Noong 2016, ang pioneer na si Geoffrey Hinton gumawa ng isang matapang na hula , na ipinahayag na ang”mga tao ay dapat ihinto ang pagsasanay sa mga radiologist ngayon.”Ito ay isang sandali ng tubig na tila herald sa pagtatapos ng isang medikal na specialty. Ngunit halos isang dekada mamaya, ang katotohanan sa lupa ay nagsasabi ng ibang kuwento-hindi bababa sa ngayon.
Ang demand para sa mga radiologist ng tao ay umuusbong. Noong 2025, ang mga programa sa paninirahan ay nag-alok ng isang bilang ng mga posisyon, at mula noong 2015 . Kailanman, na may mga rate ng bakante sa lahat ng oras na mataas. Habang ang mga modelo ng AI mula sa mga higante tulad ng Microsoft ay maaaring makamit ang superhuman na kawastuhan sa mga kondisyon ng sterile lab, nagpupumilit silang mag-navigate sa pagiging kumplikado ng aktwal na klinikal na kasanayan. Ang landas mula sa algorithm hanggang sa pag-aampon ay pinahiran ng praktikal, ligal, at etikal na mga hadlang. Ang mga modelo ay madalas na sinanay sa lubos na curated, hindi malabo na mga imahe, na sila ay dumadaloy sa kanilang mga pinakamadaling kaso . Mga pagkakaiba-iba sa mga kagamitan sa imaging-isang problema na kilala bilang pagkabigo sa labas ng pamamahagi. Ang katumpakan ng isang AI ay maaaring bumagsak ng halos 20 porsyento na puntos kapag nasubok sa data mula sa isang bagong ospital. Institusyon . Ang kakulangan ng konteksto ng tunay na mundo ay maaaring humantong sa mga hindi makatarungang mga pagkakamali, tulad ng isang modelo na paulit-ulit na maling pagkilala sa mga staples ng kirurhiko bilang mga pagdurugo ng utak.
Hindi ito isang bagong problema. Noong 1990s, maagang computer-aided diagnosis (CAD) system para sa mammograms ay malawak na pinagtibay Matapos matanggap ang pag-apruba ng FDA noong 1998 at si Medicare ay muling nag-iwas sa 2001.
Noong 2010, ginamit sila sa halos tatlong-kapat ng lahat ng mga pag-screen. Sa pagsasagawa, gayunpaman, nabigo sila ng kamangha-manghang. A pag-aaral ng landmark natagpuan na ang mga klinika na tinulungan ipinagpaliban nang labis sa makina. Ang isang pagsubok sa klinikal na 2004 ay nagsiwalat na kapag ginagabayan ng CAD, ang mga espesyalista ay nakilala ang kalahati ng mga malignancies, habang ang kanilang mga hindi nakatulong na mga kapantay ay nahuli ng 68%. Ang karanasan ay humantong sa Medicare na mag-alis ng labis na muling pagbabayad para sa CAD noong 2018, isang makasaysayang aralin na higit sa mas advanced na AI. Matapos suriin ang 83 mga pag-aaral, natagpuan ng mga mananaliksik na habang ang Generative AI ay naaayon sa mga hindi espesyalista, nakakakuha ito ng 15.8% sa likod ng mga dalubhasa sa tao. Binalaan din ng pag-aaral na ang 76% ng mga papeles na nasuri nito ay may mataas na peligro ng bias, madalas dahil sa data ng pagsasanay sa opaque. Ang FDA ay nagpapanatili ng isang mas mataas na pamantayan sa pag-apruba para sa ganap na autonomous AI kumpara sa tumutulong na mga tool na nagpapanatili ng isang tao sa loop Ito ay upang maiwasan ang isang solong kapintasan ng software mula sa pinsala sa libu-libong mga pasyente nang sabay-sabay. Halimbawa, ang IDX-DR, isa sa ilang mga autonomous tool na na-clear ng FDA, ay may mahigpit na mga bantay: maaari lamang itong magamit sa mga matatanda na may tiyak na kalidad ng imahe at walang naunang pagsusuri ng sakit. Ang mga insurer, nag-iingat sa mga sakuna na kabayaran mula sa isang may sira na algorithm, ay lalong sumusulat ‘Absolute ai Exclusion’clauses sa kanilang mga patakaran
Pinipilit nito ang mga ospital na umasa sa isang lisensyadong manggagamot na kumuha ng tunay na responsibilidad para sa isang diagnosis, na pinapanatili ang pantao na mahigpit na namamahala. Bilang isang analyst mula sa mga tala ng pananaliksik, ang mga modelo ng tiwala at reimbursement ay patuloy na nililimitahan ang autonomous na pag-aampon. Ang interpretasyon ng imahe ay isa lamang bahagi ng kanilang papel. Natagpuan ng isang pag-aaral sa 2012 na ang Ang mga diagnostic na accounted para lamang sa 36% ng kanilang oras , na ang pahinga na nakatuon sa mga konsultasyon ng pasyente, ang pag-iingat sa pamamaraan, at pagtuturo. Sa halip, maaari itong mag-trigger ng isang jevons paradox , kung saan ang paggawa ng isang serbisyo na mas mura at mas mabilis na pagtaas ng demand. Ang AI ay maaaring gumawa ng mga radiologist na mas masigasig kaysa dati.
href=”https://www.auntminnie.com/practice-management/article/15708907/does-ai-contribute-to-burnout-for-radiologists#:~:text=the%20Team%2 0found%20Associations%20between, mag-subscribe%20to%20Get%20Exclusive%20Access! & Text=post%20A%20Comment%20you%20must,-click%20Sign-in%20Link.” target=”_ blangko”> Pagtingin sa AI bilang isang’double-edged sword’ Na maaaring maibsan o mapalala ang burnout depende sa pagpapatupad nito. Ang pagsasanay na epektibong medikal na AI ay nangangailangan ng malawak na mga datasets, na nagtataas ng malalim na mga alalahanin sa privacy. Tulad ng isang tagapagtaguyod ng privacy mula sa medconfidential na nagtalo,”Ang covid-only AI na ito ay halos tiyak na mayroong data ng pasyente na naka-embed dito, na hindi maaaring palayain sa lab.”
Tulad ng sinabi ni Vin Diwakar ng NHS England,”Ang AI ay may potensyal na baguhin kung paano natin maiiwasan at gamutin ang mga sakit, lalo na kung sinanay sa mga malalaking datasets,”ngunit ang landas sa paggamit ng data na iyon ay puno ng mga responsibilidad sa etikal. Ang CEO ng Microsoft AI na si Mustafa Suleyman, ay pinasasalamatan ang sistema ng Mai-DXO ng kanyang kumpanya bilang”Microsoft ay gumawa ng isang tunay na hakbang patungo sa medikal na superintelligence.”Tulad ng inilagay ni Propesor Savannah Partridge ng University of Washington,”Hindi mo ba ginagamit ang [AI], o hindi mo ba, ngunit paano mo ito gagamitin? Paano mo ito ginagamit nang naaangkop at ligtas?