Anonim

Dieses Transkript wurde aus Gründen der Übersichtlichkeit bearbeitet.

Ivan Oransky: Guten Abend und herzlich willkommen. Ich bin Ivan Oransky, Vizepräsident der Redaktion hier bei Medscape. Es ist mir eine große Freude, Sie zu einem ganz besonderen Ereignis begrüßen zu dürfen, dem Start von Deep Medicine [1], dem neuesten Buch von Eric Topol, Chefredakteur von Medscape.

In Übereinstimmung mit einigen meiner Erkenntnisse aus dieser faszinierenden und wichtigen Lektüre habe ich alles, was ich über unsere Gäste, über Buchvorstellungen und über künstliche Intelligenz (KI) weiß, in mein tiefes neuronales Netzwerk eingespeist und es gebeten, a auszuspucken Satz von Eröffnungsbemerkungen. Zuerst sagte es mir, ich solle ein blaues Hemd tragen; prüfen. Dann hieß es, ich sollte mich kurz fassen; prüfen. Aber was als nächstes gesagt wurde, machte mich wirklich nervös und ein wenig besorgt, weil es mir sagte, ich solle lustig sein. Darauf folgte eine seltsame Stimme, die einige von Ihnen vielleicht erkennen und als vertraut empfinden. es sagte ruhig: "Es tut mir leid, Ivan. Ich fürchte, Sie können das nicht tun."

Und gerade als Dr. Topol seinen AI-informierten Ernährungsrat ablegte, als er vorschlug, dass er Käsekuchen und Bratwurst isst, warf ich diesen Entwurf aus und beschloss, nur unsere Redner vorzustellen, damit wir die meiste Zeit mit ihnen verbringen können als bei mir. (Wenn Sie Dr. Topols Artikel "The AI ​​Diet" in der New York Times verpasst haben, sollten Sie ihn unbedingt lesen. [2] )

Bei uns ist der mit dem Pulitzer-Preis ausgezeichnete Autor Dr. Siddhartha Mukherjee, dessen Buch Der Kaiser aller Krankheiten [3] schnell zu einem Muss für alle, die sich für Krebs interessieren, sowie ein Bestseller der New York Times wurde. Er ist Onkologieforscher und Arzt an der Columbia University in New York City und Autor von The Gene: An Intimate History. [4]

Heute Abend wird Dr. Mukherjee Dr. Topol den Spieß umdrehen, der Dr. Mukherjee 2015 im Rahmen unserer Medscape One-on-One-Reihe von Interviews mit führenden Denkern der Medizin interviewte. Dr. Topol ist praktizierender Kardiologe am Scripps Research Institute in La Jolla, Kalifornien, und, wie bereits erwähnt, Chefredakteur hier bei Medscape. Er gilt weithin als einer der weltweit einflussreichsten Vordenker in den Bereichen digitale Innovation und Gesundheitswesen und ist Autor von zwei früheren Büchern. [5, 6]

Ich weiß, wir können uns auf ein zum Nachdenken anregendes und nachdenkliches Gespräch freuen. Bitte begrüßen Sie mit mir Dr. Mukherjee und Dr. Topol.

'Deep Learning' definieren

Siddhartha Mukherjee, MD, PhD: Eric, ich habe Ihr Buch und Ihren Artikel genossen. Wir haben lange über einige dieser Themen gesprochen - fast ein Jahrzehnt, würde ich sagen. Und jetzt haben wir Ihr Buch. Vielleicht sollten wir mit einigen Definitionen beginnen, damit die Leute auf dem Laufenden sind. Was meinst du, wenn du über KI und tiefes Lernen oder maschinelles Lernen sprichst? Was tut es?

Computer sind jetzt seit 20 oder 30 Jahren in der Medizin. Computeralgorithmen sind seit 20, wenn nicht 30 Jahren in der Medizin. Was ist jetzt anders und warum? Erklären Sie, wie sich tiefes Lernen und KI grundlegend unterscheiden. Definieren Sie es für uns.

