Potentiel transformatif d’un modèle fondamental de soins de santé spécifique

Au cours des deux dernières années, les modèles fondamentaux généralistes comme GPT-4 ont considérablement évolué, offrant des capacités sans précédent en raison de jeux de données plus importants, de tailles de modèles plus grandes et d’améliorations architecturales. Ces modèles sont adaptables à une large gamme de tâches dans divers domaines. Cependant, l’intelligence artificielle en santé est toujours caractérisée par des modèles conçus pour des tâches spécifiques. Par exemple, un modèle formé pour analyser les radiographies en vue de détecter des fractures osseuses ne serait capable que d’identifier des fractures et non de générer des rapports de radiologie complets. La plupart des 500 modèles d’IA approuvés par la Food and Drug Administration sont limités à une ou deux utilisations. Cependant, les modèles fondamentaux, connus pour leur large applicabilité à différentes tâches, ouvrent la voie à une approche transformatrice dans les applications de santé.

Bien qu’il y ait eu des tentatives initiales pour développer des modèles fondamentaux pour les applications médicales, cette approche plus large n’a pas encore gagné en prévalence dans l’IA en santé. Cette adoption lente est principalement due aux défis associés à l’accès à de grands et divers ensembles de données de santé, ainsi qu’à la nécessité pour les modèles de raisonner à travers différents types de données médicales. La pratique des soins de santé est inhérentement multimodale et intègre des informations provenant d’images, de dossiers médicaux électroniques (DME), de capteurs, de dispositifs portables, de génomique, etc. Ainsi, un modèle fondamental de soins de santé doit également être inhérentement multimodal. Néanmoins, les progrès récents dans les architectures multimodales et l’apprentissage auto-supervisé, qui peuvent gérer différents types de données sans nécessiter de données étiquetées, ouvrent la voie à un modèle fondamental de soins de santé.

État actuel de l’IA générative dans les soins de santé

Les soins de santé ont traditionnellement été lents à adopter la technologie, cependant, ils semblent avoir adopté plus rapidement l’IA générative. À HIMSS24, la plus grande conférence mondiale pour les professionnels de la technologie des soins de santé, l’IA générative a été le point central de près de chaque présentation.

L’une des premières utilisations de l’IA générative dans les soins de santé qui a connu une adoption généralisée se concentre sur l’allègement de la charge administrative de la documentation clinique. Traditionnellement, la documentation des interactions et des processus de soins des patients consomme une partie importante du temps des médecins (>2 heures par jour), souvent en les distrayant des soins directs aux patients.

Les modèles d’IA comme GPT-4 ou MedPalm-2 sont utilisés pour surveiller les données des patients et les interactions médecin-patient pour rédiger des documents clés tels que les notes de progression, les résumés de sortie et les lettres de référence. Ces brouillons capturent les informations essentielles avec précision, nécessitant seulement une révision et une approbation du 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 les soins de santé n’ont pas encore pleinement matérialisé. Les modèles fondamentaux généralistes comme GPT-4 ont plusieurs limitations ; ainsi, il existe un besoin pour un modèle fondamental spécifique aux soins de santé. Par exemple, GPT-4 manque de capacité à analyser les images médicales ou à comprendre les données patient longituales, qui sont cruciales pour fournir des diagnostics précis. De plus, il ne possède pas les connaissances médicales les plus à jour, car il a été formé sur des données disponibles uniquement jusqu’en décembre 2023. Le MedPalm-2 de Google représente la première tentative pour construire un modèle fondamental spécifique aux soins de santé, capable à la fois de répondre à des questions médicales et de raisonner sur les images médicales. Cependant, il ne capture pas encore pleinement le potentiel de l’IA dans les soins de santé.

Construire un modèle fondamental de soins de santé

Le processus de construction d’un modèle fondamental de soins de santé commence avec des données issues de sources publiques et privées, y compris des biobanques, des données expérimentales et des dossiers de patients. Ce modèle serait capable de traiter et de combiner différents types de données, tels que le texte avec des images ou des résultats de laboratoire, pour effectuer des tâches médicales complexes.

En outre, il pourrait raisonner sur de nouvelles situations et articuler ses sorties 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 observationnelles. Par exemple, il pourrait prédire le syndrome de détresse respiratoire aiguë à partir d’un traumatisme thoracique grave récent et d’une baisse des niveaux d’oxygène artériel, malgré une augmentation de l’apport d’oxygène.

De plus, le modèle aurait accès à des informations contextuelles provenant de ressources telles que des graphes de connaissances ou des bases de données pour obtenir des connaissances médicales à jour, améliorant ainsi sa capacité de raisonnement et garantissant que ses conseils reflètent les dernières avancées en médecine.

