habari

Tangu IBM Watson ilipoanza mwaka wa 2007, wanadamu wamekuwa wakifuatilia maendeleo ya akili bandia ya matibabu (AI). Mfumo wa AI wa matibabu unaoweza kutumika na wenye nguvu una uwezo mkubwa wa kurekebisha vipengele vyote vya matibabu ya kisasa, kuwezesha huduma nadhifu, sahihi zaidi, ufanisi na jumuishi, kuleta ustawi kwa wafanyakazi wa matibabu na wagonjwa, na hivyo kuboresha sana afya ya binadamu. Katika miaka 16 iliyopita, ingawa watafiti wa AI ya matibabu wamejikusanya katika nyanja mbalimbali ndogo, katika hatua hii, bado hawajaweza kuleta hadithi za kisayansi kwa ukweli.

Mwaka huu, pamoja na maendeleo ya mapinduzi ya teknolojia ya AI kama vile ChatGPT, AI ya matibabu imepata maendeleo makubwa katika nyanja nyingi. Ufanisi usio na kifani katika uwezo wa AI ya matibabu: Jarida la Mazingira limeendelea kuzindua utafiti wa modeli ya lugha kubwa ya matibabu na modeli ya kimsingi ya picha ya matibabu; Google inatoa Med-PaLM na mrithi wake, na kufikia kiwango cha utaalamu katika maswali ya mtihani wa Daktari wa Marekani. Majarida makuu ya kitaaluma yatazingatia AI ya matibabu: Hali inatoa mtazamo juu ya mfano wa msingi wa AI ya matibabu ya jumla; Kufuatia mfululizo wa mapitio ya AI katika Dawa mapema mwaka huu, New England Journal of Medicine (NEJM) ilichapisha ukaguzi wake wa kwanza wa afya ya digital mnamo Novemba 30, na ilizindua toleo la kwanza la jarida ndogo la NEJM NEJM AI mnamo Desemba 12. Udongo wa kutua wa AI wa matibabu umekomaa zaidi: Jarida ndogo la JAMA lilichapisha mpango wa kimataifa wa kugawana data ya picha ya matibabu; Utawala wa Chakula na Dawa wa Marekani (FDA) unatengeneza rasimu ya miongozo ya udhibiti wa AI ya matibabu.

Hapa chini, tunakagua maendeleo makubwa ambayo watafiti kote ulimwenguni wamefanya katika mwelekeo wa AI ya matibabu inayoweza kutumika mnamo 2023.

Mfano wa Msingi wa AI wa Matibabu

Ujenzi wa muundo wa msingi wa AI wa matibabu bila shaka ndio mwelekeo moto zaidi wa utafiti wa mwaka huu. Majarida ya Nature yamechapisha makala za uhakiki kuhusu modeli ya Universal Basic ya huduma ya afya na modeli ya lugha kubwa ya huduma ya afya katika mwaka huo. Uchambuzi wa Picha za Kimatibabu, jarida kuu katika tasnia, lilipitia na kutazamia changamoto na fursa za utafiti wa msingi wa kielelezo katika uchanganuzi wa picha za matibabu, na kupendekeza dhana ya "nasaba ya muundo wa kimsingi" ili kufupisha na kuongoza maendeleo ya utafiti wa msingi wa mfano wa AI ya matibabu . Mustakabali wa miundo ya kimsingi ya AI kwa huduma ya afya inazidi kuwa wazi. Kwa kutumia mifano iliyofaulu ya miundo mikubwa ya lugha kama vile ChatGPT, kwa kutumia mbinu za hali ya juu zaidi za kujifunzia kabla ya kujidhibiti na mkusanyiko mkubwa wa data ya mafunzo, watafiti katika uwanja wa AI ya matibabu wanajaribu kuunda 1) modeli za kimsingi za ugonjwa, 2) miundo ya msingi ya jumla, na 3) miundo mikubwa ya multimodal inayounganisha anuwai ya hali ya juu na uwezo wa hali ya juu.

Mfano wa AI wa Kupata Data ya Matibabu

Mbali na miundo mikubwa ya AI ambayo ina jukumu kubwa katika kazi za uchambuzi wa data ya kliniki ya chini ya mkondo, katika upatikanaji wa data ya kliniki ya juu, teknolojia inayowakilishwa na mifano ya AI generative pia imeibuka. Mchakato, kasi, na ubora wa upataji data unaweza kuboreshwa kwa kiasi kikubwa na algoriti za AI.

