Miten potilastiedot ohjaavat terveydenhuollon tulevaisuutta

Terveydenhuollon tekoälykilpailu siirtyy yhä enemmän pois kysymyksestä, voivatko koneet tuottaa lääketieteellistä tietoa, ja kohti merkittävämpää: mitä tapahtuu, kun tekoäly voi työskennellä potilastietojen kanssa, joita kliinikot ja tutkijat jo omaavat?

Kolme viimeaikaista kehitystä viittaa siihen, mihin tämä muutos on menossa.

Ensinnäkin OpenAI yhdisti äskettäin ChatGPT for Healthcarein valtuutettuihin Epicin sähköiset potilastietojärjestelmän tiedot, tuoden potilaskohtaisen kliinisen kontekstin tekoälytyönkulkuihin ja mahdollisesti vähentäen kliinikoiden aikaa, jonka he käyttävät hajautettujen potilastietojen läpikäymiseen.

Seuraavaksi PurpleLab, terveydenhuollon data- ja analytiikkayritys, juuri julkaisi CARES:n, aloitteen, joka tukee tutkimusta hyödyntäen sen valtavaa määrää todellisen maailman terveydenhuollon dataa.

Ja lopuksi Harvard Medical Schoolin tutkijat ovat kehittäneet tekoälymallin, joka käyttää olemassa olevia potilastietoja ja geneettistä informaatiota arvioidakseen satojen tautien riskin.

Yhdessä tarkasteltuna ne viittaavat siihen, mitä monet terveydenhuollon alalla ovat pitkään spekuloineet: että potilastiedot voivat olla yksi terveydenhuoltoteollisuuden arvokkaimmista varoista hoidon innovaatiolle.

Tarkastellaan tarkemmin kutakin näistä viimeaikaisista potilastietojen läpimurroista.

Sähköisistä potilastietojärjestelmistä tekoälyavustajiin

1. syyskuuta OpenAI ilmoitti Epic-integraatiosta ChatGPT for Healthcare jonka avulla valtuutetut terveydenhuollon organisaatiot voivat tuoda potilastiedot tekoälyavusteisiin työnkulkuihin.

Integraatio voi auttaa kliinikkoja tarkastelemaan tietoja, kuten lääketieteellisiä muistiinpanoja, lääkkeitä, laboratoriotuloksia ja aiempia kohtaamisia ilman, että potilaan historiaa täytyy manuaalisesti koota eri osista tietojärjestelmää.

Järjestelmä on vain luku -tilassa, mikä tarkoittaa, että tekoäly ei itsenäisesti muokkaa potilastietoja.

Tämä ero on merkittävä. Heti toteutettava mahdollisuus ei ole korvata EHR-järjestelmää tai antaa tekoälyjärjestelmän tehdä päätöksiä itsenäisesti. Kyse on klinikoiden ajan vähentämisestä tiedon etsimisessä ja yhdistelemisessä.

OpenAI yhdistää myös ChatGPT for Healthcarein virallisiin julkisiin lähteisiin, kuten PubMediin, ClinicalTrials.goviin, DailyMediin ja CMS-tietoihin.

Suurempi ajatus on potilaskontekstin ja ulkoisen lääketieteellisen evidenssin yhdistäminen samassa työnkulussa.

Todellisen maailman datan hyödyntämisen parantaminen tutkimuksessa

PurpleLab, data- ja analytiikkayritys, joka keskittyy muun muassa todellisen maailman evidenssiin (RWE) ja todellisen maailman dataan (RWD) terveydenhuollossa, lanseerasi äskettäin Center for Advancing Real-World Evidence Studies -keskuksen, eli CARES:n, keskittyen auttamaan tutkijoita, akateemisia instituutioita, evidenssiverkostoja ja potilasyhteisöjä hyödyntämään todellisen maailman dataa tehokkaammin.

Merkitys ulottuu pelkkää datan saatavuuden lisäämistä pidemmälle.