Eric J. Topol, MD: Das ist eine gute Frage, Sid. Wir sprechen über die Deep-Learning-Geschichte, die Geoffrey Hinton und seine Kollegen vor knapp einem Jahrzehnt an der Universität von Toronto in Kanada entwickelt haben. Sie kamen auf einen völlig neuen Subtyp der KI, die Idee, Daten aufzunehmen und durch Neuronenschichten zu führen. Die Menschen entscheiden nicht, wie viele Schichten; Vielmehr bestimmen die Schichten der künstlichen Neuronen, was zum Lesen der Merkmale erforderlich ist, ob es sich um Sprache oder Bild handelt.

Ich glaube, dass [tiefes Lernen] die Daten, mit denen wir in der Medizin überflutet sind, verbinden und es uns ermöglichen kann, zu der Patientenversorgung zurückzukehren, die wir im Laufe der Zeit verloren haben.

Dies wurde ursprünglich auf ImageNet angewendet, die fantastischen beschrifteten Bilder, die Fei-Fei Li und ihre Kollegen in Stanford zusammengestellt haben. Sie haben Millionen von Bildern sorgfältig mit Anmerkungen versehen, um sie in einer visuellen Objekterkennungssoftware zu verwenden. Geoffrey konnte zeigen, dass die KI Bilder lesen, interpretieren und klassifizieren kann, so wie es Menschen können, und im Laufe der Zeit in den letzten Jahren sogar besser als Menschen.

Das hat das Potenzial in der Medizin gesetzt. Mit dieser Art von KI können Sie eine Mustererkennung durchführen, die beispielsweise auf medizinische Scans, Pathologie-Objektträger und Hautläsionen angewendet werden kann. Und das Schöne daran ist, dass die menschliche Voreingenommenheit nicht Teil des neuronalen Netzwerks ist. Sie können menschliche Vorurteile als Teil der Eingabe programmieren, aber wenn Sie dies nicht tun, kann die Maschine die Arbeit wirklich erledigen. Ich glaube, es hat Potenzial, das diese anfänglichen Bereiche überschreitet. Natürlich gibt es andere komplementäre Aspekte von Deep Learning und KI-Tools, die transformativ sein werden.

Die Deep-Learning-Seite ist ziemlich neu, und ich glaube, dass sie die Daten, mit denen wir in der Medizin überflutet sind, miteinander verbinden und es uns ermöglichen kann, zur Patientenversorgung zurückzukehren, die wir im Laufe der Zeit verloren haben.

Mukherjee: Wir werden auf die Patientenversorgung zurückkommen, die wir verloren haben. Es ist ein wichtiges Merkmal von all dem und ich möchte die Zeit markieren, um darüber zu diskutieren. Aber mir ist aufgefallen, dass Sie eine sehr enge Definition von tiefem Lernen und KI verwendet haben. Geoffrey Hinton und ich haben lange miteinander gesprochen. Ich habe ein Stück über Geoffreys Arbeit geschrieben.

Topol: Im New Yorker, 2017. Guter Artikel. "AI Versus MD" [7] Aber es sollte "AI plus MD" sein.

Mukherjee: Richtig. Und wir werden gleich darüber sprechen. Ich bin offensichtlich an der Tatsache interessiert, dass Sie die Mustererkennung verwendet haben - Sie haben ImageNet verwendet - und die Beispiele, die Sie verwendet haben, waren die Diagnose von Hautläsionen, Pathologie und Radiologie usw. Ist es Ihr Eindruck, dass die KI auf diese Weise eingeschränkt wird oder Wird es sich nach außen ausdehnen und breiter werden? Wird es die tieferen, umfassenderen Fragen zur Medizin stellen, die wir als Ärzte stellen? Mit anderen Worten, ist dies ein Werkzeug, das ein Mustererkennungswerkzeug ist - was außerordentlich wichtig ist; Lassen Sie uns nicht darüber nachdenken - aber wofür wird die Kapazität begrenzt sein?

In diesem New Yorker Artikel spreche ich darüber, wann ein junger Dermatologe in der Ausbildung sein erstes Melanom findet. Sie gehen von einer Fallstudie von Null zu einer Fallstudie von Eins. Wenn jedoch ein neuronales Netzwerk, das Daten aufgenommen hat - 578.000 Melanome -, ein anderes nimmt, geht es von einer Fallstudie von 578.000 auf 578.001 über. Wir verstehen also die Leistungsfähigkeit dieser Daten, aber wissen Sie, wie umfassend diese Daten sein werden?