Mapema mwaka huu, Nature Biomedical Engineering ilichapisha utafiti kutoka Chuo Kikuu cha Straits cha Uturuki ambao ulilenga kutumia AI generative kutatua tatizo la uchunguzi wa kusaidiwa na picha katika matumizi ya kimatibabu. Vipengee katika tishu zilizogandishwa wakati wa upasuaji ni kikwazo kwa tathmini ya haraka ya uchunguzi. Ingawa tishu za formalin na mafuta ya taa zilizopachikwa (FFPE) hutoa sampuli ya ubora wa juu, mchakato wa utengenezaji wake unatumia muda mwingi na mara nyingi huchukua saa 12-48, na kuifanya isifae kutumika katika upasuaji. Kwa hivyo timu ya utafiti ilipendekeza algoriti iitwayo AI-FFPE, ambayo inaweza kufanya mwonekano wa tishu katika sehemu iliyogandishwa sawa na FFPE. Kanuni imefaulu kusahihisha vizalia vya programu vya sehemu zilizogandishwa, kuboreshwa kwa ubora wa picha na kuhifadhi vipengele muhimu vya kliniki kwa wakati mmoja. Katika uthibitisho wa kimatibabu, algorithm ya AI-FFPE inaboresha kwa kiasi kikubwa usahihi wa uchunguzi wa wanapatholojia kwa aina ndogo za tumor, huku ikifupisha sana muda wa uchunguzi wa kliniki.

Dawa ya Ripoti za Kiini inaripoti kazi ya utafiti iliyofanywa na timu kutoka Chuo cha Tatu cha Kliniki cha Chuo Kikuu cha Jilin, Idara ya Radiolojia, Hospitali ya Zhongshan Iliyoshirikishwa na Chuo Kikuu cha Fudan, na Chuo Kikuu cha Sayansi na Teknolojia cha Shanghai [25]. Utafiti huu unapendekeza mfumo wa ujifunzaji wa kina wa madhumuni ya jumla na mfumo wa muunganisho wa uundaji wa mara kwa mara (Hybrid DL-IR) wenye uwezo mwingi wa hali ya juu na unyumbufu, unaoonyesha utendaji bora wa uundaji upya wa picha katika MRI ya haraka, CT ya kiwango cha chini, na PET ya haraka. Algorithm inaweza kufikia utambazaji wa mfuatano wa MR Single wa chombo kimoja katika sekunde 100, kupunguza kipimo cha mionzi hadi 10% tu ya picha ya CT, na kuondoa kelele, na inaweza kuunda upya vidonda vidogo kutoka kwa upatikanaji wa PET kwa kuongeza kasi ya mara 2 hadi 4, huku ikipunguza athari za mabaki ya mwendo.

AI ya Matibabu kwa Ushirikiano na Wafanyakazi wa Matibabu

Ukuaji wa haraka wa AI ya matibabu pia umesababisha wataalamu wa matibabu kuzingatia kwa umakini na kuchunguza jinsi ya kushirikiana na AI kuboresha michakato ya kiafya. Mnamo Julai mwaka huu, DeepMind na timu ya utafiti ya taasisi nyingi kwa pamoja walipendekeza mfumo wa AI unaoitwa Complementary Driven Clinical Workflow Delay (CoDoC) . Utaratibu wa uchunguzi hugunduliwa kwanza na mfumo wa AI wa kutabiri, kisha kuhukumiwa na mfumo mwingine wa AI juu ya matokeo ya awali, na ikiwa kuna shaka, uchunguzi hatimaye unafanywa na daktari ili kuboresha usahihi wa uchunguzi na ufanisi wa usawa. Linapokuja suala la uchunguzi wa saratani ya matiti, CoDoC ilipunguza viwango vya chanya vya uwongo kwa 25% kwa kiwango sawa cha uwongo, huku ikipunguza mzigo wa kazi wa kitabibu kwa 66%, ikilinganishwa na mchakato wa sasa wa "usuluhishi wa kusoma mara mbili" nchini Uingereza. Kwa upande wa uainishaji wa TB, viwango vya chanya vya uwongo vilipunguzwa kwa asilimia 5 hadi 15 kwa kiwango sawa cha hasi cha uwongo ikilinganishwa na AI huru na mtiririko wa kazi wa kliniki.

