Sudah cukup sering dikatakan tetapi AI terbukti menjadi pengubah permainan di industri perawatan kesehatan. Dari hanya menjadi peserta pasif dalam rantai layanan kesehatan, pasien kini bertanggung jawab atas kesehatan mereka melalui sistem pemantauan pasien kedap udara yang didukung AI, perangkat yang dapat dikenakan, wawasan yang divisualisasikan tentang kondisi mereka, dan banyak lagi. Dari perspektif dokter dan penyedia layanan kesehatan, AI membuka jalan bagi lengan robot, analisis canggih dan modul diagnostik, bot bedah bantu, sayap prediktif untuk mendeteksi kelainan dan masalah genetik, dan banyak lagi.
Namun, karena AI terus memengaruhi aspek perawatan kesehatan, yang juga meningkat adalah tantangan yang terkait dengan menghasilkan dan memelihara data. Seperti yang Anda ketahui, modul atau sistem AI hanya dapat bekerja dengan baik jika telah dilatih secara tepat dengan kumpulan data yang relevan dan kontekstual untuk jangka waktu yang lama.
Di blog, kami akan mengeksplorasi tantangan unik yang dihadapi para ahli dan spesialis perawatan kesehatan ketika kasus penggunaan AI dalam perawatan kesehatan terus meningkat dalam hal kompleksitasnya.
1. Tantangan dalam menjaga privasi
Kesehatan adalah sektor di mana privasi sangat penting. Dari detail yang masuk ke catatan kesehatan elektronik pasien dan data yang dikumpulkan selama uji klinis ke data yang dikirimkan oleh perangkat yang dapat dikenakan untuk pemantauan pasien jarak jauh, setiap inci di ruang perawatan kesehatan menuntut privasi maksimal.
Jika ada begitu banyak privasi yang terlibat, bagaimana aplikasi AI baru yang digunakan dalam perawatan kesehatan dilatih? Nah, dalam beberapa kasus, pasien umumnya tidak menyadari bahwa data mereka digunakan untuk tujuan studi dan penelitian. Peraturan yang disebutkan oleh HIPAA juga menyiratkan bahwa organisasi dan penyedia layanan kesehatan dapat menggunakan data pasien untuk fungsi perawatan kesehatan dan berbagi data dan wawasan dengan bisnis yang relevan.
Ada banyak contoh dunia nyata untuk ini. Untuk pemahaman dasar, pahami bahwa Google secara kokoh mempertahankan pemahaman penelitian 10 tahun dengan Mayo Clinic dan berbagi akses terbatas ke data yang dianonimkan atau tidak teridentifikasi.
Meskipun ini cukup mencolok, beberapa startup berbasis AI yang bekerja untuk meluncurkan solusi analitik prediktif di pasar umumnya cukup bungkam tentang sumber mereka untuk data pelatihan AI yang berkualitas. Ini jelas karena alasan kompetitif.
Menjadi topik yang sensitif, privasi adalah sesuatu yang para veteran, ahli, dan peneliti semakin tertarik pada topi putih yang berkelanjutan. Ada protokol HIPAA untuk de-identifikasi data dan klausul untuk re-identifikasi di tempat. Ke depannya, kami harus bekerja pada bagaimana privasi dapat dibangun dengan mulus sambil secara bersamaan mengembangkan solusi AI yang canggih.
2. Tantangan dalam menghilangkan bias & kesalahan
Kesalahan dan bias dalam segmen perawatan kesehatan dapat terbukti mematikan bagi pasien dan organisasi perawatan kesehatan. Kesalahan yang berasal dari sel yang salah tempat atau tidak selaras, lesu, atau bahkan kecerobohan dapat mengubah jalannya pengobatan atau diagnosis untuk pasien. Sebuah laporan yang dikeluarkan oleh Otoritas Keselamatan Pasien Pennsylvania mengungkapkan bahwa sekitar 775 masalah dalam modul EHR telah diidentifikasi. Dari jumlah tersebut, kesalahan terikat manusia berjumlah sekitar 54.7% dan kesalahan terikat mesin berjumlah hampir 45.3%.
Terlepas dari kesalahan, bias adalah penyebab serius lain yang dapat membawa konsekuensi yang tidak diinginkan di perusahaan perawatan kesehatan. Tidak seperti kesalahan, bias lebih sulit dikenali atau diidentifikasi karena kecenderungan yang melekat pada keyakinan dan praktik tertentu.
Contoh klasik tentang bagaimana bias bisa menjadi buruk berasal dari sebuah laporan, yang menyatakan bahwa algoritme yang digunakan untuk mendeteksi kanker kulit pada manusia cenderung kurang akurat pada warna kulit yang lebih gelap karena mereka sebagian besar dilatih untuk mendeteksi gejala pada warna kulit yang cerah. Mendeteksi dan menghilangkan bias sangat penting dan satu-satunya jalan ke depan untuk penggunaan AI yang andal dalam perawatan kesehatan.
3. Tantangan dalam menetapkan standar operasi
Interoperabilitas data adalah kata penting untuk diingat dalam perawatan kesehatan. Seperti yang Anda ketahui, perawatan kesehatan adalah ekosistem dari beragam elemen. Anda memiliki klinik, pusat diagnostik, pusat rehabilitasi, apotek, sayap R&D, dan banyak lagi. Seringkali, lebih dari satu elemen ini membutuhkan data untuk bekerja pada tujuan yang dimaksudkan. Dalam kasus seperti itu, data yang dikumpulkan harus seragam dan distandarisasi sedemikian rupa sehingga terlihat dan terbaca sama tidak peduli siapa yang melihatnya.
Dengan tidak adanya standarisasi, akan terjadi kekacauan dengan setiap elemen mempertahankan versinya sendiri dari catatan yang sama. Jadi, siapa pun yang melihat kumpulan data dari perspektif baru secara otomatis hilang dan memerlukan bantuan otoritas terkait untuk memahami isi kumpulan data.
Untuk menghindari hal ini, standardisasi harus dibuat lebih efektif di seluruh entitas. Artinya, format, kondisi, dan protokol khusus harus ditata dengan jelas untuk kepatuhan wajib. Hanya dengan begitu data tersebut dapat dioperasikan dengan mulus.
4. Tantangan dalam menjaga keamanan
Keamanan adalah perhatian penting lainnya dalam perawatan kesehatan. Inilah yang akan terbukti paling mahal ketika aspek yang berkaitan dengan privasi data tidak ditanggapi dengan serius. Data perawatan kesehatan adalah peti harta karun wawasan bagi peretas dan pengeksploitasi dan akhir-akhir ini, ada banyak sekali contoh pelanggaran keamanan siber. Ransomware dan serangan berbahaya lainnya telah dilakukan di seluruh dunia.
Bahkan di tengah pandemi Covid-19, dekat dengan 37% responden survei berbagi bahwa mereka telah mengalami serangan ransomware. Keamanan siber adalah kunci pada titik waktu tertentu.
Wrapping Up
Tantangan data dalam perawatan kesehatan tidak hanya terbatas pada ini. Saat kami memahami integrasi lanjutan dan cara kerja AI dalam perawatan kesehatan, tantangannya semakin rumit, tumpang tindih, dan saling terkait.
Seperti biasa, kami akan menemukan cara untuk mengatasi tantangan dan memberi jalan bagi sistem AI canggih yang menjanjikan untuk membuat kesehatan AI lebih akurat dan mudah diakses.
