Компании, занимающиеся искусственным интеллектом, которые инвестируют в улучшение конвейеров данных, быстрее получают одобрения регулирующих органов — и вот почему

Мы наблюдаем значительный сдвиг в здравоохранении благодаря ускорению внедрения медицинских устройств с поддержкой искусственного интеллекта. От улучшения выявления и стратификации рисков до разработки лекарств и клинической нагрузки — они обладают огромным потенциалом для улучшения справедливости в отношении здоровья.

Для создания этих инноваций необходимы высококачественные реальные медицинские данные для обучения моделей ИИ. Передача этих решений в руки врачей и, в конечном итоге, помощь пациентам требует строгого надзора со стороны регулирующих органов. Этот процесс гарантирует, что технология безопасна, эффективна и готова к клиническому использованию.

Почему медицинский ИИ полагается на данные

Небольшие, нерепрезентативные наборы обучающих данных, которые не взяты из целевой совокупности, снижают производительность ИИ, что приводит к ряду последующих проблем, включая усиление существующей предвзятости, создание продуктов, которым не хватает обобщения, и получение неточных результатов.

Иногда небольшие наборы данных неизбежны, особенно для редких заболеваний. Однако их использование вне этого контекста приводит к недопредставленности и снижает способность модели ИИ обобщать население.

Алгоритмы, обученные на узких выборках населения, имеют ограничения в прогнозировании, обнаружении и классификации заболеваний в более широких группах пациентов, что усугубляет различия в состоянии здоровья и приводит к ухудшению результатов лечения пациентов. Если наборы данных, используемые для обучения и тестирования модели, не являются репрезентативными для предполагаемой совокупности, модель может не давать точных результатов, и никакое тестирование не сможет должным образом подтвердить результаты. Это означает, что модели не могут обобщать результаты за пределами групп, для которых они были обучены. Если дополнительная информация (например, маркировка и клинические отчеты) не представлена или содержит ошибки, модели, обученные и протестированные на этих данных, также могут иметь неточные выходные данные.

Минимизация систематической ошибки является важным аспектом данных обучения и тестирования медицинских устройств с поддержкой искусственного интеллекта. Выявление и смягчение потенциальной предвзятости также является ключевым компонентом, на котором сосредоточено внимание регулирующих органов. Предвзятость ИИ приводит к множеству проблем, однако большие и достаточно разнообразные наборы обучающих данных могут помочь смягчить ее.

Хотя данные обучения являются первым соображением, данные тестирования также должны быть репрезентативными для целевой совокупности. Он должен быть качественным, разнообразным и достаточно большим, чтобы обеспечить точность и практическую полезность модели. Данные обучения и тестирования также должны быть достаточно независимыми, чтобы тесты действительно оценивали точность и эффективность алгоритма, предоставляя доказательства реальной производительности.

Эти проблемы не просто технические; они влияют на то, как регулирующие органы оценивают безопасность и эффективность устройств с поддержкой искусственного интеллекта.

Почему это важно для подачи документов в регулирующие органы?

Подготовка к подаче документов в регулирующие органы является ключевым фактором для клиентов, обращающихся к нам. Мы видим, что общей чертой является необходимость обучения и тестирования своих устройств на данных из разных регионов, в которые они входят. Регулирующие органы все чаще требуют подробную информацию о репрезентативности данных для новых медицинских устройств.

Такие агентства, как Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США, выпускают руководство о том, как решать вопросы управления данными, уделяя особое внимание данным обучения и тестирования, используемым для обеспечения эффективности, точности и полезности медицинских устройств. Обеспечение прозрачности и ответственной разработки ИИ является ключом к созданию эффективных устройств, соответствующих постоянно меняющимся нормативным требованиям.

Часто регулирующим органам требуется подробная документация и записи о том, как были получены данные, о разнице данных, используемых для обучения и тестирования, о том, как они обрабатываются, хранятся и аннотируются, а также о множестве других информационных моментов. Передовые методы работы с данными с самого начала облегчают разработчикам сбор информации, необходимой для подачи документов в регулирующие органы. Знание того, что данные обучения и тестирования были правильно получены и обработаны, а также являются большими и разнообразными, может помочь регулирующим органам снизить потребность в дальнейшей проверке, поскольку они уверены, что устройство будет точно работать в предполагаемой популяции.

Медленный доступ к широкому спектру необходимых данных в конечном итоге замедляет подачу документов в регулирующие органы. Недостаточное представительство в данных по обучению и тестированию также может быть причиной отклонения заявок регулирующих органов.

Заглядывая в будущее

В гонке за внедрение ИИ в здравоохранении скорость имеет значение. Но скорость без структуры приводит к неудачам. Разработчики медицинского ИИ, которые расставляют приоритеты в отношении данных на ранней стадии, будут теми, кто быстрее и надежнее пересечет финишную черту регулирования.

В нынешних условиях лучшие данные — это не только лучшие алгоритмы. Это ключ к более быстрому выходу на рынок, улучшению клинических показателей и улучшению жизни пациентов.

Фото: Супатман, Getty Images

Это сообщение появляется через Влиятельные лица MedCity программа. Любой может опубликовать свой взгляд на бизнес и инновации в здравоохранении в MedCity News через влиятельных лиц MedCity. Нажмите здесь, чтобы узнать, как.