Vile vile, Annie Y. Ng et al., wa Kampuni ya Kheiron huko London, Uingereza, alianzisha wasomaji wa ziada wa AI (kwa ushirikiano na wakaguzi wa binadamu) ili kuchunguza tena matokeo wakati hakukuwa na matokeo ya kukumbuka katika mchakato wa usuluhishi uliosomwa mara mbili, ambao uliboresha tatizo la kutogunduliwa katika uchunguzi wa mapema wa saratani ya matiti, na mchakato huo ulikuwa karibu hakuna chanya za uwongo. Utafiti mwingine, ulioongozwa na timu katika Chuo Kikuu cha Texas McGovern Medical School na kukamilishwa katika vituo vinne vya kiharusi, ulitumia teknolojia ya AI ya kompyuta (CTA) -msingi wa AI ili kuharakisha ugunduzi wa kiharusi kikubwa cha mishipa ya occlusive ischemic (LVO). Madaktari na wataalamu wa radiolojia hupokea arifa za wakati halisi kwenye simu zao za mkononi ndani ya dakika chache baada ya upigaji picha wa CT kukamilika, kuwajulisha kuhusu uwezekano wa kuwepo kwa LVO. Utaratibu huu wa AI huboresha utiririshaji wa kazi ndani ya hospitali kwa ajili ya kiharusi cha ischemic, kupunguza muda wa kutoka mlango hadi kinena kutoka kwa kulazwa hadi matibabu na kutoa fursa za uokoaji kwa mafanikio. Matokeo yamechapishwa katika JAMA Neurology.

Mfano wa Huduma ya Afya ya AI kwa Manufaa ya Wote

2023 pia itaona kazi nyingi nzuri zinazotumia AI ya matibabu kupata vipengele ambavyo havionekani kwa macho ya binadamu kutoka kwa data inayopatikana kwa urahisi zaidi, kuwezesha utambuzi wa watu wote na uchunguzi wa mapema kwa kiwango. Mwanzoni mwa mwaka, Tiba ya Asili ilichapisha tafiti zilizofanywa na Kituo cha Macho cha Zhongshan cha Chuo Kikuu cha Sun Yat-sen na Hospitali ya Pili Shirikishi ya Chuo Kikuu cha Tiba cha Fujian. Kwa kutumia simu mahiri kama vituo vya kutuma maombi, walitumia picha za video zinazofanana na katuni kushawishi kutazama kwa watoto na kurekodi tabia ya macho ya watoto na sura za usoni, na kuchanganua zaidi mifano isiyo ya kawaida kwa kutumia miundo ya kina ya kujifunza ili kutambua kwa mafanikio magonjwa 16 ya macho, ikiwa ni pamoja na mtoto wa jicho la kuzaliwa, ptosis ya kuzaliwa na glakoma ya kuzaliwa, kwa usahihi wa uchunguzi zaidi wa zaidi ya 85%. Hii hutoa njia bora na rahisi ya kueneza njia za kiufundi kwa uchunguzi wa mapema wa utendakazi wa watoto wachanga na magonjwa yanayohusiana na macho.

Mwishoni mwa mwaka, Tiba ya Asili iliripoti kazi iliyofanywa na taasisi zaidi ya 10 za matibabu na utafiti kote ulimwenguni, pamoja na Taasisi ya Ugonjwa wa Kongosho ya Shanghai na Hospitali ya Kwanza Shirikishi ya Chuo Kikuu cha Zhejiang. Mwandishi alitumia AI kwa uchunguzi wa saratani ya kongosho ya watu wasio na dalili katika vituo vya uchunguzi wa mwili, hospitali, n.k., ili kugundua sifa za kidonda kwenye picha za CT scan ambazo ni ngumu kugundua kwa macho pekee, ili kufikia utambuzi wa mapema wa saratani ya kongosho kwa ufanisi na isiyo ya uvamizi. Katika kukagua data kutoka kwa wagonjwa zaidi ya 20,000, mtindo huo pia uligundua kesi 31 za vidonda vilivyokosa kliniki, ambavyo viliboresha sana matokeo ya kliniki.

