Peneliti Indonesia

Dokter Robot di Masa Depan

Filsuf Hubert Dreyfus memprediksi, bagaimanapun, tidak ada program catur yang akan pernah mengalahkan seorang anak berbakat berusia 10 tahun. Pada tahun 1967, Dreyfus menerima tantangan dari ilmuwan komputer MIT untuk tahap persiapan bagi program catur mereka, dan sang filsuf ternyata kalah.

Software diagnostic yang masih dalam tahap pengembangan, jika terus berlanjut, akan dapat memungkinkan mesin untuk menyalip manusia dalam kehidupan kita.

S ejak paruh kedua abad ke- 20, komputer telah semakin menggantikan manusia dalam satu demi satu profesi: sistem otomatis membuat operator telepon punah, ATM telah menghancurkan jajaran teller bank, dan kini teknologi self-driving mengancam untuk menempatkan sopir taksi keluar dari bisnis transportasi.

Dalam dunia medis, perangkat lunak telah dikembangkan untuk membantu dokter membuat diagnosis. Kini, berbagai perusahaan teknologi sedang mencoba untuk membangun mesin cerdas yang dapat mengalahkan dokter dalam diagnosa, dan bahkan mungkin menggantikannya langsung suatu hari nanti.

Komunitas medis telah dihantui dengan sejumlah kecemasan pada kemungkinan bahwa profesi mereka yang jarang itu bisa digantikan oleh mesin, dan mungkin dengan alasan yang baik, yakni ilmuwan komputer memiliki track record membuat janji yang lebih optimistik kepada pasien.

Pada tahun 1950, kecerdasan buatan, masih menempati sudut-sudut ruangan sebagai peran figuran. Namun kemajuan mesin-mesin cerdas itu memiliki cara untuk merangkak naik. Pada tahun 1962, IBM menciptakan sebuah program yang bisa mengalahkan pemain catur taraf Master.

Filsuf Hubert Dreyfus memprediksi, bagaimanapun, tidak ada program catur yang akan pernah mengalahkan seorang anak berbakat berusia 10 tahun. Pada tahun 1967, Dreyfus menerima tantangan dari ilmuwan komputer MIT untuk tahap persiapan bagi program catur mereka, dan sang filsuf ternyata kalah.

Sampai akhir tahun 1977, ilmuwan kognitif Douglas Hofstadter memprediksi dalam bukunya “Godel, Escher, dan Bach” bahwa program catur tidak akan pernah mampu mengalahkan pemain manusia terbaik, dari keyakinan bahwa “bermain catur menarik intrinsik pada pusat aspek dari kondisi manusia”. Dua dekade kemudian, Deep Blue milik IBM mengalahkan juara catur dunia, Garry Kasparov.

Saat ini, sementara software diagnostik masih dalam masa pengembangan, jika progres ini terus berlanjut, dapat memungkinkan mesin untuk menyalip manusia dalam kehidupan.

Kolaborasi dokter dengan mesin
Alat yang membantu dokter membuat diagnosis sudah ada dan banyak digunakan seiring dengan meningkatnya jumlah dokter.
Misalnya, Isabel Symptom Checker menghasilkan daftar penyakit yang mungkin berdasarkan gejala masukan dokter. Idenya adalah untuk memperluas daftar potensial diagnosis, untuk menyajikan pilihan yang lebih banyak kepada sang dokter, dengan tujuan mencegah kesalahan diagnosis.

Alat ini diluncurkan pada tahun 1999 oleh Jason Maude, seorang bankir investasi yang beralih ke obat-obatan setelah putrinya Isabel hampir meninggal dari kesalahan diagnosis. Sesuai dengan namanya, perusahaan itu awalnya berfokus pada pediatri, namun database-nya berkembang hingga kini mencakup lebih dari 6.000 penyakit, dan dapat diakses oleh sekitar 30.000 dokter.

“Ini adalah mesin pencari yang benar-benar canggih dan dapat langsung menghasilkan pilihan diagnosis,” kata CEO Isabel, Don Bauman. “Kami telah membangun sebuah basis data penyakit yang memungkinkan kami untuk menerima masukan, mencari melalui database, dan memberikan daftar diagnosis yang sesuai dengan masukan mereka.”

Pasar medis juga menawarkan alat pendukung berbasis gambar. VisualDx membantu dokter mendiagnosis penyakit langka dengan mencocokkan gejala visual dalam database gambar. Alat ini telah digunakan oleh lebih dari 1.500 institusi perawatan kesehatan di seluruh dunia.

Isabel dan VirtualDx diciptakan untuk membantu dokter, namun selama beberapa tahun terakhir, generasi baru perusahaan teknologi kesehatan telah melangkah lebih jauh, ke dalam dunia “pembelajaran yang lebih mendalam”.