Image

Topol: Das ist ein sehr wichtiger Punkt, weil er heute relativ eng ist und teilweise, weil die Datensätze, mit denen wir im medizinischen Bereich arbeiten müssen, relativ begrenzt sind. Wir haben diese massiven kommentierten Datensätze nicht. Aber es wird viel weiter gehen. Ich glaube, dass eine der größten Lektionen, die wir bisher gelernt haben, darin besteht, dass wir Maschinen so trainieren können, dass sie eine Vision haben, die die des Menschen weit übertrifft.

Was mit einigen der von mir erwähnten Dinge begonnen wurde, hat sich jetzt erweitert. Zum Beispiel können Sie in einem Kardiogramm nicht nur die Funktion des Herzens bestimmen, sondern auch die Wahrscheinlichkeit, dass eine Person diese oder jene Art von Arrhythmie entwickelt. Das können Menschen nicht sehen.

Das vielleicht beste Beispiel dafür ist die Netzhaut. Mit dieser Art von Algorithmus können Sie einen Mann von einer Frau unterscheiden, ohne unbedingt das Netzhautbild betrachten zu müssen. Dies ist etwas, das noch niemand erklärt hat, und es betont die Black-Box-Erklärbarkeitsfunktion. Wenn Sie Netzhautexperten, internationale Behörden, dazu bringen, sich Netzhautbilder anzusehen, können sie den Unterschied zwischen einem Mann und einer Frau nicht erkennen. Sie haben eine 50/50-Chance, das richtig zu machen, männlich oder weiblich. Sie können einen Algorithmus jedoch so trainieren, dass er mehr als 97% oder 98% genau ist, und niemand weiß warum.

Wenn Sie eine enge Definition sagen, beginnen wir uns erst vorzustellen, wofür wir Maschinen trainieren können. Wenn Sie dann anfangen, all die verschiedenen Schichten eines Menschen und das Korpus der medizinischen Literatur - die Sensoren, die Genomik, das Mikrobiom, all diese verschiedenen Dinge - einzubeziehen, dann haben Sie einen Aufbau, der sowohl für den Einzelnen als auch für den Einzelnen viel umfassender ist die Menschen, die für diese Person sorgen.

23andMe

Image

Mukherjee: Eines der Dinge, die wir offensichtlich ansprechen werden, ist die Privatsphäre, die eine unglaublich wichtige Arena ist. Lassen Sie uns also später etwas Zeit dafür einplanen. Mein Fachgebiet ist Krebs, und ich war beeindruckt von den Daten, die aus der britischen Biobank in Bezug auf die Vorhersagbarkeit von Brustkrebs stammen. Sie diskutieren dies in Ihrem Buch.

Um dem Publikum einen Eindruck davon zu vermitteln, wie sich diese Welt bewegt - und dies gilt auch für Herz-Kreislauf-Erkrankungen -, stellen Sie sich vor, Sie haben Brustkrebs in Ihrer Familie. Sie wissen, dass es mehrere Generationen überschritten hat. In der Vergangenheit war unsere Fähigkeit, vorherzusagen, ob Sie selbst, eine Frau oder ein Mann, einem Risiko für zukünftigen Brustkrebs ausgesetzt waren, auf einzelne hochpenetrante Gene wie BRCA1 und BRCA2 beschränkt. Menschen würden wichtige Entscheidungen in ihrem Leben treffen - Angelina Jolie ist eine von ihnen - basierend auf dieser genetischen Diagnose.

