Чтобы максимально эффективно использовать генеративный ИИ (GenAI), медицинские организации должны обеспечить соблюдение нормативных требований к данным, таких как HIPAA и GDPR.

Появление генеративного ИИ (GenAI) открывает беспрецедентные возможности в секторе здравоохранения, предлагая революционные достижения в области ухода за пациентами, диагностики и лечения. Однако интеграция GenAI требует огромных объемов данных для эффективного обучения алгоритмов. Обеспечение ответственного сбора этих данных при строгом соблюдении таких нормативных актов, как Закон о передаче и подотчетности медицинского страхования (HIPAA) и GDPR, имеет первостепенное значение для защиты конфиденциальности пациентов и поддержания этических стандартов.

Конфиденциальность и безопасность данных: краеугольный камень этичного сбора данных

Конфиденциальность и безопасность данных имеют основополагающее значение при сборе медицинских данных для GenAI. HIPAA устанавливает стандарт защиты конфиденциальной информации о пациентах в Соединенных Штатах. Чтобы обеспечить соответствие требованиям HIPAA и другим нормам конфиденциальности, медицинские организации должны внедрить надежные системы управления данными, включающие следующие принципы:

Деидентификация данных

Деидентификация включает удаление персональных идентификаторов из наборов данных, чтобы гарантировать, что отдельных лиц нельзя было легко идентифицировать. Согласно HIPAA, этого можно достичь двумя методами:

Метод «безопасной гавани» (Safe Harbor): включает удаление 18 конкретных идентификаторов, таких как имена, номера социального страхования и фотографии лиц в полный рост, чтобы сделать данные деидентифицированными.
Метод экспертной оценки: эксперт применяет статистические или научные принципы, чтобы определить, что риск повторной идентификации очень мал.

Шифрование данных

Шифрование данных необходимо для защиты конфиденциальной информации от несанкционированного доступа во время передачи и хранения. HIPAA требует, чтобы медицинские организации внедряли механизмы шифрования для защиты электронных медицинских данных (ePHI).

Контроль доступа

Внедрение строгого контроля доступа гарантирует, что только уполномоченный персонал может получить доступ к конфиденциальным данным пациентов. Управление доступом на основе ролей (RBAC) и многофакторная аутентификация (MFA) являются эффективными мерами для ограничения доступа к данным в зависимости от должностных обязанностей и обеспечения дополнительного уровня безопасности.

Устранение предвзятости при сборе данных

Системы ИИ хороши ровно настолько, насколько хороши данные, на которых они обучаются. Для разработки объективных и точных моделей GenAI крайне важно собирать разнообразные и репрезентативные наборы данных. Это включает в себя:

Обеспечение разнообразия: сбор данных от широкого круга демографических групп, включая различные возрастные категории, пол, расу и социально-экономическое положение, чтобы предотвратить предвзятость, которая может привести к неравенству в результатах лечения.
Регулярные аудиты: проведение регулярных проверок наборов данных для выявления и устранения любых существующих искажений. Это помогает совершенствовать процесс сбора данных и повышать справедливость моделей ИИ.

Поддержание прозрачности и информированного согласия

Прозрачность и информированное согласие являются важнейшими компонентами ответственного сбора данных. Пациенты должны быть полностью проинформированы о том, как будут использоваться их данные, и должны дать явное согласие. Ключевые практики включают:

Четкая коммуникация

Организации должны предоставлять пациентам четкую и краткую информацию о целях сбора данных, типах собираемых данных, а также о том, как эти данные будут использоваться и защищаться. Эта информация должна быть представлена на языке и в формате, которые легко понять.

Получение информированного согласия

Организации должны гарантировать, что пациенты дают информированное согласие до того, как их данные будут собраны. Это предполагает получение явного разрешения от пациентов, когда они добровольно соглашаются на использование своих данных после того, как были полностью проинформированы о процессе, рисках и преимуществах.

Ответственные данные для развития сотрудничества человека и ИИ

GenAI должен дополнять и расширять возможности медицинских работников, а не заменять их. Поощрение сотрудничества между людьми и системами ИИ гарантирует, что идеи, полученные с помощью ИИ, интерпретируются и применяются правильно. Одним из примеров может быть использование ИИ для диагностики. ИИ может обеспечить первичную интерпретацию КТ и МРТ (с маскировкой информации о пациенте), которую радиолог может просмотреть и подтвердить перед постановкой окончательного диагноза. Достижение оптимального сотрудничества человека и ИИ включает:

Обучение и образование

Медицинские организации должны обучать медицинских работников тому, как эффективно собирать данные, необходимые для использования инструментов ИИ, и интерпретировать выводы, сделанные ИИ. Если данные не защищены должным образом, они могут быть повреждены злоумышленниками, что будет иметь серьезные последствия для моделей ИИ, обученных на поврежденных данных.

Междисциплинарные команды

Формирование междисциплинарных команд, включающих специалистов по данным, специалистов по этике и медицинских работников, может обеспечить всесторонний контроль за разработкой и внедрением систем ИИ. Такой совместный подход гарантирует, что модели ИИ соответствуют клиническим потребностям и этическим стандартам.

Постоянный мониторинг показателей и улучшение

Внедрение ИИ в здравоохранении — это непрерывный процесс, требующий постоянного мониторинга и улучшения для обеспечения адекватности сети, эффективности работы поставщиков услуг, безопасности, низкого уровня повторных госпитализаций, сдерживания затрат и соответствия этическим стандартам. Ключевые практики включают:

Регулярные обновления и обратная связь

Организации должны обновлять алгоритмы ИИ на основе новых данных, новых правил в области ИИ и развивающихся медицинских знаний. Медицинским работникам следует предоставить каналы обратной связи для обмена идеями и предложениями по улучшению.

Заключение

Интеграция генеративного ИИ в здравоохранение открывает огромные перспективы для улучшения ухода за пациентами, операционной эффективности и общих результатов лечения. Однако к этому технологическому прогрессу необходимо подходить с осторожностью и прочной этической базой. Приоритизируя конфиденциальность данных, устраняя предвзятость, поддерживая прозрачность и способствуя сотрудничеству человека и ИИ, мы можем использовать весь потенциал ИИ, гарантируя при этом, что он служит общему благу. Риски необходимо активно минимизировать, что начинается с согласованного внимания к созданию процессов управления, структур и защитных механизмов для прогнозирования, выявления и управления рисками. Двигаясь вперед, ответственный ИИ, несомненно, будет играть ключевую роль в формировании будущего здравоохранения, стимулируя инновации при соблюдении самых высоких стандартов ухода за пациентами и этической честности без ущерба для этики или безопасности.

Об авторе

Рагувиран Соумянараянан, руководитель глобального направления по искусственному интеллекту в Wipro Technologies

Рагувиран Соумянараянан лично руководил внедрением очень крупных и сложных корпоративных озер данных (Enterprise Data Lake), а также множеством экспериментов и пилотных проектов (PoC) в области генеративного ИИ. С ним можно связаться по адресу raghuveeran.sowmyanarayanan@wipro.com.