Butterfly Network, yang baru startup selama 3 tahun dan telah mengumpulkan 100 juta dollar AS pada November tahun lalu, sedang mengembangkan perangkat pencitraan untuk MRI dan ultrasound yang cukup kecil agar muat di tangan Anda. Selain dari ukuran, Butterfly juga ingin mengintegrasikan ke dalamnya software pembelajaran mendalam yang akan memungkinkan perangkat untuk memproses gambar dalam menghasilkan diagnosis untuk hal-hal seperti cacat lahir misalnya bibir sumbing atau bahkan Down Syndrome.

Pembelajaran lebih mendalam
Pembelajaran lebih mendalam mengacu pada inovasi dalam pengolahan komputer yang menggerakkan mesin belajar lebih dekat menuju tujuan kecerdasan buatan (Artificial Intelligence – AI) yang benar.

Program pembelajaran lebih mendalam menggunakan jaringan saraf tiruan yang meniru cara informasi yang ditransmisikan ke dalam otak manusia. Kode pemecahan masalah berjalan pada banyak trek yang berbeda secara bersamaan, meniru keterkaitan pengetahuan cara mengatur di dalam otak. Program dapat “belajar” untuk mengenali pola dengan berlatih pada data.

Misalnya, pada tahun 2012, ketika Google ingin komputer eksperimental mempelajari bagaimana mengidentifikasi gambar kucing, mereka mengarahkan program untuk melatih diri dengan memindai 10 juta thumbnail YouTube.
Pada 2014, program ini telah cukup canggih untuk menghasilkan keterangan foto yang akurat. Satu gambar yang dicap oleh manusia sebagai “Sekelompok pria bermain Frisbee di taman”, oleh komputer ditulis sebagai “Sekelompok pemuda bermain permainan Frisbee.”

Metode yang sama telah diterapkan untuk mendeteksi penyakit yang sangat bergantung pada gambar untuk mendiagnosa.
Pada kompetisi tahun 2013, sebanyak 14 program komputer bertugas mendeteksi indikator terkemuka tumor payudara. Program yang menang kompetisi dirancang oleh Dalle Molle Institute yang berbasis di Swiss, yang mampu mendiagnosa setara dengan konsensus seorang patolog yang ahli.
Potensi memesona yang digembar-gemborkan oleh pembelajaran yang mendalam telah menyebabkan ledakan investasi dalam teknologi.

Pada awal Agustus, IBM menghabiskan 700 juta dollar AS untuk mengakuisisi Merge Healthcare, yang menyimpan sebuah data dari 30 miliar sinar- X, MRI, dan data medis lainnya, yang semuanya dapat digunakan untuk melatih Program AI terkenal IMB, Watson.
Para peneliti menggunakan ujian lisensi praktek medis untuk menguji algoritma pembelajaran mendalam. Dan Lambert, CEO BoardVitals, sebuah perusahaan pemeriksaan persiapan medis.

Dalam pengalamannya, algoritma dapat melakukan hampir mendekati tingkat manusia dalam bidang yang sangat sempit seperti hanya dermatologi atau hanya radiologi, namun seringkali kekurangan dasar akal sehat medis, seperti mengetahui apa itu plester, dan tidak bisa mengerti data visual yang tidak diproses terlebih dahulu, seperti mendeteksi perubahan warna di lengan pasien dan bertanya kepada mereka apakah mereka telah terluka.

“Masih banyak pekerjaan yang harus dilakukan. Kami semakin dekat, bagaimanapun itu jauh lebih baik daripada tiga tahun lalu,” kata Lambert.

Lambert berpikir bahwa pada tingkat kemajuan nantinya, algoritma akan dapat menggantikan tugas diagnostik dari dokter umum hanya dalam 10 tahun. “Saya mungkin melihat sampel terlalu pendek, namun saya pikir dalam beberapa tahun terakhir, kita sudah mendapatkan bayangan secara eksponensial yang lebih baik,” jelasnya.

Dunia analog
Untuk algoritma diagnostik dalam merevolusi pengobatan, tidak hanya harus bekerja, tetapi juga memenangkan hati dan pikiran dalam komunitas medis. Dokter dan pasien mungkin tidak siap untuk menerima tubuh yang terhubung dengan komputer diagnostic layaknya mobil di bengkel servis yang canggih.

“Selalu ada keterputusan antara apa yang teknisi pikirkan dan apa prakteknya di dunia nyata,” kata Dr. Hardeep Singh, kepala program di Michael E. DeBakey VA Medical Center, dan ahli dalam keselamatan pasien.