Kushiriki Data ya Matibabu

Mnamo 2023, mifumo mingi bora zaidi ya kushiriki data na kesi zilizofaulu zimeibuka ulimwenguni kote, na kuhakikisha ushirikiano wa vituo vingi na uwazi wa data chini ya msingi wa kulinda faragha na usalama wa data.

Kwanza, kwa msaada wa teknolojia ya AI yenyewe, watafiti wa AI wamechangia kugawana data ya matibabu. Qi Chang na wengine kutoka Chuo Kikuu cha Rutgers nchini Marekani walichapisha makala katika Nature Communications, wakipendekeza mfumo wa shirikisho wa kujifunza DSL kulingana na mitandao ya adui iliyosambazwa, ambayo hutumia AI generative kutoa mafunzo kwa data mahususi inayozalishwa ya vituo vingi, na kisha kuchukua nafasi ya data halisi ya vituo vingi na data inayozalishwa. Hakikisha mafunzo ya AI kulingana na data kubwa ya vituo vingi huku ukilinda faragha ya data. Timu hiyo hiyo pia hufungua chanzo cha mkusanyiko wa data wa picha za patholojia zinazozalishwa na maelezo yake yanayolingana. Muundo wa sehemu uliofunzwa kwenye seti ya data inayozalishwa unaweza kufikia matokeo sawa na data halisi.

Timu ya Dai Qionghai kutoka Chuo Kikuu cha Tsinghua ilichapisha karatasi juu ya npj Digital Health, inapendekeza Kujifunza kwa Upeanaji, ambayo hutumia data kubwa ya tovuti nyingi kutoa mafunzo kwa miundo ya AI chini ya msingi wa uhuru wa data wa ndani na hakuna muunganisho wa mtandao wa tovuti. Husawazisha usalama wa data na masuala ya faragha na ufuatiliaji wa utendaji wa AI. Timu hiyohiyo baadaye ilitengeneza na kuidhinisha CAIMEN, mfumo wa utambuzi wa uvimbe kwenye kifua wa CT pan-mediastinal kulingana na mafunzo ya serikali, kwa ushirikiano na Hospitali ya Kwanza Shirikishi ya Chuo Kikuu cha Matibabu cha Guangzhou na hospitali 24 kote nchini. Mfumo huo, ambao unaweza kutumika kwa uvimbe 12 wa kawaida wa uti wa mgongo, ulipata usahihi wa asilimia 44.9 wakati unatumiwa peke yake kuliko wakati unatumiwa na wataalam wa kibinadamu pekee, na asilimia 19 ya usahihi wa utambuzi bora wakati wataalam wa binadamu walisaidiwa nao.

Kwa upande mwingine, mipango kadhaa inaendelea kuunda seti salama, za kimataifa na za kiwango kikubwa cha data za matibabu. Mnamo Novemba 2023, Agustina Saenz na wengine kutoka Idara ya Habari za Matibabu katika Shule ya Matibabu ya Harvard walichapisha mtandaoni katika Lancet Digital Health mfumo wa kimataifa wa kushiriki data ya picha ya matibabu inayoitwa Data ya Ushauri Bandia kwa Huduma Yote ya Afya (MAIDA). Wanafanya kazi na mashirika ya huduma ya afya duniani kote ili kutoa mwongozo wa kina kuhusu ukusanyaji wa data na kuondoa utambulisho, kwa kutumia kiolezo cha Mshirika wa Maandamano wa Shirikisho la Marekani (FDP) kusanifisha ushiriki wa data. Wanapanga kutoa polepole seti za data zilizokusanywa katika maeneo tofauti na Mipangilio ya kliniki kote ulimwenguni. Seti ya data ya kwanza inatarajiwa kutolewa mapema 2024, na mengi zaidi yanakuja kadri ushirikiano unavyoongezeka. Mradi ni jaribio muhimu la kujenga seti ya kimataifa, kubwa na tofauti ya data ya AI inayopatikana kwa umma.

