Sveikatos priežiūrai būdingo pagrindinio modelio transformacinis potencialas

Per pastaruosius dvejus metus bendrieji pagrindiniai modeliai, tokie kaip GPT-4, gerokai išsivystė ir siūlo precedento neturinčias galimybes dėl didesnių duomenų rinkinių, didesnių modelių dydžių ir architektūrinių patobulinimų. Šie modeliai pritaikomi įvairioms užduotims įvairiose srityse. Tačiau sveikatos priežiūros dirbtinis intelektas vis dar pasižymi modeliais, sukurtais konkrečioms užduotims atlikti. Pavyzdžiui, modelis, išmokytas analizuoti rentgeno spindulius dėl kaulų lūžių, tik nustatytų lūžius ir negalėtų sudaryti išsamių radiologijos ataskaitų. Dauguma 500 AI modeliai Maisto ir vaistų administracijos patvirtintas naudojimas yra tik vienas ar du. Tačiau pagrindų modeliai, žinomi dėl plataus pritaikomumo įvairiose užduotyse, sudaro pagrindą transformuojančiam požiūriui į sveikatos priežiūros programas.

Nors iš pradžių buvo bandoma sukurti pagrindinius medicinos taikymo modelius, šis platesnis požiūris dar nėra paplitęs sveikatos priežiūros AI. Šis lėtas pritaikymas daugiausia susijęs su iššūkiais, susijusiais su prieiga prie didelių ir įvairių sveikatos priežiūros duomenų rinkinių, taip pat dėl ​​to, kad modeliai, skirti pagrįstai įvairių tipų medicininius duomenis, reikalingi. Sveikatos priežiūros praktika iš esmės yra daugiarūšė ir apima informaciją iš vaizdų, elektroninių sveikatos įrašų (EHR), jutiklių, nešiojamų prietaisų, genomikos ir kt. Taigi pagrindinis sveikatos priežiūros modelis taip pat turi būti daugiarūšis. Nepaisant to, naujausia pažanga daugiarūšių architektūrų ir savarankiškai prižiūrimo mokymosi srityje, kuri gali apdoroti įvairius duomenų tipus nereikalaujant pažymėtų duomenų, atveria kelią sveikatos priežiūros pagrindiniam modeliui.

Dabartinė generuojamojo dirbtinio intelekto būklė sveikatos priežiūros srityje

Sveikatos priežiūra tradiciškai lėtai įsisavino technologijas, tačiau atrodo, kad ji buvo priimta Generatyvinis AI greičiau. HIMSS24, didžiausioje pasaulinėje sveikatos priežiūros technologijų specialistų konferencijoje, „Generative AI“ buvo beveik kiekvieno pranešimo akcentas.

Vienas iš pirmųjų generatyvaus dirbtinio intelekto naudojimo atvejų sveikatos priežiūros srityje, kuris buvo plačiai pritaikytas, yra skirtas palengvinti administracinį klinikinės dokumentacijos krūvį. Tradiciškai pacientų sąveikos ir priežiūros procesų dokumentavimas užima didelę gydytojų laiko dalį (> 2 val. per dieną), o tai dažnai atima juos nuo tiesioginės pacientų priežiūros.

AI modeliai, tokie kaip GPT-4 arba MedPalm-2, naudojami pacientų duomenims stebėti ir gydytojo bei paciento sąveikai rengiant pagrindinius dokumentus, tokius kaip pažangos pastabos, išrašymo santraukos ir siuntimo laiškai. Šiuose juodraščiuose tiksliai užfiksuota esminė informacija, todėl reikia tik gydytojo peržiūros ir patvirtinimo. Tai žymiai sumažina dokumentų tvarkymo laiką, leidžia gydytojams daugiau dėmesio skirti pacientų priežiūrai, gerina paslaugų kokybę ir mažina perdegimą.

