang nasugatan na pasyente, ang imahe ay maaaring digital na ipapadala sa isang doktor sa anumang naaangkop na time zone at iulat sa halos agad.

Paano kung tinuturuan ang mga machine na basahin ang X-ray na nagtatrabaho sa una, at sa huli sa halip na, radiologist ng tao? Kailangan pa rin ba natin ang tao radiologist? Marahil. Pinahusay na imaging, tulad ng MRI at CT scan, ay magbibigay-daan Radiologist upang maisagawa ang ilang mga pamamaraan na surgeons ngayon idaos.

Ang larangan ng diagnostic radiology ay mabilis na lumalawak. Sa patlang na ito, ang mga radiologist ay makakapag-diagnose at magamot sa mga kondisyon tulad ng pagdurugo ng mga daluyan ng dugo. Ginagawa ito gamit ang minimally invasive techniques, pagdaan ng mga wire sa pamamagitan ng mas malaking mga vessel upang maabot ang punto ng pagdurugo.

Kaya ang radiologists maaaring end up ng paggawa ng mga pamamaraan na kasalukuyang ginagawa sa pamamagitan ng vascular at para puso surgeon. Ang mas mataas na paggamit ng robotic assisted surgery ay nangangahulugan na ito ay mas malamang kaysa sa hindi.

Maraming higit pa diagnosing isang balat sugat, Pantal o paglago kaysa sa simpleng pagtingin sa ito. Ngunit karamihan sa diagnosis ay batay sa dermatologo pagkilala ng sugat (muli, pattern recognition).

Kung ang pagsusuri ay nananatiling hindi maliwanag pagkatapos ng ilang tissue (a biopsy) ay ipinadala sa laboratoryo para sa isang pathological diagnosis. Nakapagpadala na kami ng itinatag na ang isang machine ay maaaring basahin ang huli. Ang parehong prinsipyo ay sumasaklaw sa pagkilala ng mga sugat sa balat.

Kapag nakilala at natutunan, ang sugat ay maaaring makilala muli. Ang mga mobile phone na may mataas na kalidad na mga camera ay makakapag-link sa isang pandaigdigang database na, tulad ng anumang iba pang database na may kakayahan sa pag-aaral, patuloy na mapabuti.

Ito ay hindi kung, ngunit kung kailan

Ang mga pagbabagong ito ay hindi mangyayari sa magdamag, ngunit ito ay hindi maiiwasan. Bagaman maraming mga doktor ang makakakita ng mga pagbabagong ito bilang isang banta, ang pagkakataon para sa pandaigdigang kabutihan ay walang kaparis.

Ang isang X-ray na kinuha sa equatorial Africa ay maaaring mabasa na may parehong kahusayan bilang isang kinuha sa isang sentro ng kahusayan sa Australya. Ang isang nakakahawang pantal ay maaaring i-upload sa isang telepono at ang diagnosis na ibinigay agad. Maraming mga buhay ang maliligtas at ang halaga ng pangangalaga sa kalusugan sa mahihirap sa mundo ay maaaring maging minimal at, sa maraming kaso, libre.

Para sa mga ito upang maging isang katotohanan, ito ay tumagal eksperto upang gumana sa machine at tulungan silang matuto. Sa una, ang mga machine ay maaaring hingin sa iyo na gawin ang higit pa prangka pagsusulit ngunit unti-unti ang mga ito ay itinuro, tulad ng mga kawani na tao matuto pinaka bagay sa buhay.

Ang mga medikal na propesyon ay dapat na dakmain ang mga pagkakataong ito para sa pagbabago, at ang aming hinaharap batang mga doktor ay dapat isip nang mabuti kung saan ang mga medikal na mga trabaho ng hinaharap ay hindi nagsasabi ng totoo. Ito ay halos tiyak na ang mga medikal na trabaho landscape sa 15 taon ay hindi magiging hitsura tulad ng isa nakikita natin ngayon.

Tungkol sa Ang May-akdaAng pag-uusap

Ross Crawford, Propesor ng Orthopaedic Research, Queensland University of Technology; Anjali Jaiprakash, Post-Doctoral Research Fellow, Medical Robotics, Queensland University of Technology, at Jonathan Roberts, Propesor sa Robotics, Queensland University of Technology

Ang artikulong ito ay orihinal na na-publish sa Ang pag-uusap. Basahin ang ang orihinal na artikulo.

Mga Kaugnay Book:

at

masira

Salamat sa pagbisita InnerSelf.com, Kung saan mayroon 20,000 + mga artikulong nagbabago sa buhay na nagtataguyod ng "Mga Bagong Saloobin at Bagong Posibilidad." Ang lahat ng mga artikulo ay isinalin sa 30+ wika. sumuskribi sa InnerSelf Magazine, na inilathala linggu-linggo, at Araw-araw na Inspirasyon ni Marie T Russell. InnerSelf Magazine ay nai-publish mula noong 1985.