Πώς τα δεδομένα των ασθενών οδηγούν το μέλλον της υγειονομικής περίθαλψης

Ο αγώνας της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη απομακρύνεται όλο και περισσότερο από το ερώτημα αν τα μηχανήματα μπορούν να δημιουργήσουν ιατρικές πληροφορίες και κατευθύνεται προς ένα πιο σημαντικό: τι συμβαίνει όταν η τεχνητή νοημοσύνη μπορεί να εργάζεται με τα δεδομένα των ασθενών που οι κλινικοί ιατροί και οι ερευνητές ήδη διαθέτουν;

Τρία πρόσφατα γεγονότα δείχνουν προς την κατεύθυνση που μπορεί να κατευθύνεται αυτή η μεταβολή. 

Πρώτον, η OpenAI συνδέθηκε πρόσφατα το ChatGPT for Healthcare με εξουσιοδοτημένα δεδομένα ηλεκτρονικού φακέλου υγείας Epic, φέρνοντας το κλινικό πλαίσιο του ασθενούς σε μια ροή εργασίας AI και ενδεχομένως μειώνοντας το χρόνο που οι κλινικοί ιατροί δαπανούν ψάχνοντας σε κατακερματισμένα ιατρικά αρχεία.  

Στη συνέχεια, η PurpleLab, εταιρεία δεδομένων και αναλύσεων υγειονομικής περίθαλψης, μόλις έκανε λανσάρισμα το CARES, μια πρωτοβουλία για τη στήριξη της έρευνας χρησιμοποιώντας το τεράστιο σύνολο πραγματικών δεδομένων υγειονομικής περίθαλψης. 

Και τέλος, οι ερευνητές του Harvard Medical School έχουν αναπτύξει ένα μοντέλο AI που χρησιμοποιεί υπάρχοντα ιατρικά αρχεία και γενετική πληροφορία για να εκτιμήσει τον κίνδυνο εκατοντάδων ασθενειών.

Συνολικά, υποδηλώνουν ό,τι πολλοί στον χώρο της υγειονομικής περίθαλψης έχουν υποθέσει εδώ και καιρό: ότι τα δεδομένα των ασθενών θα μπορούσαν να είναι ένα από τα πιο πολύτιμα περιουσιακά στοιχεία του κλάδου για καινοτομία στην φροντίδα. 

Ας ρίξουμε μια πιο προσεκτική ματιά σε κάθε μία από αυτές τις πρόσφατες προόδους στα δεδομένα των ασθενών. 

Από τα Ηλεκτρονικά Φάκελα Υγείας στους Βοηθούς AI

Στις 1 Σεπτεμβρίου, η OpenAI ανακοίνωσε μια ενσωμάτωση Epic για ChatGPT for Healthcare που επιτρέπει σε εξουσιοδοτημένες οργανώσεις υγειονομικής περίθαλψης να φέρνουν πληροφορίες ασθενών σε ροές εργασίας με υποβοήθηση AI.

Η ενσωμάτωση μπορεί να βοηθήσει τους κλινικούς ιατρούς να εξετάζουν πληροφορίες όπως ιατρικές σημειώσεις, φάρμακα, εργαστηριακά αποτελέσματα και προηγούμενες επαφές χωρίς να χρειάζεται να συναρμολογούν χειροκίνητα το ιστορικό ενός ασθενούς από διαφορετικά τμήματα του φακέλου. 

Το σύστημα είναι μόνο για ανάγνωση, πράγμα που σημαίνει ότι η AI δεν τροποποιεί ανεξάρτητα το ιατρικό φάκελο.

Αυτή η διάκριση έχει σημασία. Η άμεση ευκαιρία δεν είναι η αντικατάσταση του ΗΦΥ ή η επιτρεπτικότητα σε ένα σύστημα AI να λαμβάνει αποφάσεις αυτόνομα. Πρόκειται για τη μείωση του χρόνου που οι κλινικοί ιατροί δαπανούν στην εύρεση και σύνθεση πληροφοριών.

Η OpenAI επίσης συνδέει το ChatGPT for Healthcare με επίσημες δημόσιες πηγές, συμπεριλαμβανομένων του PubMed, ClinicalTrials.gov, DailyMed και των δεδομένων CMS. 

Η μεγαλύτερη ιδέα είναι ο συνδυασμός του πλαισίου του ασθενούς και των εξωτερικών ιατρικών αποδείξεων στην ίδια ροή εργασίας.

Καθιστώντας τα Πραγματικά Δεδομένα Πιο Χρήσιμα για την Έρευνα

Η PurpleLab, εταιρεία δεδομένων και αναλύσεων που εστιάζει, μεταξύ άλλων, σε Πραγματικά Στοιχεία (RWE) και Πραγματικά Δεδομένα (RWD) στον χώρο της υγειονομικής περίθαλψης, πρόσφατα ξεκίνησε το Κέντρο για την Προώθηση Μελετών Πραγματικών Στοιχείων, ή CARES, με στόχο να βοηθήσει ερευνητές, ακαδημαϊκά ιδρύματα, δίκτυα αποδείξεων και κοινότητες ασθενών να χρησιμοποιούν τα πραγματικά δεδομένα πιο αποτελεσματικά.

Η σημασία υπερβαίνει το απλό γεγονός της διαθεσιμότητας περισσότερων δεδομένων. 

