Transformační potenciál základního modelu specifického pro zdravotnictví

V posledních dvou letech se všeobecné základní modely, jako je GPT-4, výrazně vyvinuly a nabízejí bezprecedentní možnosti díky větším datovým sadám, zvětšeným velikostem modelů a architektonickým vylepšením. Tyto modely jsou přizpůsobitelné široké škále úkolů v různých oblastech. Umělá inteligence ve zdravotnictví se však stále vyznačuje modely navrženými pro konkrétní úkoly. Například model vyškolený k analýze rentgenových paprsků pro zlomeniny kostí by pouze identifikoval zlomeniny a postrádal schopnost generovat komplexní radiologické zprávy. Většina 500 AI modely schválené Food and Drug Administration jsou omezeny na jeden nebo dva případy použití. Základní modely, známé svou širokou použitelností v různých úkolech, však připravují půdu pro transformační přístup ve zdravotnických aplikacích.

I když se objevily první pokusy vyvinout základní modely pro lékařské aplikace, tento širší přístup se zatím v AI ve zdravotnictví neprosadil. Toto pomalé přijímání je způsobeno především problémy spojenými s přístupem k velkým a různorodým zdravotnickým datovým souborům a také potřebou modelů, které uvažují napříč různými typy lékařských dat. Praxe zdravotní péče je ze své podstaty multimodální a zahrnuje informace z obrázků, elektronických zdravotních záznamů (EHR), senzorů, nositelných zařízení, genomiky a dalších. Základní model zdravotní péče tedy musí být také ze své podstaty multimodální. Nedávný pokrok v multimodálních architekturách a samokontrolovaném učení, které dokáže zpracovat různé typy dat, aniž by potřebovala označená data, dláždí cestu pro základní model zdravotnictví.

Současný stav generativní umělé inteligence ve zdravotnictví

Zdravotnictví tradičně přijímá technologii pomalu, zdá se však, že ji přijalo Generativní AI rychleji. Na HIMSS24, největší světové konferenci pro odborníky na zdravotnické technologie, byla generativní umělá inteligence ústředním bodem téměř každé prezentace.

Jeden z prvních případů použití generativní umělé inteligence ve zdravotnictví, který byl široce přijat, se zaměřuje na zmírnění administrativní zátěže klinické dokumentace. Dokumentování interakcí s pacienty a procesů péče tradičně zabírá podstatnou část času lékařů (> 2 hodiny denně), což je často odvádí od přímé péče o pacienty.

Modely umělé inteligence jako GPT-4 nebo MedPalm-2 se používají k monitorování údajů o pacientech a interakcí mezi lékařem a pacientem za účelem navrhování klíčových dokumentů, jako jsou poznámky o pokroku, souhrny propuštění a doporučení. Tyto koncepty přesně zachycují základní informace a vyžadují pouze kontrolu a schválení lékařem. To výrazně zkracuje čas papírování, umožňuje lékařům soustředit se více na péči o pacienty, zvyšuje kvalitu služeb a snižuje syndrom vyhoření.

Širší aplikace základních modelů ve zdravotnictví se však dosud plně nezhmotnily. Generalistické základní modely jako GPT-4 mají několik omezení; proto existuje potřeba základního modelu specifického pro zdravotní péči. GPT-4 například postrádá schopnost analyzovat lékařské snímky nebo porozumět longitudinálním datům pacientů, což je zásadní pro poskytování přesných diagnóz. Kromě toho nemá nejmodernější lékařské znalosti, protože byl vyškolen na datech dostupných pouze do prosince 2023. MedPalm-2 společnosti Google představuje první pokus o vytvoření základního modelu specifického pro zdravotnickou péči, který je schopen odpovídat lékařské dotazy a úvahy o lékařských snímcích. Stále však nevyužívá plný potenciál umělé inteligence ve zdravotnictví.

Budování základního modelu zdravotnictví

Proces budování základního modelu zdravotní péče začíná daty odvozenými z veřejných i soukromých zdrojů, včetně biobank, experimentálních dat a záznamů pacientů. Tento model by byl schopen zpracovávat a kombinovat různé typy dat, jako je text s obrázky nebo laboratorní výsledky, pro provádění složitých lékařských úkolů.

Kromě toho může uvažovat o nových situacích a formulovat své výstupy lékařsky přesným jazykem. Tato schopnost se rozšiřuje na odvození a využití kauzálních vztahů mezi lékařskými koncepty a klinickými daty, zejména při poskytování doporučení léčby na základě pozorovacích dat. Mohl by například předpovídat syndrom akutní respirační tísně z nedávného těžkého poranění hrudníku a klesající hladiny arteriálního kyslíku, a to i přes zvýšený přísun kyslíku.

Kromě toho by model přistupoval ke kontextovým informacím ze zdrojů, jako jsou znalostní grafy nebo databáze, aby získal aktuální lékařské znalosti, posílil své úvahy a zajistil, že jeho rady odrážejí nejnovější pokroky v medicíně.

