EVERYTHING
За даними Psychiatrictimes, штучний інтелект (AI) відкриває нові горизонти у клінічній психофармакології. Доктор Roy Perlis, MD, за словами якого, AI може допомогти щоденній психіатрії через такі застосування, як прогнозування резистентної депресії (TRD), стратифікація ризику самогубства та цифровий фенотипінг.
Обмеження даних і клінічний сигнал
Доктор Perlis поділився 25-річним досвідом у цій сфері, зазначивши, що ранні моделі нейронних мереж, застосовані до даних випробувань флуоксетину, давали мінімальний прогностичний сигнал. Він підкреслив, що попри драматичне збільшення розміру наборів даних — від сотень пацієнтів у перших дослідженнях до сотень тисяч у сучасних аналізах EHR — моделі AI не завжди перевершують добре навченого клініциста.
Експерт стверджує, що найпрактичніший внесок AI в найближчі терміни полягатиме не у вищій точності прогнозування, а у демократизації: надання звичайному фахівцю доступу до того ж структурованого клінічного мислення, яке інтуїтивно застосовують експерти.
Проблеми якості EHR та генералізації
Одним із найважливіших занепокоєнь Perlis є якість даних. Він вказав, що записи EHR виконують декілька функцій — клінічна комунікація, білінг і медично-правове документування, що розмиває клінічний сигнал при моделюванні випадків. Моделі можуть виявляти лише те, що задокументовано клініцистами; ключові предиктори результатів, як-от TRD, можуть просто не бути захоплені у структурованих чи наративних даних.
Доктор Perlis згадав про свою спільну роботу з даними EHR між різними установами та зазначив: «Моделі прогнозування TRD, навчені в одній установі, часто не можуть бути застосовані до іншої», — за словами Roy Perlis, MD. Це свідчить про те, що обмежуючим фактором є якість даних, а не їхня кількість.
Потенціал цифрового фенотипінгу та ризики
Щодо цифрового фенотипінгу, Perlis виділив потенціал пасивно зібраних даних із смартфонів (зміни у шаблонах використання, часу чи руху). Він наголосив, що ці дані є найбільш інформативними, коли їх інтерпретують як відхилення від власного базового рівня індивіда, а не як класифікатори популяційного рівня.
Однак він закликав до обережності щодо передчасного розгортання AI-інструментів, особливо моделей ризику самогубства. Наразі такі моделі все ще дають неправильні відповіді приблизно у 10% випадків. Крім того, доктор Perlis торкнувся проблеми конфабуляції великих мовних моделей (LLM), пояснюючи, що ці системи тренуються на завершення речень, а не на визнання невизначеності.
Таким чином, інтеграція AI в клінічні робочі процеси є першочерговим бар'єром, а не доступність даних чи аналітичних методів. Подальший розвиток вимагатиме прив'язки моделей до обмежених, цитованих джерел даних.