Terveydenhuollon tutkijat ovat pitkään kohdanneet ongelmia, kuten epäyhtenäisiä määritelmiä, hajautettuja tietoaineistoja ja vaikeuksia toistaa aiempia tutkimuksia.

CARES on suunniteltu toistettavan tutkimuksen, läpinäkyvien menetelmien, akateemisten kumppanuuksien ja potilaslähtöisen tutkimuksen ympärille.

PurpleLabin mukaan tutkijat voivat käyttää sen todellisen maailman tietoaineistoja tutkiakseen hoitokäytäntöjä, tuloksia ja terveydenhuollon kustannuksia eri aloilla, kuten onkologia, kardiologia, mielenterveys ja harvinaiset sairaudet.

Jos onnistuu, tällaiset aloitteet voivat auttaa muuntamaan säännöllisesti tuotettua terveydenhuollon tietoa evidenssiksi, joka vastaa kysymyksiin, joihin perinteiset kliiniset tutkimukset eivät aina pysty vastaamaan yhtä nopeasti.

“Todellisen maailman evidenssi on vahvinta, kun se on perusteellista, vertaisarvioitua ja avoimesti jaettua. PurpleLab CARESin avulla osoitamme, mitä dataamme voi tehdä tutkijoiden, akateemisten kumppaneiden ja potilasyhteisöjen käsissä,” Scott DuVall, Senior Vice President, Real-World Evidence, PurpleLabissa, sanoi yrityksen lausunnossa.

Sairauksien ennustaminen ennen niiden ilmenemistä

Harvardissa tutkimusryhmät muuntavat potilastiedot ennustemalleiksi.

Koneoppimismalli, jonka kehittivät Dana-Farber Cancer Institute- ja Massachusetts General Hospital -tutkijat, voi arvioida potilaan riskin 348 tautiin hyödyntäen säännöllisesti kerättyjä sähköisiä potilastietojärjestelmiä (EHR) yhdessä geneettisen riskitiedon kanssa.

Mallia, nimeltään Aladynoulli, koulutettiin ja validoitiin käyttäen yli 683 000 potilastietoa kolmesta biopankista.

Tutkijat sanovat, että se voi dynaamisesti päivittää riskiarvioita potilaan ikääntyessä.

Sen potentiaali on merkittävä. Sen sijaan, että lääketieteellistä historiaa tarkasteltaisiin vain tapahtuneena tietona, tekoäly voisi yhä enemmän käyttää sitä tunnistaakseen seuraavien tapahtumien mahdollisia kuvioita.

Mutta juuri tässä varovaisuus on olennaista. Mallia on tähän mennessä arvioitu historiallisten potilastietojen avulla, ja lisätutkimuksia tarvitaan ennen kuin voidaan määrittää, miten se suoriutuu todellisissa kliinisissä ympäristöissä.

Todellinen haaste on luottamus

Siksi terveydenhuollon tekoälyn tulevaisuus saattaa riippua vähemmän siitä, kuinka vaikuttavalta algoritmi kuulostaa, ja enemmän siitä, ovatko sen taustalla olevat tiedot tarkkoja, edustavia, turvallisia ja vastuullisesti hallittuja.

Potilastiedot voivat paljastaa kuvioita, jotka ovat ihmisille vaikeita havaita vuosien lääketieteellisen historian aikana. Mutta samat tiedot sisältävät myös joitakin henkilön tuottamista arkaluontoisimmista tiedoista.

Kun terveydenhuollon organisaatiot yhdistävät potilastietojärjestelmiä (EHR), tutkimustietokantoja ja tekoälyjärjestelmiä, keskeinen kysymys ei ole pelkästään se, voiko tekoäly tuottaa enemmän arvoa potilastiedoista.

Vastaus on, pystyykö terveydenhuoltojärjestelmä tekemään sen menettämättä potilaiden luottamusta.

Tämä tasapaino parempien tietojen ja vastuullisen käytön välillä voi lopulta määrittää, kuinka pitkälle tekoäly siirtyy tutkimuslaboratoriosta arkipäiväiseen terveydenhuoltoon.