Potencial transformador d'un model fundacional específic per a la salut

En els darrers dos anys, els models bàsics generalistes com el GPT-4 han evolucionat significativament, oferint capacitats sense precedents a causa de conjunts de dades més grans, mida de model augmentada i millores arquitectòniques. Aquests models són adaptables a una àmplia gamma de tasques en diversos camps. Tanmateix, la IA sanitària encara es caracteritza per models dissenyats per a tasques específiques. Per exemple, un model entrenat per analitzar els raigs X per a fractures òssies només identificaria fractures i no tindria la capacitat de generar informes de radiologia exhaustius. La majoria de 500 Models d'IA aprovats per la Food and Drug Administration es limiten a un o dos casos d'ús. Tanmateix, els models de base, coneguts per la seva àmplia aplicabilitat a diferents tasques, estan preparant l'escenari per a un enfocament transformador en les aplicacions sanitàries.

Tot i que hi ha hagut intents inicials per desenvolupar models fonamentals per a aplicacions mèdiques, aquest enfocament més ampli encara no s'ha fet predominant en l'IA sanitària. Aquesta adopció lenta es deu principalment als reptes associats a l'accés a grans i diversos conjunts de dades sanitàries, així com a la necessitat de models per raonar sobre diferents tipus de dades mèdiques. La pràctica de l'assistència sanitària és inherentment multimodal i incorpora informació d'imatges, registres sanitaris electrònics (EHR), sensors, wearables, genòmica i molt més. Per tant, un model sanitari fonamental també ha de ser inherentment multimodal. No obstant això, els avenços recents en les arquitectures multimodals i l'aprenentatge autosupervisat, que poden gestionar diversos tipus de dades sense necessitat de dades etiquetades, estan obrint el camí per a un model bàsic de salut.

Estat actual de la IA generativa a la salut

L'assistència sanitària ha estat tradicionalment lenta a l'hora d'adoptar la tecnologia, però sembla que s'ha acceptat IA generativa més ràpid. A HIMSS24, la conferència mundial més gran per a professionals de la tecnologia sanitària, la IA generativa va ser el punt focal de gairebé totes les presentacions.

Un dels primers casos d'ús de la IA generativa en l'assistència sanitària que ha tingut una adopció generalitzada se centra a alleujar la càrrega administrativa de la documentació clínica. Tradicionalment, documentar les interaccions dels pacients i els processos d'atenció consumeix una part substancial del temps dels metges (> 2 hores al dia), cosa que sovint els resta l'atenció directa del pacient.

S'estan utilitzant models d'IA com GPT-4 o MedPalm-2 per controlar les dades del pacient i les interaccions metge-pacient per redactar documents clau com ara notes de progrés, resums d'alta i cartes de referència. Aquests esborranys capturen la informació essencial amb precisió, i només requereixen la revisió i l'aprovació del metge. Això redueix significativament el temps de tràmit, permetent als metges centrar-se més en l'atenció al pacient, millorant la qualitat del servei i reduint l'esgotament.

Tanmateix, les aplicacions més àmplies dels models fonamentals en l'assistència sanitària encara no s'han materialitzat completament. Els models fonamentals generalistes com el GPT-4 tenen diverses limitacions; per tant, cal un model fundacional específic per a la salut. Per exemple, el GPT-4 no té la capacitat d'analitzar imatges mèdiques o entendre les dades longitudinals dels pacients, la qual cosa és fonamental per proporcionar diagnòstics precisos. A més, no posseeix els coneixements mèdics més actualitzats, ja que es va formar amb dades disponibles només fins al desembre de 2023. El MedPalm-2 de Google representa el primer intent de construir un model fundacional específic per a la salut, capaç de respondre ambdós. consultes mèdiques i raonament sobre imatges mèdiques. No obstant això, encara no captura tot el potencial de la IA a la sanitat.

Construcció d'un model bàsic de salut

El procés de construcció d'un model bàsic de salut comença amb dades derivades de fonts tant públiques com privades, inclosos biobancs, dades experimentals i registres de pacients. Aquest model seria capaç de processar i combinar diferents tipus de dades, com ara text amb imatges o resultats de laboratori, per realitzar tasques mèdiques complexes.

A més, podria raonar sobre noves situacions i articular els seus resultats en un llenguatge mèdicament precís. Aquesta capacitat s'estén a inferir i utilitzar relacions causals entre conceptes mèdics i dades clíniques, especialment quan es proporcionen recomanacions de tractament basades en dades observacionals. Per exemple, podria predir la síndrome de dificultat respiratòria aguda a partir d'un traumatisme toràcic greu recent i la disminució dels nivells d'oxigen arterial, malgrat un augment del subministrament d'oxigen.

A més, el model accediria a informació contextual de recursos com gràfics de coneixement o bases de dades per obtenir coneixements mèdics actualitzats, millorant el seu raonament i assegurant que el seu consell reflecteixi els últims avenços en medicina.