Wenn Sie sich dieses Kreisdiagramm von Menschen mit familiärem Brustkrebs ansehen, waren nur etwa 10 bis 20% dieses Kreisdiagramms in Bezug auf einzelne, stark durchdringende genetische Veränderungen vorhersehbar. Der Rest war bis zu einem gewissen Grad dunkle Materie. Mit anderen Worten, Sie könnten zu mir kommen und sagen: "Ich habe Brustkrebs in meiner Familie. Können Sie mir sagen, was mein Risiko ist?" Und ich würde sagen: "Wenn Sie keine BRCA1- oder BRCA2-Mutationen haben, kann ich Ihnen Ihr Risiko nicht sagen. Ich kann nicht sagen, ob Sie sich im höchsten oder im niedrigsten Quartil des Risikos befinden."

Eine Sache, die mit der britischen Biobank und anderen Biobanken passiert ist, ist, dass Sie, wenn Sie Genome nehmen und dann das Schicksal entlang dieses Genoms abbilden - und ein Aspekt des Schicksals könnte Brustkrebs sein -, jetzt anfangen können, überraschend tiefe Vorhersagen über Menschen zu treffen, die sich in befinden das höchste Viertel von Brustkrebs oder wahrscheinlich Brustkrebs in der Zukunft, wie eine Frau, die aufgrund ihres Erbguts ein neunfaches Risiko im Vergleich zum Rest der Bevölkerung von zukünftigem Brustkrebs haben könnte.

Dies ist auch bei Herz-Kreislauf-Erkrankungen der Fall, und diese Algorithmen sind, wie Sie bereits betont haben, relativ einfach. Sie sind additive Algorithmen. Führen Sie uns durch ein Szenario, was passieren würde, wenn wir diese Genschicksalskarten erstellen. Entfessle die Werkzeuge der KI auf ihnen. Führen Sie uns durch das, was tiefgreifend sein könnte, und führen Sie uns durch die Probleme.

Topol: Sicher. Natürlich möchten Sie darauf achten, Schicksal und Genomik nicht in einen Satz zu setzen, und darüber haben Sie in Ihrem Buch The Gene: An Intimate History eloquent geschrieben. Aber ich glaube, der Punkt, auf den Sie kommen, ist, dass der polygene Risiko-Score für Brustkrebs, der nicht mit der BRCA und seltenen Mutationen zusammenhängt -

Mukherjee: Erklären Sie den polygenen Risiko-Score etwas genauer, weil er wichtig ist.

Topol: Dafür müssen Sie nicht einmal eine Sequenz machen. Wie viele Personen haben auf 23andMe zugegriffen? Viele Leute. Von diesem oder Ancestry.com können Sie 1 Million Buchstaben eines Genoms über einen Chip erhalten, der für nur 20 US-Dollar ausgeführt werden kann. Sie können alle diese Varianten zusammen finden - Hunderte geänderter Buchstaben, die BRCA1- oder 2-Mutationen entsprechen würden.

Ungefähr 88% der Frauen werden in ihrem Leben niemals Brustkrebs haben. Wer sind die 12%, die wirklich gefährdet sind? Heute haben wir diese bemerkenswert verschwenderische Art, alle Frauen mit einer 60% igen Falsch-Positiv-Rate einer Mammographie zu unterziehen, aber wir können bereits erkennen, dass zwischen den seltenen Mutationen, die gut charakterisiert sind, und dieser Sammlung dieser Varianten häufig vorkommender Varianten zusammen können wir sehr nahe an diesen 12% vorhersagen - vielleicht 20%.

Sie würden ein "Tschüss" für all diese Frauen haben, die nicht oder vielleicht nur alle 10 Jahre oder so gescreent werden müssten. Das gleiche gilt für alle diese Bedingungen. Es gibt einen umsetzbaren Weg. Es ist nicht nur für Brustkrebs.

Mukherjee: Sprechen Sie über Herz-Kreislauf-Erkrankungen.

Topol: Herzkrankheiten sind noch stärker etabliert, sodass Sie die besten 10% der gefährdeten Personen finden können. Ich habe keine Herzkrankheit in meiner Familie, das war sehr bedrückend für mich. Unser Team bei Scripps hat eine App erstellt. Es ist kostenlos, es dauert ein paar Minuten und Sie können Ihren Genrang ermitteln. Sie können zu Ihrem Genrang gehen und Ihre 23andMe-Daten in die App hochladen und Ihre Punktzahl von 100 erhalten. Ich habe das getan und meine Punktzahl war 92, was ein sehr hohes Risiko darstellt. Aus diesem Grund fing ich an, ein Statin zu nehmen. Es stellt sich heraus, dass Statine bei höherem Risiko eine viel größere Wirkung haben. Viele Menschen nehmen Statine ein, nur weil sie einen hohen LDL-Cholesterinspiegel haben, aber es wird keinen Nutzen für sie haben.