Bahkan jika algoritma bisa menggantikan fungsi diagnostik dokter, banyak pengumpulan data, pembicaraan dengan pasien, serta pengumpulan gejala yang relevan dan rincian pribadi, tetap harus dilakukan oleh manusia.
Singh menunjukkan bahwa teknologi itu seharusnya diterapkan pada sistem sosial pelayanan kesehatan yang mencakup seluruh alur kerja dan proses. “Orang sering lupa bagian non-teknologi,” katanya.

Transisi
Jika mesin dapat mengambil alih diagnosis, yang bisa dibilang merupakan bagian paling sulit dari kedokteran, maka mungkin banyak dokter akan digantikan oleh mesin? Vinod Khosla, yang perusahaannya memiliki investasi modal di sejumlah perusahaan teknologi yang menggunakan AI untuk perawatan kesehatan, menuturkan kesimpulannya pada akhir 2012.

Awal tahun itu, Khosla menulis Techcrunch OP-ED berjudul “Apakah Kita Butuh Dokter atau Algoritma?” Dengan alasan bahwa “Kita tidak membutuhkan dokter umum dengan tingkat rata-rata” dan bahwa hanya 20 persen dokter yang akan diperlukan, setidaknya untuk 1 atau 2 dekade berikutnya, untuk membantu meningkatkan diagnostic perangkat lunak.

Pernyataan Khosla tersebut memprovokasi gelombang sengit dari reaksi para dokter. Banyak dari mereka berpendapat bahwa mesin tidak akan diizinkan untuk membuat keputusan diagnostik secara independen, baik itu karena masalah kewajiban atau karena mereka tidak memiliki sentuhan manusia.

Bahkan mereka yang bersimpati pada algoritma diagnostik mengatakan bahwa perkiraan Khosla untuk fraksi dokter yang akan digantikan oleh mesin itu terlalu berlebihan.
“Pernyataan Khosla itu merupakan contoh jenis arogansi yang membuat orang-orang dalam dunia kedokteran benci untuk bekerja dengan orang-orang di dunia teknologi, khususnya orang-orang dari Silicon Valley,” tulis Jae Won Yoh, dalam jawaban diThread Quora yang bertanya tentang apa yang dipikirkan oleh para profesional medis tentang prediksi Khosla ini. Khosla sejak itu memang telah melunakkan retorikanya, namun ia masih teguh dengan dugaan awalnya.

“Tidak dapat dipungkiri bahwa mayoritas dokter diagnostik, resep, dan monitoring, akan digantikan oleh hardware pintar,” tulis
Khosla dalam posting blog tahun lalu. “Ini bukan untuk mengatakan 80 persen dokter akan diganti, melainkan 80 persen dari apa yang saat ini mereka lakukan mungkin diganti, yang mengarah ke kemungkinankemungkinan baru dan fungsi dari para dokter.

SUMBER

Partisipasi dalam persiapan Artikel ini :
PENERJEMAH : Ismail
PENGOREKSI ILMIAH : Rian
PENGOREKSI BAHASA : Roni. S
DESAIN GAMBAR : Pranaja

 

 

 

 

 

 

 

 

 

Tambahkan komentar

Most Viewed Posts

  • Kulit Tampak Kusam? Saatnya Melirik Acid Toner! (27,467)
    Bagi sebagian orang toner sangat penting karena membuat wajah menjadi lebih segar.
  • Bahaya Penyakit Myiasis! Belatung Hidup Ditubuh Anda (24,236)
    Penyakit myiasis itu adalah investasi larva lalat yang menyerang jaringan hidup tuannya, baik itu jaringan hidup atau mati.
  • Zat Makanan Yang Diperlukan Tubuh (16,317)
    Makanan yang kita makan sehari-hari sangat dibutuhkan tubuh sebagai sumber energi, pertumbuhan, dan untuk menjaga kesehatan. Kita memerlukan makanan yang mengandung nutrient dalam jumlah tepat dan seimbang.
  • 8 Cara Mengatasi Telinga Bindeng Paling Ampuh (12,950)
    Campurkan cuka apel dan alkohol isopropil untuk digunakan sebagai obat tetes telinga. Campuran keduanya berguna untuk mengatasi telinga bindeng akibat adanya penumpukan dan pengerasan kotoran di dalam saluran telinga.
  • Tabel Periodik Semua Unsur Kimia (11,539)
    Tabel periodik Mendeleev telah dikembangkan dan dilengkapi dengan penemuan atau sintesis unsur-unsur baru dan pengembangan model teoretis baru untuk menjelaskan perilaku kimia.

Follow us

Jangan malulah, hubungi. Kami senang bertemu dengan orang yang menarik dan mencari teman baru.