Potensi Transformatif dari Model Fondasi Khusus Kesehatan

Dalam dua tahun terakhir, model fondasi umum seperti GPT-4 telah berkembang pesat, menawarkan kemampuan yang belum pernah ada sebelumnya karena dataset yang lebih besar, ukuran model yang lebih besar, dan perbaikan arsitektur. Model-model ini dapat disesuaikan dengan berbagai tugas di berbagai bidang. Namun, kecerdasan buatan (AI) di bidang kesehatan masih ditandai dengan model yang dirancang untuk tugas-tugas spesifik. Misalnya, model yang dilatih untuk menganalisis sinar-X untuk patah tulang hanya dapat mengidentifikasi patah tulang dan tidak memiliki kemampuan untuk menghasilkan laporan radiologi yang komprehensif. Sebagian besar dari 500 model AI yang disetujui oleh Badan Pengawas Obat dan Makanan (FDA) terbatas pada satu atau dua kasus penggunaan. Namun, model fondasi yang dikenal dengan kemampuan luasnya untuk digunakan dalam berbagai tugas, sedang mempersiapkan pendekatan transformatif di bidang kesehatan.

Meskipun telah ada upaya awal untuk mengembangkan model fondasi untuk aplikasi medis, pendekatan yang lebih luas ini belum menjadi umum di bidang AI kesehatan. Hal ini disebabkan oleh tantangan yang terkait dengan akses ke dataset kesehatan yang besar dan beragam, serta kebutuhan model untuk berpikir secara berbeda tentang berbagai jenis data medis. Praktik kesehatan secara inheren multimodal dan mencakup informasi dari gambar, catatan kesehatan elektronik (EHRs), sensor, wearable, genomics, dan lain-lain. Oleh karena itu, model fondasi kesehatan juga harus secara inheren multimodal. Namun, kemajuan terkini dalam arsitektur multimodal dan pembelajaran mandiri, yang dapat menangani berbagai jenis data tanpa memerlukan data yang dilabeli, sedang mempersiapkan jalan bagi model fondasi kesehatan.

Keadaan Saat Ini dari AI Generatif di Kesehatan

Kesehatan secara tradisional telah lambat dalam mengadopsi teknologi, namun tampaknya telah mengadopsi AI Generatif lebih cepat. Pada konferensi HIMSS24, konferensi terbesar global untuk profesional teknologi kesehatan, AI Generatif menjadi fokus dari hampir setiap presentasi.

Salah satu kasus penggunaan pertama AI Generatif di kesehatan yang telah diterapkan secara luas adalah untuk mengurangi beban administratif dari dokumentasi klinis. Secara tradisional, mendokumentasikan interaksi pasien dan proses perawatan menghabiskan sebagian besar waktu dokter (>2 jam per hari), sering kali mengalihkan perhatian mereka dari perawatan pasien langsung.

Model AI seperti GPT-4 atau MedPalm-2 digunakan untuk memantau data pasien dan interaksi dokter-pasien untuk menghasilkan draf dokumen penting seperti catatan kemajuan, ringkasan pemulangan, dan surat rujukan. Draf-draf ini menangkap informasi penting secara akurat, hanya memerlukan tinjauan dan persetujuan dokter. Ini secara signifikan mengurangi waktu kerja, memungkinkan dokter untuk fokus lebih pada perawatan pasien, meningkatkan kualitas layanan dan mengurangi kelelahan.

Namun, aplikasi yang lebih luas dari model fondasi di kesehatan belum sepenuhnya terwujud. Model fondasi umum seperti GPT-4 memiliki beberapa keterbatasan; oleh karena itu, diperlukan model fondasi khusus kesehatan. Misalnya, GPT-4 tidak memiliki kemampuan untuk menganalisis gambar medis atau memahami data pasien longitudinal, yang kritis untuk memberikan diagnosis yang akurat. Selain itu, tidak memiliki pengetahuan medis yang paling mutakhir, karena dilatih pada data yang tersedia hanya hingga Desember 2023. Google’s MedPalm-2 mewakili upaya pertama untuk membangun model fondasi khusus kesehatan, yang dapat menjawab pertanyaan medis dan berpikir tentang gambar medis. Namun, masih belum menangkap potensi penuh AI di kesehatan.