Es verändert die Struktur der menschlichen Beziehungen, wenn Sie sich entscheiden, nicht auf Ihr Wissen zu reagieren. Was passiert dann?

Mukherjee: Das Interessante daran ist natürlich, dass dieser Score ein Risikofaktor ist, der unabhängig von LDL-Cholesterin ist. Es ist als Risikofaktor etwas orthogonal.

Topol: Es ist orthogonal und additiv. Es ist besser als die Familiengeschichte oder die meisten anderen, wie Rauchen und sogar nur LDL-Cholesterin. Der Punkt bei dieser genomischen Informationsschicht ist, dass sogar eine Schicht viele Daten liefert. Das ist nur mit einem Chip. Wenn Sie dann anfangen, die Genomsequenz zu nehmen, die KI, insbesondere Deep Learning, so viel tut, um sie zu enträtseln, sagen Sie, wow, wir tun dies bereits für eine Risikobewertung für verschiedene häufige Erkrankungen. Es zoomt vorwärts. Wo wird das in ein oder zwei Jahren sein? In dem Buch geht es im Kapitel über tiefe Entdeckungen um Wissenschaft, Genomik und Krebs. Hier finden gerade die größten Fortschritte statt. Eines Tages wird dies zu einer weitaus besseren Prävention und einem weitaus besseren, sparsamen Umgang mit Ressourcen führen, sodass wir nicht über die derzeitige, unwissentliche Angst-Taktik verfügen.

Können wir verhindern, dass wir zu einem „Ort des Risikos“werden?

Mukherjee: Sprechen Sie über die Kehrseite dieses Szenarios. Unser Verständnis von uns selbst als Menschen ändert sich dabei, wenn wir selbst Algorithmen entfesseln, die wir selbst erfunden haben. Für mich besteht ein erhebliches Problem darin, dass wir jeden als Ort des Risikos betrachten und uns vorstellen.

Eine Versicherungsgesellschaft stellt sich jeden als Ort des Risikos vor, und das verändert grundlegend, wer Menschen sind und wie wir uns selbst verstehen. Dann gibt es die proximale Frage der Privatsphäre. Wenn Sie ein Ort des Risikos sind und diesen Rucksack mit Ihrer 23andMe-App in der U-Bahn lassen und jemand ihn findet … Vielleicht ist das ein weit hergeholtes Szenario, aber es gibt viel mehr nahe hergeholte Szenarien. Möchten Sie diese Informationen mit Ihrem Ehepartner teilen? Angenommen, Ihr polygener Risikowert für Brustkrebs liegt zufällig im höchsten Quartil. Möchten Sie diese Informationen an Ihren Ehepartner weitergeben? Es verändert die Struktur der menschlichen Beziehungen, wenn Sie sich entscheiden, nicht auf Ihr Wissen zu reagieren. Was passiert dann?

Image

Topol: Ich glaube, dass dieses Datenschutzproblem von grundlegender Bedeutung ist. Viele von Ihnen haben gesehen, dass die Privatsphäre in anderen Kreisen für tot erklärt wurde, aber noch nicht in Gesundheit und Medizin, weil sie in unserer Welt des Gesundheitswesens nicht akzeptabel ist.

Es gibt Möglichkeiten, dieses Problem zu umgehen. Die Cyber-Experten, die Hacking und die Verstöße verstehen, Daten, die in Gesundheitssystemen als Geiseln gehalten werden, all diese Dinge, empfehlen, dass die Daten in möglichst kleinen Einheiten vorliegen: Eine Person sollte ihre Daten besitzen. Tatsächlich müssen wir eines Tages dorthin gelangen.

