Transformasi yang Dipimpin AI dalam Pemrosesan Dokumen Klinis: Meningkatkan Diagnosis Gagal Jantung

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

Sebuah kemajuan terbaru dalam diagnosis gagal jantung melalui analisis laporan ekokardiogram menunjukkan potensi signifikan dari teknologi yang dipimpin AI untuk mengubah interpretasi data medis dan perawatan pasien.

Tantangan di Bidang Kesehatan Modern

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

Pendekatan Terobosan

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

Teknologi ini beradaptasi dengan terminologi medis 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 terbaru dalam AI generatif dapat dikaitkan dengan arsitektur model yang revolusioner 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.

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, transformer pra-terlatih kemudian perlu dilatih lebih lanjut untuk tugas khusus dan kebutuhan industri spesifik menggunakan proses yang disebut fine-tuning. Fine-tuning melibatkan pengambilan 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 unik, terminologi, dan struktur teks yang spesifik untuk domain tersebut. Sebagai hasilnya, transformer yang diperhalus menjadi lebih efisien dan akurat dalam menangani tugas khusus, menawarkan kinerja dan relevansi yang ditingkatkan di berbagai bidang, dari kesehatan hingga keuangan, hukum, dan lain-lain.

Misalnya, 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 memperhalusnya pada dataset yang ditargetkan dari laporan ekokardiogram, model dapat beradaptasi dengan pola linguistik unik, istilah teknis, dan format laporan yang khas dalam kardiologi. Spesifisitas ini memungkinkan model untuk secara akurat mengekstrak dan menafsirkan informasi penting dari laporan, seperti pengukuran ruang jantung, fungsi katup, dan fraksi ejeksi. Dalam prakteknya, ini membantu profesional kesehatan untuk membuat keputusan yang lebih informasi, sehingga meningkatkan perawatan pasien, dan potensial menyelamatkan nyawa. Selain itu, model yang terlatih seperti ini dapat merampingkan 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% terhadap sensitivitas terhadap prompt yang berbeda yang dicapai dengan fine-tuning, diukur oleh standar deviasi dari metrik evaluasi (akurasi pertandingan tepat dan skor F1) untuk tiga versi yang berbeda dari pertanyaan yang sama: “Apa fraksi ejeksi?” “Apa persentase EF?” dan “Apa fungsi sistolik?”

Dampak pada Alur Kerja Klinis

Pemrosesan dokumen klinis yang dipimpin AI dapat secara signifikan merampingkan alur kerja klinis. Teknologi ini mengotomatisasi ekstraksi dan analisis data vital dari dokumen medis, seperti catatan pasien dan hasil tes, dan mengurangi kebutuhan untuk 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 yang relevan menyebabkan hasil pasien yang lebih baik dengan memungkinkan analisis yang lebih cepat dan lebih komprehensif dari riwayat dan kondisi pasien. Dalam pengaturan klinis, teknologi AI ini telah menjadi transformasional, menghemat lebih dari 1.500 jam setiap tahunnya dan meningkatkan efisiensi pengiriman kesehatan dengan memungkinkan klinisi untuk fokus pada aspek perawatan pasien yang penting.

Klinisi dalam Lingkaran: Mengimbangkan AI dan Keahlian Manusia

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

Konsep ‘klinisi dalam lingkaran’ sangat penting dalam model pemrosesan dokumen klinis kami, menggabungkan efisiensi teknologi AI dengan wawasan penting dari profesional kesehatan. Pendekatan ini melibatkan membuat hasil akhir dari pemrosesan dokumen tersedia untuk klinisi sebagai dokumen yang dianotasi/jorok dengan jelas. 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 teknologi yang etis. 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.

Menerima AI dalam Kesehatan

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