Kufuatia pendekezo hilo, Benki ya Biobank ya Uingereza imetoa mfano. Biobank ya Uingereza ilitoa data mpya tarehe 30 Novemba kutoka kwa mpangilio mzima wa genome wa washiriki wake 500,000. Hifadhidata, ambayo huchapisha mfuatano kamili wa jenomu ya kila mmoja wa wafanyakazi wa kujitolea 500,000 wa Uingereza, ndiyo hifadhidata kubwa zaidi kamili ya jenomu za binadamu duniani. Watafiti kote ulimwenguni wanaweza kuomba ufikiaji wa data hii ambayo haijatambuliwa na kuitumia kuchunguza msingi wa kijeni wa afya na ugonjwa. Data ya kijeni imekuwa nyeti sana kwa uthibitishaji hapo awali, na mafanikio haya ya kihistoria ya Biobank ya Uingereza yanathibitisha kwamba inawezekana kujenga hifadhidata ya kimataifa ya kiwango kikubwa iliyo wazi, isiyo na faragha. Kwa teknolojia hii na hifadhidata, AI ya kimatibabu italazimika kuanzisha hatua inayofuata.

Uthibitishaji na Tathmini ya AI ya Matibabu

Ikilinganishwa na maendeleo ya haraka ya teknolojia ya matibabu ya AI yenyewe, maendeleo ya uthibitishaji na tathmini ya AI ya matibabu ni polepole kidogo. Uthibitishaji na tathmini katika uwanja wa AI ya jumla mara nyingi hupuuza mahitaji halisi ya matabibu na wagonjwa kwa AI. Majaribio ya kimapokeo yanayodhibitiwa bila mpangilio ni magumu sana kuendana na marudio ya haraka ya zana za AI. Kuboresha mfumo wa uthibitishaji na tathmini unaofaa kwa zana za matibabu za AI haraka iwezekanavyo ni jambo muhimu zaidi ili kukuza AI ya matibabu kwa utafiti wa leapfrog na maendeleo hadi kutua kwa kliniki.

Katika karatasi ya utafiti ya Google kuhusu Med-PaLM, iliyochapishwa katika Nature, timu pia ilichapisha alama ya tathmini ya MultiMedQA, ambayo hutumiwa kutathmini uwezo wa miundo mikubwa ya lugha kupata ujuzi wa kimatibabu. Alama hiyo inachanganya seti sita zilizopo za Maswali na Majibu za kimatibabu, zinazojumuisha maarifa ya kitaalamu ya matibabu, utafiti na vipengele vingine, pamoja na hifadhidata ya maswali ya utaftaji mtandaoni, ikizingatiwa Maswali na Majibu ya mtandaoni ya daktari na mgonjwa, kujaribu kutoa mafunzo kwa AI kuwa daktari aliyehitimu kutoka kwa nyanja nyingi. Kwa kuongezea, timu inapendekeza mfumo unaotegemea tathmini ya binadamu ambayo inazingatia vipimo vingi vya ukweli, uelewaji, hoja na upendeleo unaowezekana. Hii ni mojawapo ya jitihada za utafiti zinazowakilisha zaidi kutathmini AI katika huduma ya afya iliyochapishwa mwaka huu.

Hata hivyo, je, ukweli kwamba miundo mikubwa ya lugha huonyesha kiwango cha juu cha usimbaji maarifa ya kimatibabu inamaanisha kwamba miundo mikubwa ya lugha inafaa kwa kazi za kimatibabu za ulimwengu halisi? Kama vile mwanafunzi wa kimatibabu anayefaulu mtihani wa kitaalamu wa daktari kwa alama kamili bado yuko mbali na daktari mkuu pekee, vigezo vya tathmini vinavyopendekezwa na Google vinaweza visiwe jibu kamili kwa mada ya tathmini ya matibabu ya AI kwa miundo ya AI. Mapema mwaka wa 2021 na 2022, watafiti wamependekeza miongozo ya kuripoti kama vile Decid-AI, SPIRIT-AI, na INTRPRT, wakitumai kuongoza maendeleo ya mapema na uthibitishaji wa AI ya matibabu chini ya hali ya kuzingatia mambo kama vile utendakazi wa kimatibabu, usalama, sababu za kibinadamu, na uwazi/ufafanuzi. Hivi majuzi tu, jarida la Nature Medicine lilichapisha utafiti wa watafiti kutoka Chuo Kikuu cha Oxford na Chuo Kikuu cha Stanford kuhusu kama watatumia "uthibitishaji wa nje" au "uthibitisho wa ndani unaorudiwa. "Ili kuthibitisha zana za AI.