In Estland besitzt jede Person ihre Daten und sie befinden sich nicht auf einem Massenserver, der das ideale Ziel von Cyberdieben ist. Das ist eine Möglichkeit, die Privatsphäre zu wahren, aber das Eigentum ist wirklich wichtig. Der Grund dafür ist nicht nur die Privatsphäre. Im Moment hat niemand alle medizinischen Daten von der Zeit, als sie im Mutterleib waren, als es in ihrem Leben bis zu diesem Moment wirklich wichtig ist. Niemand hat es, weil Sie für Ihre Daten zu vielen verschiedenen Personen und Orten gehen müssten. Wenn Sie KI verwenden möchten, um Bedingungen zu verhindern oder besser zu verwalten, müssen Sie über alle Eingaben verfügen. Wir wissen das und niemand hier hat es.

Wir haben ein Gleichgewicht zwischen der Maximierung des Datenschutzes und der Zusammenfassung all dieser Daten. Heutzutage generieren Menschen ihre eigenen Daten über Sensoren, und wenn Sie Ihr Genom oder sogar Ihren Chip von 23andMe oder was auch immer sequenzieren lassen, möchten Sie das nicht in Ihrer Krankenakte, die im Krankenhaus oder im Gesundheitssystem liegt, weil dies verwendet werden kann gegen dich. Die einzigen Dinge, die in diesem Land abgedeckt sind, sind Krankenversicherung und Arbeitgeberstatus, aber Lebensversicherung und Behinderung sind nicht abgedeckt, sodass Sie Ihre genetischen Informationen wirklich nicht in Ihre elektronische Akte aufnehmen möchten. Wir brauchen einen sicheren Ort dafür.

Derzeit sind viele dieser Datensätze obdachlos. Wir brauchen ein Zuhause, und das sollte dem Einzelnen gehören. Wir werden eines Tages dort ankommen. Wir sind weit hinter Estland zurück, und jetzt bewegen sich andere Länder wie Finnland, Schweden und die Schweiz in diese Richtung, aber wir sind es nicht.

Krankenhaus- und Abmeldekontinuitätsrunden werden allzu häufig durchgeführt… ohne jemals ans Bett des Patienten zu gehen.

Mukherjee: Was sind die Hindernisse in den Vereinigten Staaten? Unter dem Gesichtspunkt der Krebsgenetik und der Krebsgenomik war es peinlich, dass die britische Biobank Monate, Jahre vor unserer Gründung und seitdem wir auf diese Daten zugreifen, gegründet wurde. Und das Vereinigte Königreich ist nicht die einzige Biobank. Da sind andere. Warum kommen wir zu spät zu diesem Spiel?

Image

Topol: Wir sind ziemlich spät. Ich habe gerade eine fast zweijährige Überprüfung des britischen National Health Service abgeschlossen und sie sind nicht nur weltweit führend in der Genomik, sondern sie haben vor Jahren ihre Biobank und jetzt Genome in England gegründet. Sie haben auch die Arbeit, die ich mit ihnen gemacht habe, um eine digitale und eine KI-Strategie für die nächsten 20 Jahre zu planen. Sie haben Milliarden Pfund Ressourcen in diese Sache gesteckt, und mitten im Brexit planen sie vorausschauend die Gesundheitsversorgung. In diesem Land haben wir keinen Dollar für eine nationale Strategie eingesetzt. Vor kurzem gab unser Präsident eine Ankündigung über eine KI-Strategie mit null Dollar und ohne Einzelheiten. Großbritannien zoomt vorwärts und wir bleiben zurück.

Mukherjee: Ist es ein kulturelles Problem? Können Sie das Problem diagnostizieren?

Topol: Im Moment scheinen wir nur zu versuchen, Tag für Tag in diesem Land zu überleben. Nachdem ich viel Zeit und Interaktion mit den Briten verbracht habe, war ich beeindruckt, dass sie diese Planung sehr ernst nehmen und die Macht der KI respektieren. Zum Beispiel haben sie Tastaturen in einer ihrer sehr großen Notaufnahmen losgeworden. Sie möchten mit glücklichen Ärzten und glücklichen Patienten sprechen? Keine Tastaturen, alle Spracherkennung. Sie haben gezeigt, dass es möglich ist, und das war in der Notsituation, in der verschiedene Arten von Patienten hereinkommen. Sie zeigen der Welt, dass sie die Tastaturen zuerst in ihrem Land loswerden werden. Früher haben wir darüber gesprochen, Papier loszuwerden. Wir haben nie Papier losgeworden. Aber Tastaturen sind der Feind von Ärzten, Patienten, Krankenschwestern und allen anderen.

