Transformasi Berbasis AI dalam Pemrosesan Dokumen Klinik: Meningkatkan Diagnosis Gagal Jantung

AI generatif siap untuk mengubah industri kesehatan dalam banyak cara, termasuk pemrosesan dokumen klinik.

Penemuan baru-baru ini dalam diagnosis gagal jantung melalui analisis laporan ekokardiogram menunjukkan potensi signifikan dari teknologi berbasis AI untuk mengubah interpretasi data medis dan perawatan pasien.

Tantangan di Bidang Kesehatan Modern

Pemrosesan dokumen klinik menimbulkan tantangan signifikan di bidang kesehatan, terutama untuk laporan yang kompleks seperti ekokardiogram, yang sangat penting dalam mendiagnosis kondisi jantung. Dokumen-dokumen ini mengandung data penting, seperti nilai ejection fraction (EF) untuk diagnosis gagal jantung, yang berarti pemrosesan laporan yang efisien dan akurat sangat penting. Namun,
campuran padat dari istilah medis, singkatan, data spesifik pasien, dan narasi bebas teks yang tidak terstruktur, grafik, dan tabel membuat dokumen-dokumen ini sulit untuk diinterpretasikan secara konsisten. Ini menimbulkan beban yang tidak semestinya pada klinisi yang sudah terbatas oleh waktu dan meningkatkan risiko kesalahan manusia dalam perawatan pasien dan pencatatan rekam medis.

Pendekatan Baru

AI generatif menawarkan solusi transformatif untuk tantangan pemrosesan dokumen klinik. Ini dapat mengotomatisasi ekstraksi dan pengaturan data medis yang kompleks dari dokumen yang tidak terstruktur, sehingga secara signifikan meningkatkan akurasi dan efisiensi. Misalnya, penelitian baru telah memperkenalkan sistem berbasis AI yang menggunakan model transformer pra-terlatih yang dirancang khusus untuk tugas pertanyaan dan jawaban ekstraktif (QA). Model ini, yang diperhalus dengan dataset kustom dari laporan ekokardiogram yang dianotasi, menunjukkan efisiensi yang luar biasa dalam mengekstrak nilai EF – penanda kunci dalam diagnosis gagal jantung.

Teknologi ini beradaptasi dengan terminologi medis yang spesifik dan belajar seiring waktu, memastikan kustomisasi dan perbaikan terus-menerus. Selain itu, ini menghemat waktu klinisi secara signifikan, memungkinkan mereka untuk fokus lebih pada perawatan pasien daripada tugas administratif.

Kekuatan Data yang Dikustomisasi

Banyak kemajuan baru dalam AI generatif dapat dikaitkan dengan arsitektur model yang dikenal sebagai ‘transformer.’ Tidak seperti model sebelumnya yang memproses teks dalam urutan linier, transformer dapat menganalisis blok teks secara keseluruhan, memungkinkan pemahaman yang lebih dalam dan lebih nuansa tentang bahasa.

Model transformer pra-terlatih adalah titik awal yang baik untuk sistem yang mengintegrasikan teknologi ini. Model-model ini telah dilatih secara ekstensif pada dataset bahasa yang besar dan beragam, memungkinkan mereka untuk mengembangkan pemahaman yang luas tentang pola dan struktur bahasa umum.

Namun, model transformer pra-terlatih kemudian perlu dilatih lebih lanjut untuk tugas-tugas khusus dan kebutuhan industri yang spesifik melalui proses yang disebut fine-tuning. Fine-tuning melibatkan pengambilan model transformer pra-terlatih dan melatihnya lebih lanjut pada dataset spesifik yang relevan dengan tugas atau domain tertentu. Pelatihan tambahan ini memungkinkan model untuk beradaptasi dengan karakteristik linguistik, terminologi, dan struktur teks yang unik untuk domain tersebut. Sebagai hasilnya, model transformer yang diperhalus menjadi lebih efisien dan akurat dalam menangani tugas-tugas khusus, menawarkan kinerja dan relevansi yang ditingkatkan di berbagai bidang, dari kesehatan hingga keuangan, hukum, dan lain-lain.