Membangun Model Fondasi Kesehatan

Proses membangun model fondasi kesehatan dimulai dengan data yang berasal dari sumber publik dan swasta, termasuk biobank, data eksperimental, dan catatan pasien. Model ini dapat memproses dan menggabungkan berbagai jenis data, seperti teks dengan gambar atau hasil laboratorium, untuk melakukan tugas medis yang kompleks.

Selain itu, dapat berpikir tentang situasi baru dan mengartikulasikan outputnya dalam bahasa medis yang presisi. Kemampuan ini meluas ke penggunaan hubungan sebab-akibat antara konsep medis dan data klinis, terutama ketika memberikan rekomendasi perawatan berdasarkan data observasional. Misalnya, dapat memprediksi sindrom distres pernapasan akut dari trauma thoraks yang parah dan penurunan tingkat oksigen arteri, meskipun peningkatan pasokan oksigen.

Lebih lanjut, model ini dapat mengakses informasi kontekstual dari sumber seperti grafik pengetahuan atau database untuk mendapatkan pengetahuan medis yang mutakhir, meningkatkan kemampuan berpikirnya dan memastikan bahwa saran yang diberikan mencerminkan kemajuan terbaru dalam kedokteran.

Aplikasi dan Dampak dari Model Fondasi Kesehatan

Potensi penggunaan model fondasi kesehatan sangat luas. Dalam diagnostik, model seperti ini dapat mengurangi ketergantungan pada analisis manusia. Untuk perencanaan perawatan, model dapat membantu dalam membuat strategi perawatan yang disesuaikan dengan profil genetik pasien, detail gaya hidup, dan faktor lainnya. Beberapa aplikasi lainnya termasuk:

• Laporan Radiologi yang Terbukti: Model fondasi kesehatan dapat mengubah radiologi digital dengan menciptakan asisten yang serbaguna yang mendukung radiolog dengan mengotomatisasi penulisan laporan dan mengurangi beban kerja. Juga dapat mengintegrasikan seluruh riwayat pasien. Misalnya, radiolog dapat mengajukan pertanyaan kepada model tentang perubahan kondisi dari waktu ke waktu: “Apakah Anda dapat mengidentifikasi perubahan ukuran tumor sejak pemeriksaan terakhir?”
• Dukungan Keputusan Klinis di Tempat Tidur: Menggunakan pengetahuan klinis, akan menawarkan penjelasan teks bebas dan ringkasan data, mengingatkan staf medis tentang risiko pasien yang segera dan menyarankan langkah selanjutnya. Misalnya, model dapat memberi peringatan, “Peringatan: Pasien ini akan mengalami syok,” dan menyediakan tautan ke ringkasan data dan daftar periksa untuk tindakan.
• Penemuan Obat: Mendesain protein yang mengikat secara spesifik dan kuat pada target adalah dasar penemuan obat. Model awal seperti RFdiffusion telah mulai menghasilkan protein berdasarkan input dasar seperti target pengikatan. Dengan membangun pada model awal ini, model fondasi khusus kesehatan dapat dilatih untuk memahami bahasa dan urutan protein. Ini akan memungkinkan untuk menawarkan antarmuka teks untuk mendesain protein, potensial mempercepat pengembangan obat baru.