Die Spracherkennung, bei der es sich um tiefes Lernen handelt, ist heute so weit fortgeschritten, dass wir in den USA so gut wie nichts tun. Mehr als 20 US-Unternehmen, darunter viele Technologieunternehmen, arbeiten daran, aber als Land stehen wir nicht hinter den Bemühungen, während Großbritannien und China dies tun. Wir rutschen darauf ab. Es ist eine großartige Gelegenheit. Ich glaube nicht, dass wir noch viele Jahre und sogar Generationen vor uns eine solche Gelegenheit haben werden.

Die körperlose Diagnose

Mukherjee: Sie sprechen viel über Patienten. Ich möchte auch ein bisschen über Ärzte sprechen. Ich habe kürzlich einen großen Artikel [8] darüber geschrieben, wie Tastaturen zu einer Ursache für Burnout bei Ärzten geworden sind und warum wir uns im Laufe des Tages automatisiert, aber auch entmenschlicht fühlen. Ich werde etwas aus Ihrem Buch lesen.

Dies ist auf Seite 306 Ihres Buches [1] :

Wir müssen auch die Gedanken der Medizinstudenten neu verdrahten, damit sie eher auf den Menschen als auf die Krankheit ausgerichtet sind. Kontinuitätsrunden in Krankenhäusern und Abmeldungen werden allzu häufig per Kartenwechsel durchgeführt, wobei ein Schulungsarzt die Krankheit oder den Status des Patienten und die relevanten Testergebnisse überprüft, ohne jemals ans Krankenbett zu gehen.
Sogar die Diagnose einer Krankheit wird durch Betrachten des Scans oder der Labortests entkörpert, anstatt der Person die Hände aufzulegen. Solche Routinen sind viel schneller und einfacher als das Kennenlernen eines Menschen. Rana Awdish, eine Ärztin in Detroit, hat dies mit zwei Gruppen von Medizinstudenten gut dargelegt. Einer wurde Pathologie genannt und der andere humanistisch. Die Pathologiegruppe erhält ein außergewöhnliches Training zum Erkennen von Krankheiten, indem sie eine Hautläsion erkennt, auf Geräusche hört oder die Gerinnungskaskade kennt. Die humanistische Gruppe erhält all diese Schulungen, ist aber auch darauf trainiert, den Kontext des Menschen zu verfolgen, Patienten sprechen zu lassen und zu lernen, wie ihr Leben aussieht, was für sie wichtig ist, was sie beunruhigt. Wenn ein Patient anfängt zu weinen, kann die Pathologiegruppe die Krankheit diagnostizieren, aber nicht reagieren. Die humanistische Gruppe, die schon vor Beginn der Tränen auf Emotionen eingestellt ist, hört die angespannte Tonhöhe der Stimmbänder, die durch falschen Mut und Komfort gespannt sind.

Ist dies Ihre Vision davon, wie die Beseitigung dieser Belastungen aus der Medizin dazu führen wird, dass eine Art Glauben wiederhergestellt wird, der bei unseren Medizinstudenten allmählich aus dem Ruder läuft?

Topol: Danke für diese Passage. Es fängt die ganze Geschichte ein, und das heißt, wir haben uns verirrt. In den 40 Jahren, seit ich mein Medizinstudium abgeschlossen habe, habe ich eine stetige Erosion gesehen, und wir haben uns immer weiter von der Pflege entfernt, der wahren menschlichen Bindung. Wir haben die Möglichkeit - und ich glaube, zumindest in meinem Leben die einzige Möglichkeit -, sie umzukehren und dorthin zurückzukehren, wo wir waren. Es ist das Geschenk der Zeit, aber nicht nur das. Wie Sie sagten, geht es um den menschenzentrierten Aspekt der medizinischen Versorgung. Sie geben Ärzten und Patienten Zeit miteinander, aber das reicht nicht aus. es muss kultiviert werden. Es ist so unglaublich wichtig, dass die Wiederherstellung des Vertrauens, die Präsenz, diese kostbare Beziehung, die früher intim war. Früher war es sakrosankt. Was ist passiert?

