Potentiel de transformation d'un modèle fondamental spécifique aux soins de santé

Au cours des deux dernières années, les modèles fondamentaux généralistes tels que GPT-4 ont considérablement évolué, offrant des fonctionnalités sans précédent grâce à des ensembles de données plus volumineux, à des tailles de modèles accrues et à des améliorations architecturales. Ces modèles sont adaptables à un large éventail de tâches dans divers domaines. Cependant, l’IA en santé se caractérise toujours par des modèles conçus pour des tâches spécifiques. Par exemple, un modèle formé pour analyser les rayons X des fractures osseuses identifierait uniquement les fractures et n’aurait pas la capacité de générer des rapports radiologiques complets. La plupart 500 Modèles d'IA approuvés par la Food and Drug Administration sont limités à un ou deux cas d’utilisation. Cependant, les modèles de base, connus pour leur large applicabilité à différentes tâches, ouvrent la voie à une approche transformatrice des applications de soins de santé.

Bien qu’il y ait eu des premières tentatives pour développer des modèles fondamentaux pour des applications médicales, cette approche plus large n’est pas encore répandue dans le domaine de l’IA en soins de santé. Cette lente adoption est principalement due aux défis associés à l’accès à des ensembles de données de santé vastes et diversifiés, ainsi qu’à la nécessité de modèles pour raisonner sur différents types de données médicales. La pratique des soins de santé est intrinsèquement multimodale et intègre des informations provenant d'images, de dossiers de santé électroniques (DSE), de capteurs, d'appareils portables, de génomique, etc. Ainsi, un modèle de soins de santé fondamental doit également être intrinsèquement multimodal. Néanmoins, les progrès récents dans les architectures multimodales et l’apprentissage auto-supervisé, capables de gérer différents types de données sans avoir besoin de données étiquetées, ouvrent la voie à un modèle fondamental de soins de santé.

État actuel de l’IA générative dans le domaine de la santé

Les soins de santé ont traditionnellement été lents à adopter la technologie, mais ils semblent avoir adopté la technologie. IA générative plus rapidement. Lors de HIMSS24, la plus grande conférence mondiale destinée aux professionnels des technologies de la santé, l'IA générative était au centre de presque toutes les présentations.

L’un des premiers cas d’utilisation de l’IA générative dans le domaine de la santé à avoir été largement adopté vise à alléger la charge administrative de la documentation clinique. Traditionnellement, la documentation des interactions avec les patients et des processus de soins occupe une part importante du temps des médecins (> 2 heures par jour), les détournant souvent des soins directs aux patients.

Des modèles d'IA tels que GPT-4 ou MedPalm-2 sont utilisés pour surveiller les données des patients et les interactions médecin-patient afin de rédiger des documents clés tels que des notes d'évolution, des résumés de sortie et des lettres de référence. Ces ébauches capturent les informations essentielles avec précision, ne nécessitant que l'examen et l'approbation d'un médecin. Cela réduit considérablement le temps consacré à la paperasse, permettant aux médecins de se concentrer davantage sur les soins aux patients, améliorant ainsi la qualité du service et réduisant l'épuisement professionnel.

Cependant, les applications plus larges des modèles fondamentaux dans le domaine des soins de santé ne se sont pas encore pleinement concrétisées. Les modèles fondateurs généralistes comme GPT-4 présentent plusieurs limites ; il existe donc un besoin pour un modèle fondamental spécifique aux soins de santé. Par exemple, GPT-4 n’a pas la capacité d’analyser des images médicales ou de comprendre les données longitudinales des patients, ce qui est essentiel pour fournir des diagnostics précis. De plus, il ne possède pas les connaissances médicales les plus récentes, car il a été formé sur des données disponibles uniquement jusqu'en décembre 2023. MedPalm-2 de Google représente la première tentative de construction d'un modèle fondamental spécifique aux soins de santé, capable à la fois de répondre questions médicales et raisonnements sur les images médicales. Cependant, elle ne parvient toujours pas à exploiter tout le potentiel de l’IA dans le domaine de la santé.

Construire un modèle fondamental de soins de santé

Le processus de création d’un modèle fondamental de soins de santé commence par des données dérivées de sources publiques et privées, notamment des biobanques, des données expérimentales et des dossiers de patients. Ce modèle serait capable de traiter et de combiner différents types de données, comme du texte avec des images ou des résultats de laboratoire, pour effectuer des tâches médicales complexes.

De plus, il pourrait raisonner sur de nouvelles situations et articuler ses résultats dans un langage médicalement précis. Cette capacité s'étend à la déduction et à l'utilisation de relations causales entre les concepts médicaux et les données cliniques, en particulier lors de la fourniture de recommandations de traitement basées sur des données d'observation. Par exemple, il pourrait prédire le syndrome de détresse respiratoire aiguë dû à un traumatisme thoracique grave récent et à une baisse des niveaux d’oxygène artériel, malgré un apport accru en oxygène.

De plus, le modèle accéderait à des informations contextuelles provenant de ressources telles que des graphiques de connaissances ou des bases de données pour obtenir des connaissances médicales à jour, améliorant ainsi son raisonnement et garantissant que ses conseils reflètent les dernières avancées de la médecine.