Aplikace a dopad základního modelu zdravotnictví

Potenciální využití základního modelu zdravotní péče jsou rozsáhlé. V diagnostice by takový model mohl snížit závislost na lidské analýze. Pro plánování léčby by model mohl pomoci při vytváření individualizovaných léčebných strategií tím, že vezme v úvahu celý lékařský záznam pacienta, genetické detaily a faktory životního stylu. Některé další aplikace zahrnují:

• Zprávy z pozemní radiologie: Zdravotní základní model může transformovat digitální radiologii vytvořením všestranných asistentů, kteří podporují radiology automatizací sestavování zpráv a snížením pracovní zátěže. Byl by také schopen integrovat celou historii pacienta. Radiologové se například mohou modelu dotazovat na změny podmínek v průběhu času: "Můžete identifikovat nějaké změny velikosti nádoru od posledního skenování?"
• Podpora klinického rozhodování u lůžka: S využitím klinických znalostí by nabízela jasná vysvětlení a souhrny dat ve volném textu, upozorňovala zdravotnický personál na bezprostřední rizika pro pacienty a navrhovala další kroky. Například výstraha modelového cloudu „Varování: Tento pacient se chystá upadnout do šoku“ a poskytuje odkazy na relevantní souhrny dat a kontrolní seznamy pro akci.
• Objev drog: Návrh proteinů, které se specificky a silně vážou k cíli, je základem objevu léků. Rané modely, jako je RFdiffusion, začaly generovat proteiny založené na základních vstupech, jako je cíl pro vazbu. Na základě těchto počátečních modelů by mohl být trénován základní model specifický pro zdravotnickou péči, aby porozuměl jak jazykovým, tak proteinovým sekvencím. To by mu umožnilo nabídnout textové rozhraní pro navrhování proteinů, což by potenciálně urychlilo vývoj nových léků

Výzvy

Přestože vytvoření základního modelu specifického pro zdravotní péči zůstává konečným cílem a nedávné pokroky jej učinily proveditelnějším, stále existují značné problémy při vývoji jediného modelu schopného uvažovat napříč různými medicínskými koncepty:

• Více způsobů mapování dat: Model musí být vyškolen na různých modalitách dat, jako jsou data EHR, lékařská zobrazovací data a genetická data. Uvažování napříč těmito modalitami je náročné, protože získat vysoce věrná data, která přesně mapují interakce napříč všemi těmito modalitami, je obtížné. Navíc reprezentovat různé biologické modality, od buněčné dynamiky po molekulární struktury a genetické interakce v celém genomu, je složité. Optimální školení na lidských datech je neproveditelné a neetické, takže výzkumníci spoléhají na méně prediktivní zvířecí modely nebo buněčné linie, což představuje problém při převodu laboratorních měření na složité fungování celých organismů.
• Validace a verifikace: Základní modely zdravotnictví je obtížné ověřit kvůli jejich všestrannosti. Tradičně jsou modely AI ověřovány pro specifické úkoly, jako je diagnostika typu rakoviny z MRI. Základní modely však mohou provádět nové, nevídané úkoly, takže je obtížné předvídat všechny možné způsoby selhání. Požadují podrobná vysvětlení jejich testování a schválených případů použití a měli by vydávat varování pro použití mimo označení. Ověřování jejich výstupů je také složité, protože zpracovávají různé vstupy a výstupy, což potenciálně vyžaduje multidisciplinární panel, aby byla zajištěna přesnost.
• Sociální předsudky: Tyto modely riskují zachování zkreslení, protože se mohou trénovat na datech, která nedostatečně reprezentují určité skupiny nebo obsahují zkreslené korelace. Řešení těchto předsudků je zásadní, zvláště když se zvětšuje měřítko modelů, což může problém zintenzivnit.

Cesta vpřed

Generativní umělá inteligence již začala přetvářet zdravotní péči tím, že zmírňuje dokumentační zátěž lékařů, ale její plný potenciál leží před námi. Budoucnost základních modelů ve zdravotnictví slibuje, že bude transformační. Představte si zdravotnický systém, kde je diagnostika nejen rychlejší, ale i přesnější, kde jsou léčebné plány přesně šité na míru genetickému profilu jednotlivých pacientů a kde by nové léky mohly být objeveny za pár měsíců, nikoli let.

Vytvoření základního modelu umělé inteligence specifického pro zdravotnictví představuje výzvy, zejména pokud jde o integraci různorodých a rozptýlených lékařských a klinických dat. Tyto překážky však lze řešit společným úsilím mezi technology, klinickými lékaři a tvůrci politik. Díky spolupráci můžeme vyvinout komerční rámce, které podněcují různé zainteresované strany (EHR, společnosti zabývající se zobrazovacími technologiemi, patologické laboratoře, poskytovatele), aby tato data sjednotili a vytvořili architektury modelů AI schopné zpracovávat složité, multimodální interakce v rámci zdravotní péče.

Kromě toho je klíčové, aby tento pokrok probíhal s jasným etickým kompasem a pevnými regulačními rámci, aby bylo zajištěno, že tyto technologie budou používány zodpovědně a spravedlivě. Udržováním vysokých standardů validace a spravedlnosti může zdravotnická komunita budovat důvěru a podporovat přijetí mezi pacienty i praktiky.

Cesta k plnému využití potenciálu základních modelů zdravotní péče je vzrušující hranicí. Přijetím tohoto inovativního ducha může zdravotnický sektor předvídat nejen řešení současných výzev, ale také transformovat lékařskou vědu. Jsme na pokraji odvážné nové éry ve zdravotnictví – éry plné možností a poháněné příslibem umělé inteligence zlepšit životy v celosvětovém měřítku.