Mukherjee: Wenn ich Medizinstudenten in Runden habe, gebe ich ihnen am letzten Tag der Runde zwei Optionen mit einer Woche Vorbereitungszeit. Eine Möglichkeit besteht darin, ein Thema auszuwählen, ein Pathologiethema: dreifach negativer Brustkrebs, akute Leukämie bei älteren Menschen, was auch immer es sein mag - das ist eine Wahl. Die andere Möglichkeit besteht darin, einen der vom Studenten vorgestellten Patienten aufzunehmen, ihn jedoch vollständig vorzustellen. Ich möchte wissen, wo sie geboren wurden, wie sie heißen. Machen Sie aus diesem Patienten einen dreidimensionalen Menschen.

Vor ungefähr 5-7 Jahren wollten alle dreifach negativen Brustkrebs oder ein anderes pathologisches Thema vorstellen. Jetzt möchte jeder den Patienten vorstellen. Alle Medizinstudenten wollen den sogenannten dreidimensionalen Patienten vorstellen. Ich sage ihnen, dass sie Stunden am Krankenbett des Patienten verbringen müssen - das ist natürlich Krebs - und mit ihnen über ihre Angst, ihre Sorgen, ihre Zukunft sprechen müssen, ob sie Kinder haben, ob sie keine Kinder haben. Wer zahlt die Miete?

Stellen Sie [Schülern] die Art von Fragen, die Sie stellen würden, wenn Sie dreifach negativen Brustkrebs hätten, und sagen Sie: "Wie lautet die Statistik, die uns die Anzahl der afroamerikanischen Frauen mit dreifach negativem Brustkrebs zeigt, aber auch wie viel Miete zahlen sie? Was kostet ihr Wohnort? Was kostet ein typisches Tagesessen? " Wenn die Schüler die Antwort auf diese Fragen nicht kennen, müssen sie zurückgehen und diese Fragen stellen.

Topol: Wir brauchen mehr Lehrer wie Sie.

Mukherjee: Ich bin der ungeduldigste Lehrer, den Sie sich jemals vorstellen können.

Wir haben einen weiten Boden zurückgelegt. Sie haben für uns eine neue Art von Medizin definiert, eine neue Art von Medizin, die Patienten befreit und die Idee der Medizin selbst befreit, aber auch einen starken Einfluss auf Ärzte und unser Selbstverständnis hat. Ich werde mit einer letzten Frage enden: Wer sind die Skeptiker? Wer glaubt dir nicht und warum? Warum sollten wir dir nicht glauben?

Topol: Es gibt einen guten Grund, nicht zu glauben, und das liegt daran, dass wir eine Geschichte von Administratoren, Managern und Geschäftsleuten haben, die immer mehr Kliniker quetschen. Wenn es mehr Produktivität und bessere Effizienz und Arbeitsabläufe gibt, besteht der natürliche Standardmodus darin, mehr Patienten zu sehen, mehr Scans zu lesen, mehr Folien zu lesen. Wenn wir als medizinische Gemeinschaft - und das bedeutet, dass die Gesundheitsdienstleister und die Patienten - dieser Geschäftskraft nicht standhalten, sehen wir hier kein Potenzial. Das ist die größte Herausforderung.

Für die Neinsager sind sie fast alle. Die Leute sind ziemlich zynisch geworden. Wir beobachten, wie die elektronische Gesundheitsakte, die schlimmste Katastrophe in der Medizin in den letzten Jahrzehnten, Digital einen schlechten Ruf verleiht. Viele Leute denken, dass dies irgendwie ein Kontinuum der KI ist, wenn es nicht weiter von der Wahrheit entfernt sein könnte.

Folgen Sie Medscape auf Facebook, Twitter, Instagram und YouTube