Aplicacions i impacte del model fundacional sanitari

Els usos potencials d'un model bàsic de salut són extensos. En el diagnòstic, aquest model podria reduir la dependència de l'anàlisi humana. Per a la planificació del tractament, el model podria ajudar a elaborar estratègies de tractament individualitzades tenint en compte la història clínica completa, els detalls genètics i els factors d'estil de vida d'un pacient. Algunes altres aplicacions inclouen:

• Informes de radiologia a terra: El model bàsic de salut pot transformar la radiologia digital creant assistents versàtils que donen suport als radiòlegs automatitzant la redacció d'informes i reduint la càrrega de treball. També seria capaç d'integrar la història completa del pacient. Per exemple, els radiòlegs poden consultar el model sobre els canvis en les condicions al llarg del temps: "Podeu identificar qualsevol canvi en la mida del tumor des de l'última exploració?"
• Suport a les decisions clíniques al costat del llit: Aprofitant el coneixement clínic, oferiria explicacions clares i de text lliure i resums de dades, alertant el personal mèdic dels riscos immediats del pacient i suggerint els propers passos. Per exemple, l'alerta del núvol model, "Avís: aquest pacient està a punt d'entrar en estat de xoc" i proporciona enllaços a resums de dades rellevants i llistes de verificació per a l'acció.
• Descobriment de fàrmacs: Dissenyar proteïnes que s'uneixin de manera específica i forta a un objectiu és la base del descobriment de fàrmacs. Els primers models com RFdiffusion han començat a generar proteïnes basades en inputs bàsics com ara un objectiu per a la unió. A partir d'aquests models inicials, es podria entrenar un model fundacional específic per a l'assistència sanitària per entendre les seqüències tant del llenguatge com de les proteïnes. Això li permetria oferir una interfície basada en text per dissenyar proteïnes, que podria accelerar el desenvolupament de nous fàrmacs.

Challenges

Tot i que la construcció d'un model fundacional específic per a la salut segueix sent l'objectiu final, i els avenços recents l'han fet més factible, encara hi ha reptes importants per desenvolupar un model únic capaç de raonar a través de diversos conceptes mèdics:

• Múltiples modalitats de mapatge de dades: El model s'ha d'entrenar en diverses modalitats de dades, com ara dades d'EHR, dades d'imatge mèdica i dades genètiques. Raonar entre aquestes modalitats és un repte perquè és difícil obtenir dades d'alta fidelitat que mapein amb precisió les interaccions entre totes aquestes modalitats. A més, representar diverses modalitats biològiques, des de la dinàmica cel·lular fins a les estructures moleculars i les interaccions genètiques a tot el genoma, és complex. La formació òptima en dades humanes és inviable i poc ètica, de manera que els investigadors confien en models animals o línies cel·lulars menys predictives, cosa que crea un repte a l'hora de traduir les mesures de laboratori al funcionament complex d'organismes sencers.
• Validació i verificació: Els models bàsics de salut són difícils de validar a causa de la seva versatilitat. Tradicionalment, els models d'IA es validen per a tasques específiques com el diagnòstic d'un tipus de càncer a partir d'una ressonància magnètica. Tanmateix, els models fonamentals poden realitzar tasques noves i no vistes, cosa que dificulta preveure tots els possibles modes de fallada. Requereixen explicacions detallades de les seves proves i casos d'ús aprovats i haurien d'emetre advertències per a l'ús fora de l'etiqueta. Verificar les seves sortides també és complex, ja que gestionen entrades i sortides diverses, la qual cosa pot requerir un panell multidisciplinari per garantir la precisió.
• Biaixos socials: Aquests models corren el risc de perpetuar biaixos, ja que poden entrenar amb dades que subrepresenten determinats grups o que contenen correlacions esbiaixades. Abordar aquests biaixos és crucial, sobretot a mesura que augmenta l'escala dels models, la qual cosa pot intensificar el problema.

Camí cap endavant

La IA generativa ja ha començat a remodelar l'assistència sanitària alleujant la càrrega de documentació dels metges, però tot el seu potencial està per davant. El futur dels models fonamentals de l'assistència sanitària promet ser transformador. Imagineu un sistema sanitari on els diagnòstics no només siguin més ràpids sinó també més precisos, on els plans de tractament s'adaptin amb precisió als perfils genètics dels pacients individuals i on es puguin descobrir nous fàrmacs en pocs mesos en lloc d'anys.

La creació d'un model d'IA bàsic específic per a l'assistència sanitària presenta reptes, especialment quan es tracta d'integrar les dades mèdiques i clíniques diverses i disperses. Tanmateix, aquests obstacles es poden abordar mitjançant esforços col·laboratius entre tecnòlegs, metges i responsables polítics. Treballant junts, podem desenvolupar marcs comercials que incentivin a diferents parts interessades (EHR, empreses d'imatge, laboratoris de patologia, proveïdors) per unificar aquestes dades i construir arquitectures de models d'IA capaços de processar interaccions complexes i multimodals dins de la salut.

A més, és crucial que aquest avenç continuï amb una brúixola ètica clara i marcs reguladors sòlids per garantir que aquestes tecnologies s'utilitzen de manera responsable i equitativa. En mantenir uns estàndards elevats de validació i equitat, la comunitat sanitària pot generar confiança i fomentar l'acceptació tant entre els pacients com els professionals.

El viatge cap a la plena comprensió del potencial dels models bàsics de salut és una frontera emocionant. En adoptar aquest esperit innovador, el sector sanitari pot anticipar no només afrontar els reptes actuals sinó transformar la ciència mèdica. Estem a la vora d'una nova era atrevida en l'assistència sanitària, plena de possibilitats i impulsada per la promesa de la IA de millorar les vides a escala mundial.