Asili isiyopendelea ya zana za AI pia ni mwelekeo muhimu wa tathmini ambao umezingatiwa mwaka huu kutoka kwa nakala za Sayansi na NEJM. AI mara nyingi huonyesha upendeleo kwa sababu ni mdogo kwa data ya mafunzo. Upendeleo huu unaweza kuakisi ukosefu wa usawa wa kijamii, ambao unazidi kubadilika na kuwa ubaguzi wa kimaadili. Taasisi za Kitaifa za Afya hivi majuzi zilizindua mpango wa Bridge2AI, unaokadiriwa kugharimu dola milioni 130, ili kuunda hifadhidata mbalimbali (kulingana na malengo ya mpango wa MAIDA uliotajwa hapo juu) ambazo zinaweza kutumika kuthibitisha kutoegemea upande wa zana za matibabu za AI. Vipengele hivi havizingatiwi na MultiMedQA. Swali la jinsi ya kupima na kuthibitisha mifano ya matibabu ya AI bado inahitaji mjadala wa kina na wa kina.

Mnamo Januari, Tiba ya Asili ilichapisha kipande cha maoni kiitwacho "Kizazi Kijacho cha Tiba inayotegemea Ushahidi" kutoka kwa Vivek Subbiah wa Chuo Kikuu cha Texas MD Anderson Cancer Center, ikikagua mapungufu ya majaribio ya kimatibabu yaliyofichuliwa katika muktadha wa janga la COVID-19 na kuashiria mkanganyiko kati ya uvumbuzi na ufuasi wa mchakato wa utafiti wa kimatibabu. Hatimaye, inaonyesha mustakabali wa urekebishaji wa majaribio ya kliniki - kizazi kijacho cha majaribio ya kliniki kwa kutumia akili ya bandia, yaani, matumizi ya akili ya bandia kutoka kwa idadi kubwa ya data ya utafiti wa kihistoria, data ya ulimwengu halisi, data ya kliniki ya modal nyingi, data ya kifaa inayoweza kuvaliwa ili kupata ushahidi muhimu. Je, hii inamaanisha kuwa teknolojia ya AI na michakato ya uthibitishaji wa kliniki ya AI inaweza kuimarisha na kubadilika kwa pamoja katika siku zijazo? Hili ni swali la wazi na la kufikiria la 2023.

Udhibiti wa AI ya Matibabu

Maendeleo ya teknolojia ya AI pia yanaleta changamoto kwa udhibiti wa AI, na watunga sera kote ulimwenguni wanajibu kwa uangalifu na kwa uangalifu. Mnamo mwaka wa 2019, FDA ilichapisha kwa mara ya kwanza Mfumo wa Udhibiti Unaopendekezwa wa Mabadiliko ya Programu kwa Vifaa vya Matibabu vya Ujasusi Bandia (Rasimu ya Majadiliano), ikielezea mbinu yake inayowezekana ya ukaguzi wa soko la AI na marekebisho ya programu inayoendeshwa na mashine. Mnamo 2021, FDA ilipendekeza "Programu ya Akili Bandia/Mashine inayotegemea Kujifunza kama Mpango wa Utekelezaji wa Kifaa cha Matibabu", ambayo ilifafanua hatua tano mahususi za udhibiti wa matibabu za AI. Mwaka huu, FDA ilitoa tena Uwasilishaji wa Soko la Kwanza kwa Vipengele vya Programu ya Kifaa ili kutoa maelezo kuhusu mapendekezo ya uwasilishaji wa soko mapema kwa tathmini ya FDA ya usalama na utendakazi wa vipengele vya programu za kifaa, ikiwa ni pamoja na baadhi ya vipengele vya vifaa vya programu vinavyotumia miundo ya mashine ya kujifunza iliyofunzwa kupitia mbinu za kujifunza kwa mashine. Sera ya udhibiti ya FDA imebadilika kutoka pendekezo la awali hadi mwongozo wa vitendo.