Tantangan

Meskipun membangun model fondasi khusus kesehatan tetap menjadi tujuan akhir, dan kemajuan terkini telah membuatnya lebih dapat diwujudkan, masih ada tantangan signifikan dalam mengembangkan model tunggal yang dapat berpikir secara berbeda tentang konsep medis yang beragam:

• Pemetaan Data Multimodal: Model harus dilatih pada berbagai modalitas data seperti data EHR, data pencitraan medis, dan data genetik. Berpikir secara berbeda tentang modalitas ini menantang karena sumber data yang akurat dan dapat dipercaya yang memetakan interaksi antara semua modalitas ini sulit ditemukan. Selain itu, merepresentasikan berbagai modalitas biologis, dari dinamika seluler hingga struktur molekuler dan interaksi genetik, kompleks. Pelatihan optimal pada data manusia tidak mungkin dan tidak etis, sehingga peneliti bergantung pada model hewan atau sel yang kurang prediktif, yang menciptakan tantangan dalam menerjemahkan pengukuran laboratorium ke dalam kerja organisme utuh.
• Validasi dan Verifikasi: Model fondasi kesehatan menantang untuk divalidasi karena kemampuan luasnya. Secara tradisional, model AI divalidasi untuk tugas spesifik seperti mendiagnosis jenis kanker dari MRI. Namun, model fondasi dapat melakukan tugas baru yang tidak terlihat sebelumnya, membuatnya sulit untuk memprediksi semua mode kegagalan. Mereka memerlukan penjelasan rinci tentang pengujian dan kasus penggunaan yang disetujui dan harus mengeluarkan peringatan untuk penggunaan di luar label. Verifikasi outputnya juga kompleks, karena menangani input dan output yang beragam, potensial memerlukan panel multidisiplin untuk memastikan akurasi.
• Bias Sosial: Model ini berisiko memperkuat bias, karena dapat dilatih pada data yang underrepresentasikan kelompok tertentu atau mengandung korelasi yang bias. Mengatasi bias ini sangat penting, terutama karena skala model meningkat, yang dapat memperkuat masalah.

Jalan Menuju Masa Depan

AI Generatif telah mulai mengubah kesehatan dengan mengurangi beban dokumentasi pada klinisi, namun potensi penuhnya masih di depan. Masa depan model fondasi di kesehatan menjanjikan untuk menjadi transformatif. Bayangkan sistem kesehatan di mana diagnostik tidak hanya lebih cepat tetapi juga lebih akurat, di mana rencana perawatan disesuaikan secara presisi dengan profil genetik pasien, dan di mana obat baru dapat ditemukan dalam beberapa bulan bukan tahun.

Membangun model fondasi khusus kesehatan menimbulkan tantangan, terutama ketika datang ke integrasi data medis dan klinis yang beragam dan tersebar. Namun, hambatan ini dapat diatasi melalui upaya kolaboratif antara teknolog, klinisi, dan pembuat kebijakan. Dengan bekerja sama, kita dapat mengembangkan kerangka komersial yang mendorong berbagai pemangku kepentingan (EHR, perusahaan pencitraan, laboratorium patologi, penyedia) untuk mempersatukan data ini dan membangun arsitektur model AI yang dapat memproses interaksi kompleks dan multimodal dalam kesehatan.

Lebih lanjut, sangat penting bahwa kemajuan ini berlangsung dengan kompas etika yang jelas dan kerangka regulasi yang kuat untuk memastikan bahwa teknologi ini digunakan secara bertanggung jawab dan adil. Dengan mempertahankan standar validasi dan keadilan yang tinggi, komunitas kesehatan dapat membangun kepercayaan dan mempromosikan penerimaan di antara pasien dan praktisi.

Perjalanan menuju pengembangan model fondasi kesehatan yang sepenuhnya adalah batas baru yang menarik. Dengan menerima semangat inovatif ini, sektor kesehatan dapat mengantisipasi tidak hanya memenuhi tantangan saat ini tetapi juga mengubah sains medis. Kami berada di ambang era baru yang berani di kesehatan – satu yang penuh dengan kemungkinan dan didorong oleh janji AI untuk meningkatkan kehidupan pada skala global.