Applications et impact du modèle fondamental des soins de santé

Les utilisations potentielles d’un modèle fondamental de soins de santé sont vastes. En diagnostic, un tel modèle pourrait réduire la dépendance à l’égard de l’analyse humaine. Pour la planification du traitement, le modèle pourrait aider à élaborer des stratégies de traitement individualisées en prenant en compte l'ensemble du dossier médical d'un patient, ses détails génétiques et ses facteurs liés au mode de vie. Certaines autres applications incluent :

• Rapports de radiologie fondés : Le modèle fondamental des soins de santé peut transformer la radiologie numérique en créant des assistants polyvalents qui soutiennent les radiologues en automatisant la rédaction des rapports et en réduisant la charge de travail. Il serait également capable d’intégrer l’historique complet du patient. Par exemple, les radiologues peuvent interroger le modèle sur les changements de conditions au fil du temps : « Pouvez-vous identifier des changements dans la taille de la tumeur depuis la dernière analyse ?
• Aide à la décision clinique au chevet : Tirant parti des connaissances cliniques, il offrirait des explications claires et des résumés de données en texte libre, alertant le personnel médical des risques immédiats pour les patients et suggérant les prochaines étapes. Par exemple, l'alerte cloud modèle « Avertissement : ce patient est sur le point d'être en état de choc » et fournit des liens vers des résumés de données pertinents et des listes de contrôle pour l'action.
• Découverte de médicament: La conception de protéines qui se lient spécifiquement et fortement à une cible constitue le fondement de la découverte de médicaments. Les premiers modèles comme RFdiffusion ont commencé à générer des protéines sur la base d'entrées de base telles qu'une cible de liaison. En s’appuyant sur ces modèles initiaux, un modèle fondamental spécifique aux soins de santé pourrait être formé pour comprendre à la fois le langage et les séquences protéiques. Cela lui permettrait d’offrir une interface textuelle pour concevoir des protéines, accélérant potentiellement le développement de nouveaux médicaments.

Défis

Bien que la construction d’un modèle fondamental spécifique aux soins de santé reste l’objectif ultime, et que les progrès récents l’ont rendu plus réalisable, il reste encore des défis importants à relever pour développer un modèle unique capable de raisonner sur divers concepts médicaux :

• Cartographie des données selon plusieurs modalités : Le modèle doit être formé sur diverses modalités de données telles que les données DSE, les données d'imagerie médicale et les données génétiques. Raisonner sur ces modalités est difficile car il est difficile de trouver des données haute fidélité qui cartographient avec précision les interactions entre toutes ces modalités. De plus, la représentation de diverses modalités biologiques, de la dynamique cellulaire aux structures moléculaires et aux interactions génétiques à l’échelle du génome, est complexe. Une formation optimale sur les données humaines est irréalisable et contraire à l'éthique, c'est pourquoi les chercheurs s'appuient sur des modèles animaux ou des lignées cellulaires moins prédictives, ce qui crée un défi dans la traduction des mesures de laboratoire dans le fonctionnement complexe d'organismes entiers.
• Validation et vérification: Les modèles fondamentaux de soins de santé sont difficiles à valider en raison de leur polyvalence. Traditionnellement, les modèles d’IA sont validés pour des tâches spécifiques comme le diagnostic d’un type de cancer à partir d’une IRM. Cependant, les modèles fondamentaux peuvent effectuer de nouvelles tâches invisibles, ce qui rend difficile l’anticipation de tous les modes de défaillance possibles. Ils nécessitent des explications détaillées sur leurs tests et les cas d’utilisation approuvés et doivent émettre des avertissements en cas d’utilisation non conforme. La vérification de leurs résultats est également complexe, car ils gèrent diverses entrées et sorties, ce qui nécessite potentiellement un comité multidisciplinaire pour garantir l'exactitude.
• Biais sociaux : Ces modèles risquent de perpétuer les biais, car ils peuvent s'entraîner sur des données qui sous-représentent certains groupes ou contiennent des corrélations biaisées. Il est crucial de remédier à ces biais, en particulier à mesure que l’échelle des modèles augmente, ce qui peut intensifier le problème.

La voie à suivre

L’IA générative a déjà commencé à remodeler les soins de santé en allégeant le fardeau de la documentation pesant sur les cliniciens, mais son plein potentiel est encore à venir. L’avenir des modèles fondamentaux dans le domaine des soins de santé promet d’être transformateur. Imaginez un système de santé où les diagnostics sont non seulement plus rapides mais aussi plus précis, où les plans de traitement sont précisément adaptés aux profils génétiques de chaque patient et où de nouveaux médicaments pourraient être découverts en quelques mois plutôt qu'en quelques années.

La création d’un modèle d’IA fondamental spécifique aux soins de santé présente des défis, en particulier lorsqu’il s’agit d’intégrer des données médicales et cliniques diverses et dispersées. Cependant, ces obstacles peuvent être surmontés grâce à des efforts de collaboration entre technologues, cliniciens et décideurs politiques. En travaillant ensemble, nous pouvons développer des cadres commerciaux qui incitent diverses parties prenantes (DSE, sociétés d'imagerie, laboratoires de pathologie, fournisseurs) à unifier ces données et à construire des architectures de modèles d'IA capables de traiter des interactions complexes et multimodales au sein des soins de santé.

De plus, il est crucial que ces avancées s’accompagnent d’une boussole éthique claire et de cadres réglementaires solides pour garantir que ces technologies sont utilisées de manière responsable et équitable. En maintenant des normes élevées de validation et d’équité, la communauté des soins de santé peut instaurer la confiance et favoriser l’acceptation parmi les patients et les praticiens.

Le cheminement vers la pleine réalisation du potentiel des modèles fondamentaux de soins de santé constitue une frontière passionnante. En adoptant cet esprit d’innovation, le secteur de la santé peut non seulement anticiper les défis actuels, mais aussi transformer la science médicale. Nous sommes à l’aube d’une nouvelle ère audacieuse dans le domaine des soins de santé, une ère pleine de possibilités et portée par la promesse de l’IA d’améliorer la vie à l’échelle mondiale.