Kufuatia kuchapishwa kwa Nafasi ya Takwimu ya Afya ya Ulaya mnamo Julai mwaka jana, EU kwa mara nyingine tena imepitisha Sheria ya Ujasusi wa Bandia. Ya kwanza inalenga kutumia vyema data ya afya ili kutoa huduma ya afya ya hali ya juu, kupunguza ukosefu wa usawa, na kusaidia data kwa ajili ya kuzuia, utambuzi, matibabu, uvumbuzi wa kisayansi, kufanya maamuzi na sheria, huku ikihakikisha kwamba raia wa Umoja wa Ulaya wana udhibiti mkubwa zaidi wa data zao za kibinafsi za afya. Mwisho unaweka wazi kwamba mfumo wa uchunguzi wa kimatibabu ni mfumo wa AI ulio hatari sana, na unahitaji kupitisha usimamizi thabiti unaolengwa, usimamizi wa mzunguko wa maisha yote na usimamizi wa kabla ya tathmini. Shirika la Madawa la Ulaya (EMA) limechapisha Rasimu ya Karatasi ya Kutafakari juu ya matumizi ya AI ili kusaidia maendeleo ya madawa ya kulevya, udhibiti na matumizi, na msisitizo juu ya kuboresha uaminifu wa AI ili kuhakikisha usalama wa mgonjwa na uadilifu wa matokeo ya utafiti wa kliniki. Kwa ujumla, mbinu ya udhibiti ya Umoja wa Ulaya inakua polepole, na maelezo ya mwisho ya utekelezaji yanaweza kuwa ya kina zaidi na madhubuti. Kinyume kabisa na udhibiti mkali wa EU, mwongozo wa udhibiti wa AI wa Uingereza unaweka wazi kuwa serikali inapanga kuchukua njia rahisi na sio kutunga bili mpya au kuweka vidhibiti vipya kwa sasa.

Nchini Uchina, Kituo cha Mapitio ya Kiufundi cha Vifaa vya Matibabu (NMPA) cha Utawala wa Kitaifa wa Bidhaa za Matibabu hapo awali kilitoa hati kama vile "Njia za Kukagua za Programu ya Uamuzi ya Kina na Uamuzi wa Kina", "Kanuni Miongozo ya Mapitio ya Usajili wa Vifaa vya Matibabu vya Upelelezi Bandia (Rasimu ya Maoni)" na "Mduara wa Kanuni Elekezi za Uamuzi wa Uangazi wa Bidhaa za Ainisho za Uainishaji (Na. 47 mwaka 2021)”. Mwaka huu, "Muhtasari wa matokeo ya kwanza ya uainishaji wa bidhaa za kifaa cha matibabu mwaka wa 2023" ulitolewa tena. Mfululizo huu wa hati hurahisisha ufafanuzi, uainishaji na udhibiti wa bidhaa za programu za kompyuta za akili bandia kuwa wazi zaidi na rahisi kufanya kazi, na hutoa mwongozo wazi wa kuweka bidhaa na mikakati ya usajili wa biashara mbalimbali katika sekta hiyo. Hati hizi hutoa mfumo na maamuzi ya usimamizi wa AI yenye thamani ya usimamizi wa vifaa vya matibabu. Mkutano wa Ujasusi wa Kiafya wa China uliofanyika mjini Hangzhou kuanzia tarehe 21 hadi 23 Desemba ulianzisha kongamano maalum kuhusu utawala wa kidijitali wa matibabu na maendeleo ya hali ya juu ya hospitali za umma na kongamano la maendeleo ya tasnia ya uchunguzi wa vifaa vya matibabu vya akili na tathmini Wakati huo, maofisa kutoka Tume ya Kitaifa ya Maendeleo na Marekebisho na NMPA watahudhuria mkutano huo na wanaweza kutoa taarifa mpya.

Hitimisho

Mnamo 2023, AI ya matibabu imeanza kuunganishwa katika mchakato mzima wa matibabu ya juu na chini, inayofunika ukusanyaji wa data ya hospitali, mchanganyiko, uchambuzi, uchunguzi na matibabu, na uchunguzi wa jamii, na kushirikiana kikaboni na wafanyakazi wa matibabu / magonjwa, kuonyesha uwezekano wa kuleta ustawi kwa afya ya binadamu. Utafiti unaoweza kutumika wa matibabu wa AI unaanza kupambazuka. Katika siku zijazo, maendeleo ya AI ya matibabu inategemea sio tu maendeleo ya teknolojia yenyewe, lakini pia inahitaji ushirikiano kamili wa sekta, chuo kikuu na utafiti wa matibabu na msaada wa watunga sera na wasimamizi. Ushirikiano huu wa kikoa ni ufunguo wa kufikia huduma za matibabu zilizounganishwa na AI, na hakika utakuza maendeleo ya afya ya binadamu.