Jak data pacientů formují budoucnost zdravotnictví

Závod AI ve zdravotnictví se stále více odklání od otázky, zda stroje dokážou generovat lékařské informace, a směřuje k podstatnější otázce: co se stane, když AI bude moci pracovat s daty pacientů, která již mají klinici a výzkumníci?

Tři nedávné vývoje naznačují, kam by tento posun mohl směřovat.

Nejprve OpenAI nedávno propojila ChatGPT for Healthcare s autorizovanými Epic electronic health record data, přináší kontext specifický pro pacienta do AI pracovního postupu a potenciálně snižuje čas, který klinici stráví vyhledáváním v roztříštěných lékařských záznamech.

Dále PurpleLab, společnost zabývající se daty a analytikou ve zdravotnictví, právě spustila CARES, iniciativu na podporu výzkumu využívajícího její obrovské množství reálných zdravotnických dat.

A nakonec výzkumníci z Harvard Medical School mají vyvinuli AI model, který využívá existující zdravotní záznamy a genetické informace k odhadu rizika stovek onemocnění.

V souhrnu naznačují to, co mnozí ve zdravotnickém sektoru spekulovali již delší dobu: že data pacientů by mohla být jedním z nejcennějších aktiv průmyslu zdravotní péče pro inovace v péči.

Podívejme se podrobněji na každé z těchto nedávných průlomů v datech pacientů.

Od EHR po AI asistenty

Dne 1. září OpenAI oznámila integraci Epic pro ChatGPT for Healthcare která umožňuje autorizovaným zdravotnickým organizacím přinést informace o pacientech do AI‑asistovaných pracovních postupů.

Integrace může pomoci klinikům přezkoumávat informace, jako jsou lékařské poznámky, léky, laboratorní výsledky a předchozí setkání, aniž by ručně skládali historii pacienta z různých částí záznamu.

Systém je jen pro čtení, což znamená, že AI nezmění lékařský záznam samostatně.

Tento rozdíl je podstatný. Okamžitou příležitostí není nahrazení EHR nebo umožnění AI systému rozhodovat samostatně. Jde o zkrácení času, který klinici věnují vyhledávání a syntéze informací.

OpenAI také propojuje ChatGPT for Healthcare s oficiálními veřejnými zdroji, včetně PubMed, ClinicalTrials.gov, DailyMed a dat CMS.

Větší myšlenkou je kombinace kontextu pacienta a externích lékařských důkazů ve stejném pracovním postupu.

Zpřístupnění reálných dat pro výzkum

PurpleLab, společnost zabývající se daty a analytikou, která se mimo jiné soustředí na reálné důkazy (RWE) a reálná data (RWD) ve zdravotnickém sektoru, nedávno spustila Centrum pro pokrok ve studiích reálných důkazů, zkráceně CARES, s cílem pomoci výzkumníkům, akademickým institucím, sítím důkazů a komunitám pacientů efektivněji využívat reálná data.

Význam přesahuje pouhé zpřístupnění většího množství dat.

Výzkumníci ve zdravotnictví již dlouho čelí problémům s nekonzistentními definicemi, roztříštěnými datovými sadami a obtížemi při reprodukci předchozích studií.

CARES je navrženo kolem reprodukovatelného výzkumu, transparentních metod, akademických partnerství a výzkumu zaměřeného na pacienty.

PurpleLab uvádí, že výzkumníci mohou pracovat s jejími reálnými datovými sadami k studiu vzorců léčby, výsledků a nákladů na zdravotní péči v oblastech jako onkologie, kardiologie, duševní zdraví a vzácná onemocnění.

Pokud budou úspěšné, iniciativy jako tato mohou pomoci proměnit pravidelně generované informace o zdravotní péči v důkazy, které odpovídají na otázky, jež tradiční klinické studie nemusí vždy tak rychle řešit.

„Reálné důkazy jsou nejsilnější, když jsou přísné, recenzované odborníky a otevřeně sdílené. S PurpleLab CARES ukazujeme, co naše data mohou udělat v rukou výzkumníků, akademických partnerů a komunit pacientů,“ řekl ve firemním prohlášení Scott DuVall, senior viceprezident pro reálné důkazy ve společnosti PurpleLab.

Předpovídání onemocnění dříve, než se objeví

Na Harvardu, výzkumné týmy přetvářejí data pacientů na predikční motory.

Strojově učící se model vyvinutý výzkumníky z Dana-Farber Cancer Institute a Massachusetts General Hospital dokáže odhadnout riziko pacienta pro 348 onemocnění pomocí pravidelně sbíraných elektronických zdravotních záznamů (EHR) a genetických rizikových informací.

Model nazvaný Aladynoulli byl trénován a validován pomocí dat z více než 683 000 pacientských záznamů ze tří biobank.

Výzkumníci tvrdí, že může dynamicky aktualizovat hodnocení rizik s tím, jak pacient stárne.

Jeho potenciál je značný. Místo toho, aby se lékařská historie považovala jen za záznam toho, co se již stalo, by AI mohla čím dál více využívat k identifikaci vzorců souvisejících s tím, co se může stát v budoucnu.

Zde je však nutná opatrnost. Model byl doposud hodnocen pomocí historických údajů o pacientech a je třeba dalšího výzkumu, než se určí, jak si vede v reálných klinických podmínkách.

Skutečná výzva je důvěra

Budoucnost AI ve zdravotnictví tedy může záviset méně na tom, jak působivý algoritmus zní, a více na tom, zda jsou data, na nichž stojí, přesná, reprezentativní, bezpečná a odpovědně spravovaná.

Údaje o pacientech mohou odhalovat vzorce, které je pro lidi obtížné identifikovat během let lékařské historie. Stejné záznamy však obsahují některé z nejcitlivějších informací, které člověk vytváří.

Jak zdravotnické organizace propojují elektronické zdravotní záznamy (EHR), výzkumné databáze a AI systémy, nebude ústřední otázkou jen to, zda AI dokáže získat z údajů o pacientech více hodnoty.

Bude to otázka, zda to zdravotnický systém dokáže provést, aniž by ztratil důvěru pacientů.

Tato rovnováha mezi lepšími informacemi a odpovědným využitím by nakonec mohla určit, jak daleko AI postoupí z výzkumné laboratoře do každodenního zdravotnictví.