Sebagai contoh, model transformer pra-terlatih, meskipun dilengkapi dengan pemahaman yang luas tentang struktur bahasa, mungkin tidak secara inheren memahami nuansa dan terminologi spesifik yang digunakan dalam laporan ekokardiogram. Dengan fine-tuning pada dataset ekokardiogram yang ditargetkan, model dapat beradaptasi dengan pola linguistik, istilah teknis, dan format laporan yang khas dalam kardiologi. Spesifisitas ini memungkinkan model untuk mengextract dan menafsirkan informasi penting dari laporan dengan akurat, seperti pengukuran ruang jantung, fungsi katup, dan fraksi ejection. Dalam praktiknya, ini membantu profesional kesehatan untuk membuat keputusan yang lebih informasi, sehingga meningkatkan perawatan pasien, dan potensial menyelamatkan nyawa. Selain itu, model yang dikustomisasi seperti ini dapat meningkatkan efisiensi alur kerja dengan mengotomatisasi ekstraksi poin data kritis, mengurangi waktu tinjauan manual, dan meminimalkan risiko kesalahan manusia dalam interpretasi data.

Penelitian di atas jelas menunjukkan dampak dari fine-tuning pada dataset kustom melalui hasil pada MIMIC-IV-Note, sebuah dataset klinis publik. Salah satu hasil kunci dari eksperimen ini adalah pengurangan 90% sensitivitas terhadap prompt yang berbeda yang dicapai dengan fine-tuning, diukur oleh standar deviasi dari metrik evaluasi (akurasi pertandingan eksak dan skor F1) untuk tiga versi pertanyaan yang sama: “Apa fraksi ejection?” “Apa persentase EF?” dan “Apa fungsi sistolik?”

Dampak pada Alur Kerja Klinik

Pemrosesan dokumen klinik berbasis AI dapat secara signifikan meningkatkan alur kerja klinik. Teknologi ini mengotomatisasi ekstraksi dan analisis data vital dari dokumen medis, seperti catatan pasien dan hasil tes, dan mengurangi kebutuhan akan entri data manual. Pengurangan tugas manual ini meningkatkan akurasi data dan memungkinkan klinisi untuk menghabiskan lebih banyak waktu pada perawatan pasien dan pengambilan keputusan. Kemampuan AI untuk memahami istilah medis yang kompleks dan mengekstrak informasi relevan menyebabkan hasil pasien yang lebih baik dengan memungkinkan analisis yang lebih cepat dan lebih komprehensif dari riwayat dan kondisi pasien. Dalam pengaturan klinik, teknologi AI ini telah menjadi transformatif, menghemat lebih dari 1.500 jam setiap tahunnya dan meningkatkan efisiensi penyampaian kesehatan dengan memungkinkan klinisi untuk fokus pada aspek perawatan pasien yang penting.

Klinisi dalam Lingkaran: Mengimbangkan AI dan Keahlian Manusia

Meskipun AI secara signifikan mengalirkan pengelolaan informasi, penilaian dan analisis manusia tetap sangat penting untuk menyampaikan perawatan pasien yang luar biasa.

Konsep ‘klinisi dalam lingkaran’ sangat penting dalam model pemrosesan dokumen klinik kami, yang menggabungkan efisiensi teknologi AI dengan wawasan penting dari profesional kesehatan. Pendekatan ini melibatkan membuat hasil akhir dari pemrosesan yang tersedia untuk klinisi sebagai dokumen yang jelas dianotasi/disoroti. Sistem kolaboratif ini memastikan presisi tinggi dalam memroses dokumen dan memfasilitasi perbaikan terus-menerus model melalui umpan balik klinisi. Interaksi seperti ini menyebabkan peningkatan progresif dalam kinerja AI.

Sementara model AI secara signifikan mengurangi waktu yang dihabiskan untuk menavigasi platform EMR dan menganalisis dokumen, keterlibatan klinisi sangat penting untuk memastikan akurasi dan penerapan etis teknologi. Peran mereka dalam mengawasi interpretasi AI memastikan bahwa keputusan akhir mencerminkan kombinasi dari pemrosesan data yang canggih dan penilaian medis yang berpengalaman, sehingga memperkuat keamanan pasien dan kepercayaan klinisi pada sistem.

Mengadopsi AI dalam Kesehatan

Ketika kita maju, integrasi AI dalam pengaturan klinik kemungkinan akan menjadi lebih umum. Studi ini menyoroti potensi transformatif AI dalam kesehatan dan memberikan wawasan tentang masa depan, di mana teknologi dan kedokteran bergabung untuk sangat membantu masyarakat. Penelitian lengkap dapat diakses di sini di arxiv.