Applications et impact du modèle fondamental de soins de santé

Les utilisations potentielles d’un modèle fondamental de soins de santé sont étendues. Dans le domaine du diagnostic, un tel modèle pourrait réduire la dépendance à l’analyse humaine. Pour la planification des traitements, le modèle pourrait aider à élaborer des stratégies de traitement individualisées en tenant compte de l’ensemble du dossier médical d’un patient, de ses détails génétiques et de ses facteurs de style de vie. D’autres applications incluent :

• Rapports de radiologie ancrés : Le modèle fondamental de soins de santé peut transformer la radiologie numérique en créant des assistants polyvalents qui soutiennent les radiologues en automatisant la rédaction de rapports et en réduisant la charge de travail. Il serait également capable d’intégrer l’ensemble de l’historique du patient. Par exemple, les radiologues peuvent interroger le modèle sur les changements dans les conditions au fil du temps : “Pouvez-vous identifier des changements dans la taille de la tumeur depuis la dernière analyse ?”
• Soutien décisionnel clinique au chevet : En exploitant les connaissances cliniques, il offrirait des explications claires et des résumés de données en texte libre, avertissant le personnel médical des risques immédiats pour les patients et suggérant les prochaines étapes. Par exemple, le modèle pourrait alerter : “Avertissement : Ce patient est sur le point d’entrer en état de choc,” et fournir des liens vers des résumés de données pertinents et des listes de vérification pour l’action.
• Découverte de médicaments : La conception de protéines qui se lient spécifiquement et fortement à une cible est la base de la découverte de médicaments. Les premiers modèles comme RFdiffusion ont commencé à générer des protéines à partir 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 de protéines. Cela permettrait d’offrir une interface basée sur le texte 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 aient rendu cela plus réalisable, il existe encore des défis importants dans le développement d’un modèle capable de raisonner à travers divers concepts médicaux :

• Cartographie de plusieurs modalités : Le modèle doit être formé sur différentes modalités de données telles que les données de dossiers médicaux électroniques, les données d’imagerie médicale et les données génétiques. La raison pour laquelle il est difficile de raisonner à travers ces modalités est que la source de données de haute fidélité qui cartographie avec précision les interactions à travers toutes ces modalités est difficile à obtenir. De plus, la représentation de diverses modalités biologiques, allant de la dynamique cellulaire aux structures moléculaires et aux interactions génétiques à l’échelle du génome, est complexe. La formation optimale sur des données humaines est irréalisable et non éthique, les chercheurs s’appuyant donc sur des modèles animal ou des lignées cellulaires moins prédictives, ce qui crée un défi pour traduire les mesures de laboratoire en fonctionnements 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 non vues, rendant difficile l’anticipation de tous les modes de défaillance possibles. Ils nécessitent des explications détaillées de leurs tests et de leurs cas d’utilisation approuvés et devraient émettre des avertissements pour une utilisation hors étiquette. La vérification de leurs sorties est également complexe, car ils gèrent des entrées et des sorties diverses, potentiellement nécessitant un panel multidisciplinaire pour garantir l’exactitude.
• Biais sociaux : Ces modèles risquent de perpétuer les biais, car ils peuvent être formés sur des données qui sous-représentent certains groupes ou contiennent des corrélations biaisées. Il est crucial de résoudre ces biais, en particulier à mesure que la taille des modèles augmente, ce qui peut intensifier le problème.

Voie à suivre

L’IA générative a déjà commencé à remodeler les soins de santé en allégeant la charge de documentation sur les cliniciens, mais son plein potentiel se trouve à l’avenir. L’avenir des modèles fondamentaux dans les soins de santé promet d’être transformatif. Imaginez un système de soins de santé où les diagnostics ne sont pas seulement plus rapides mais aussi plus précis, où les plans de traitement sont conçus avec précision pour les profils génétiques de chaque patient, et où de nouveaux médicaments pourraient être découverts en quelques mois plutôt qu’en 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 les données médicales et cliniques diverses et dispersées. Cependant, ces obstacles peuvent être surmontés grâce à des efforts de collaboration entre les technologistes, les cliniciens et les décideurs politiques. En travaillant ensemble, nous pouvons développer des cadres commerciaux qui incitent diverses parties prenantes (dossiers médicaux électroniques, 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 dans les soins de santé.

De plus, il est crucial que cette avancée se fasse avec une boussole éthique claire et des 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 établir la confiance et favoriser l’acceptation parmi les patients et les praticiens.

Le voyage vers la pleine réalisation du potentiel des modèles fondamentaux de soins de santé est une frontière excitante. En embrassant cet esprit d’innovation, le secteur des soins de santé peut anticiper non seulement la résolution des défis actuels mais transformer la science médicale. Nous sommes à la veille d’une nouvelle ère audacieuse dans les soins de santé, riche en possibilités et animée par la promesse de l’IA d’améliorer les vies à l’échelle mondiale.