Bagaimana Data Pasien Menggerakkan Masa Depan Perawatan Kesehatan

Perlombaan AI di bidang perawatan kesehatan semakin menjauh dari pertanyaan apakah mesin dapat menghasilkan informasi medis dan beralih ke pertanyaan yang lebih penting: apa yang terjadi ketika AI dapat bekerja dengan data pasien yang sudah dimiliki oleh klinisi dan peneliti?

Tiga perkembangan terbaru menunjukkan ke mana pergeseran itu mungkin menuju.

Pertama, OpenAI baru-baru ini menghubungkan ChatGPT for Healthcare dengan data catatan kesehatan elektronik Epic, membawa konteks klinis spesifik pasien ke dalam alur kerja AI dan berpotensi mengurangi waktu yang dihabiskan klinisi untuk mencari melalui catatan medis yang terfragmentasi.  

Selanjutnya, PurpleLab, perusahaan data dan analitik perawatan kesehatan, baru saja meluncurkan CARES, sebuah inisiatif untuk mendukung penelitian menggunakan data perawatan kesehatan dunia nyata yang sangat besar. 

Dan akhirnya, peneliti di Harvard Medical School telah mengembangkan model AI yang menggunakan catatan kesehatan yang ada dan informasi genetik untuk memperkirakan risiko ratusan penyakit.

Jika digabungkan, hal ini menunjukkan apa yang telah lama diperkirakan banyak pihak di bidang perawatan kesehatan: bahwa data pasien dapat menjadi salah satu aset paling berharga dalam industri perawatan kesehatan untuk inovasi dalam perawatan.

Mari kita lihat lebih jauh masing‑masing terobosan data pasien terbaru ini.

Dari EHR ke Asisten AI

Pada 1 September, OpenAI mengumumkan integrasi Epic untuk ChatGPT for Healthcare yang memungkinkan organisasi perawatan kesehatan yang berwenang membawa informasi pasien ke dalam alur kerja yang dibantu AI.

Integrasi ini dapat membantu klinisi meninjau informasi seperti catatan medis, obat‑obatan, hasil laboratorium, dan pertemuan sebelumnya tanpa harus menyusun secara manual riwayat pasien dari berbagai bagian catatan.

Sistem ini bersifat hanya‑baca, artinya AI tidak secara independen mengubah catatan medis.

Perbedaan itu penting. Kesempatan langsung bukanlah menggantikan EHR atau memungkinkan sistem AI membuat keputusan sendiri. Namun mengurangi waktu yang dihabiskan klinisi untuk menemukan dan menyintesis informasi.

OpenAI juga menghubungkan ChatGPT for Healthcare ke sumber publik resmi, termasuk PubMed, ClinicalTrials.gov, DailyMed, dan data CMS.

Gagasan yang lebih besar adalah menggabungkan konteks pasien dengan bukti medis eksternal dalam alur kerja yang sama.

Membuat Data Dunia Nyata Lebih Berguna untuk Penelitian

PurpleLab, perusahaan data dan analitik yang berfokus pada, antara lain, Bukti Dunia Nyata (RWE) dan Data Dunia Nyata (RWD) di bidang perawatan kesehatan, baru-baru ini meluncurkan Center for Advancing Real-World Evidence Studies, atau CARES, dengan fokus membantu peneliti, institusi akademik, jaringan bukti, dan komunitas pasien menggunakan data dunia nyata secara lebih efektif.

Signifikansinya melampaui sekadar menyediakan lebih banyak data.

Peneliti perawatan kesehatan telah lama menghadapi masalah definisi yang tidak konsisten, dataset terfragmentasi, dan kesulitan mereproduksi studi sebelumnya.

CARES dirancang berdasarkan penelitian yang dapat direproduksi, metode transparan, kemitraan akademik, dan penelitian yang berpusat pada pasien.

PurpleLab mengatakan peneliti dapat bekerja dengan dataset dunia nyata mereka untuk mempelajari pola pengobatan, hasil, dan biaya perawatan kesehatan di bidang seperti onkologi, kardiologi, kesehatan mental, dan penyakit langka.

Jika berhasil, inisiatif seperti ini dapat membantu mengubah informasi perawatan kesehatan yang dihasilkan secara rutin menjadi bukti yang menjawab pertanyaan yang tidak selalu dapat dijawab dengan cepat oleh studi klinis tradisional.

“Bukti dunia nyata paling kuat ketika ia ketat, ditinjau sejawat, dan dibagikan secara terbuka. Dengan PurpleLab CARES, kami menunjukkan apa yang dapat dilakukan data kami di tangan peneliti, mitra akademik, dan komunitas pasien,” kata Scott DuVall, Senior Vice President, Real-World Evidence, di PurpleLab, dalam pernyataan perusahaan.

Memprediksi Penyakit Sebelum Muncul

Di Harvard, tim peneliti mengubah data pasien menjadi mesin prediksi. 

Model pembelajaran mesin yang dikembangkan oleh peneliti di Dana-Farber Cancer Institute dan Massachusetts General Hospital dapat memperkirakan risiko pasien terhadap 348 penyakit dengan menggunakan catatan kesehatan elektronik (EHR) yang dikumpulkan secara rutin bersama informasi risiko genetik.

Model ini, yang disebut Aladynoulli, dilatih dan divalidasi menggunakan data dari lebih dari 683.000 catatan pasien di tiga biobank.

Peneliti mengatakan bahwa model ini dapat memperbarui penilaian risiko secara dinamis seiring bertambahnya usia pasien.

Potensinya sangat signifikan. Alih-alih melihat riwayat medis hanya sebagai catatan apa yang sudah terjadi, AI dapat semakin banyak menggunakannya untuk mengidentifikasi pola yang terkait dengan apa yang mungkin terjadi selanjutnya.

Namun di sinilah kehati-hatian sangat penting. Model ini sejauh ini telah dievaluasi menggunakan data pasien historis, dan penelitian lebih lanjut diperlukan sebelum menentukan bagaimana kinerjanya dalam setting klinis nyata.

Tantangan Nyata adalah Kepercayaan

Masa depan AI dalam perawatan kesehatan mungkin lebih bergantung pada apakah data di baliknya akurat, representatif, aman, dan dikelola secara bertanggung jawab, daripada seberapa mengesankan algoritma tersebut terdengar.

Data pasien dapat mengungkap pola yang sulit diidentifikasi manusia selama bertahun‑tahun riwayat medis. Namun catatan yang sama berisi beberapa informasi paling sensitif yang dihasilkan seseorang.

Ketika organisasi perawatan kesehatan menghubungkan EHR, basis data penelitian, dan sistem AI, pertanyaan utama tidak sekadar apakah AI dapat mengekstrak nilai lebih dari data pasien.

Melainkan apakah sistem perawatan kesehatan dapat melakukannya tanpa kehilangan kepercayaan pasien.

Keseimbangan antara informasi yang lebih baik dan penggunaan yang bertanggung jawab pada akhirnya dapat menentukan sejauh mana AI berpindah dari laboratorium riset ke perawatan kesehatan sehari‑hari.