Οι ερευνητές στον χώρο της υγειονομικής περίθαλψης αντιμετωπίζουν εδώ και καιρό προβλήματα που αφορούν ασυνεπείς ορισμούς, κατακερματισμένα σύνολα δεδομένων και δυσκολίες στην αναπαραγωγή προηγούμενων μελετών.

Το CARES έχει σχεδιαστεί γύρω από την επαναληψιμότητα της έρευνας, διαφανείς μεθόδους, ακαδημαϊκές συνεργασίες και έρευνα επικεντρωμένη στον ασθενή. 

Η PurpleLab δηλώνει ότι οι ερευνητές μπορούν να εργαστούν με τα πραγματικά σύνολα δεδομένων της για να μελετήσουν μοτίβα θεραπείας, αποτελέσματα και κόστη υγειονομικής περίθαλψης σε τομείς όπως η ογκολογία, η καρδιολογία, η ψυχική υγεία και οι σπάνιες ασθένειες.

Εάν είναι επιτυχείς, πρωτοβουλίες όπως αυτή θα μπορούσαν να βοηθήσουν στη μετατροπή των τακτικά παραγόμενων πληροφοριών υγειονομικής περίθαλψης σε αποδείξεις που απαντούν σε ερωτήματα που οι παραδοσιακές κλινικές μελέτες δεν μπορούν πάντα να αντιμετωπίσουν τόσο γρήγορα.

«Τα πραγματικά στοιχεία είναι πιο ισχυρά όταν είναι αυστηρά, αξιολογημένα από ομότιμους και μοιράζονται ανοιχτά. Με το PurpleLab CARES, αποδεικνύουμε τι μπορούν να κάνουν τα δεδομένα μας στα χέρια των ερευνητών, ακαδημαϊκών συνεργατών και κοινοτήτων ασθενών», δήλωσε ο Scott DuVall, Ανώτερος Αντιπρόεδρος, Πραγματικά Στοιχεία, στην PurpleLab, σε ανακοίνωση της εταιρείας. 

Πρόβλεψη Ασθένειας Πριν Εμφανιστεί

Στο Harvard, οι ερευνητικές ομάδες μετατρέπουν τα δεδομένα των ασθενών σε μηχανές πρόβλεψης. 

Ένα μοντέλο μηχανικής μάθησης που αναπτύχθηκε από ερευνητές του Dana-Farber Cancer Institute και του Massachusetts General Hospital μπορεί να εκτιμήσει τον κίνδυνο ενός ασθενούς για 348 ασθένειες χρησιμοποιώντας τα τακτικά συλλεγμένα ηλεκτρονικά αρχεία υγείας (EHR) μαζί με γενετικές πληροφορίες κινδύνου.

Το μοντέλο, που ονομάζεται Aladynoulli, εκπαιδεύτηκε και επικυρώθηκε χρησιμοποιώντας δεδομένα από πάνω από 683.000 ιατρικά αρχεία ασθενών σε τρεις βιοτράπεζες. 

Οι ερευνητές λένε ότι μπορεί να ενημερώνει δυναμικά τις εκτιμήσεις κινδύνου καθώς ο ασθενής μεγαλώνει.

Η δυναμική του είναι σημαντική. Αντί να θεωρούμε το ιατρικό ιστορικό μόνο ως καταγραφή του τι έχει ήδη συμβεί, η τεχνητή νοημοσύνη θα μπορούσε όλο και περισσότερο να το χρησιμοποιεί για την αναγνώριση προτύπων που σχετίζονται με το τι μπορεί να συμβεί στο μέλλον.

Αλλά εδώ η προσοχή είναι απαραίτητη. Το μοντέλο έχει μέχρι τώρα αξιολογηθεί με χρήση ιστορικών δεδομένων ασθενών, και απαιτείται περαιτέρω έρευνα πριν καθοριστεί πώς αποδίδει σε πραγματικά κλινικά περιβάλλοντα.

Η πραγματική πρόκληση είναι η εμπιστοσύνη

Το μέλλον της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη ενδέχεται λοιπόν να εξαρτάται λιγότερο από το πόσο εντυπωσιακό φαίνεται ένα αλγόριθμο και περισσότερο από το αν τα δεδομένα που το στηρίζουν είναι ακριβή, αντιπροσωπευτικά, ασφαλή και διαχειρίζονται υπεύθυνα.

Τα δεδομένα των ασθενών μπορούν να αποκαλύψουν πρότυπα που είναι δύσκολο για τους ανθρώπους να εντοπίσουν σε βάθος ετών ιατρικού ιστορικού. Ωστόσο, τα ίδια αρχεία περιέχουν μερικές από τις πιο ευαίσθητες πληροφορίες που παράγει ένα άτομο.

Καθώς οι οργανισμοί υγείας συνδέουν τα Ηλεκτρονικά Ιατρικά Αρχεία (EHR), τις βάσεις δεδομένων έρευνας και τα συστήματα τεχνητής νοημοσύνης, το κεντρικό ερώτημα δεν θα είναι απλώς αν η τεχνητή νοημοσύνη μπορεί να εξάγει περισσότερη αξία από τα δεδομένα των ασθενών.

Θα είναι αν το σύστημα υγείας μπορεί να το κάνει χωρίς να χάσει την εμπιστοσύνη των ασθενών.

Αυτή η ισορροπία μεταξύ καλύτερης πληροφόρησης και υπεύθυνης χρήσης θα μπορούσε τελικά να καθορίσει πόσο μακριά θα προχωρήσει η τεχνητή νοημοσύνη από το ερευνητικό εργαστήριο στην καθημερινή υγειονομική περίθαλψη.