Tačiau platesnis pagrindinių modelių taikymas sveikatos priežiūros srityje dar turi būti visiškai įgyvendintas. Bendrieji pagrindiniai modeliai, tokie kaip GPT-4, turi keletą apribojimų; taigi, reikalingas konkrečiai sveikatos priežiūrai skirtas pamatinis modelis. Pavyzdžiui, GPT-4 neturi galimybės analizuoti medicininių vaizdų arba suprasti išilginius paciento duomenis, o tai labai svarbu norint nustatyti tikslią diagnozę. Be to, jis neturi pačių naujausių medicinos žinių, nes buvo apmokytas remiantis duomenimis, turimais tik iki 2023 m. gruodžio mėn. „Google“ MedPalm-2 yra pirmasis bandymas sukurti konkrečiai sveikatos priežiūrai skirtą pagrindinį modelį, galintį atsakyti į abi puses. medicininės užklausos ir samprotavimai apie medicininius vaizdus. Tačiau jis vis dar neišnaudoja viso AI potencialo sveikatos priežiūros srityje.

Sveikatos priežiūros pagrindinio modelio kūrimas

Sveikatos priežiūros pagrindinio modelio kūrimo procesas prasideda nuo duomenų, gautų iš viešųjų ir privačių šaltinių, įskaitant biobankus, eksperimentinius duomenis ir pacientų įrašus. Šis modelis galėtų apdoroti ir derinti skirtingus duomenų tipus, pavyzdžiui, tekstą su vaizdais ar laboratorinius rezultatus, kad būtų galima atlikti sudėtingas medicinines užduotis.

Be to, jis galėtų samprotauti apie naujas situacijas ir suformuluoti savo rezultatus mediciniškai tikslia kalba. Ši galimybė apima priežastinius ryšius tarp medicininių sampratų ir klinikinių duomenų daryti ir juos panaudoti, ypač teikiant gydymo rekomendacijas remiantis stebėjimo duomenimis. Pavyzdžiui, jis gali numatyti ūminį kvėpavimo distreso sindromą dėl neseniai patirtos sunkios krūtinės traumos ir mažėjančio arterinio deguonies kiekio, nepaisant padidėjusio deguonies tiekimo.

Be to, modelis galėtų pasiekti kontekstinę informaciją iš išteklių, pvz., žinių grafikų ar duomenų bazių, kad būtų galima gauti naujausių medicinos žinių, patobulinti jo samprotavimus ir užtikrinti, kad jo patarimai atspindėtų naujausius medicinos pasiekimus.

Sveikatos priežiūros pagrindinio modelio taikymas ir poveikis

Galimas sveikatos priežiūros pagrindinio modelio panaudojimas yra platus. Diagnostikoje toks modelis galėtų sumažinti priklausomybę nuo žmogaus analizės. Planuojant gydymą, modelis galėtų padėti kurti individualizuotas gydymo strategijas, atsižvelgiant į visą paciento medicininį įrašą, genetinę informaciją ir gyvenimo būdo veiksnius. Kai kurios kitos programos apima:

• Pagrįstos radiologijos ataskaitos: Sveikatos priežiūros pamatinis modelis gali pakeisti skaitmeninę radiologiją, sukurdamas universalius padėjėjus, kurie padeda radiologams automatizuoti ataskaitų rengimą ir sumažinti darbo krūvį. Taip pat būtų galima integruoti visą paciento istoriją. Pavyzdžiui, radiologai gali paklausti modelio apie sąlygų pokyčius laikui bėgant: „Ar galite nustatyti naviko dydžio pokyčius po paskutinio skenavimo?
• Klinikinių sprendimų palaikymas prie lovos: Pasitelkus klinikines žinias, būtų pateikti aiškūs laisvo teksto paaiškinimai ir duomenų santraukos, įspėjantis medicinos personalą apie neatidėliotiną pavojų pacientams ir siūlomus tolesnius veiksmus. Pavyzdžiui, modelio debesies įspėjimas „Įspėjimas: šį pacientą netrukus ištiks šokas“ ir pateikite nuorodas į atitinkamų duomenų santraukas ir veiksmų kontrolinius sąrašus.
• Narkotikų atradimas: Sukurti baltymus, kurie specifiškai ir stipriai jungiasi su taikiniu, yra vaistų atradimo pagrindas. Ankstyvieji modeliai, tokie kaip RFdiffusion, pradėjo generuoti baltymus, pagrįstus pagrindinėmis įvestimis, tokiomis kaip surišimo taikinys. Remiantis šiais pradiniais modeliais, sveikatos priežiūrai skirtas pagrindinis modelis galėtų būti išmokytas suprasti kalbos ir baltymų sekas. Tai leistų pasiūlyti tekstinę sąsają baltymams kurti, o tai gali pagreitinti naujų vaistų kūrimą

Iššūkiai

Nors sveikatos priežiūrai būdingo pagrindinio modelio kūrimas išlieka galutinis tikslas, o dėl pastarojo meto pažangos tai tapo labiau įmanoma, vis dar kyla didelių iššūkių kuriant vieną modelį, galintį pagrįsti įvairias medicinos koncepcijas:

• Duomenų atvaizdavimas keliais būdais: Modelis turi būti apmokytas naudoti įvairius duomenų būdus, pvz., EHR duomenis, medicininio vaizdo duomenis ir genetinius duomenis. Šių būdų samprotavimas yra sudėtingas, nes sunku gauti didelio tikslumo duomenis, kurie tiksliai atvaizduotų visų šių būdų sąveiką. Be to, sudėtinga reprezentuoti įvairius biologinius būdus, nuo ląstelių dinamikos iki molekulinių struktūrų ir genomo masto genetinės sąveikos. Optimalus žmonių duomenų mokymas yra neįgyvendinamas ir neetiškas, todėl mokslininkai remiasi mažiau prognozuojančiais gyvūnų modeliais ar ląstelių linijomis, o tai sukuria iššūkį laboratorinius matavimus paversti sudėtingu ištisų organizmų veikimu.
• Patvirtinimas ir patikrinimas: Sveikatos priežiūros pagrindinius modelius sunku patvirtinti dėl jų universalumo. Tradiciškai dirbtinio intelekto modeliai yra patvirtinami tam tikroms užduotims, pvz., diagnozuojant vėžio tipą naudojant MRT. Tačiau pagrindiniai modeliai gali atlikti naujas, nematomas užduotis, todėl sunku numatyti visus galimus gedimo būdus. Jie reikalauja išsamių paaiškinimų apie jų bandymus ir patvirtintus naudojimo atvejus ir turėtų pateikti įspėjimus dėl naudojimo ne pagal etiketę. Jų rezultatų tikrinimas taip pat yra sudėtingas, nes jie tvarko įvairius įvesties ir išvesties duomenis, todėl tikslumui užtikrinti gali prireikti daugiadalykės grupės.
• Socialiniai polinkiai: Šie modeliai rizikuoja išlaikyti šališkumą, nes jie gali mokytis remiantis duomenimis, kurie nepakankamai reprezentuoja tam tikras grupes arba turi šališkų koreliacijų. Labai svarbu pašalinti šiuos šališkumus, ypač didėjant modelių mastui, o tai gali sustiprinti problemą.

Kelias Pirmyn

Generatyvusis dirbtinis intelektas jau pradėjo pertvarkyti sveikatos priežiūrą, sumažindama gydytojams tenkančią dokumentų naštą, tačiau visas jos potencialas dar laukia. Pamatinių sveikatos priežiūros modelių ateitis žada būti permaininga. Įsivaizduokite sveikatos priežiūros sistemą, kurioje diagnostika yra ne tik greitesnė, bet ir tikslesnė, kur gydymo planai yra tiksliai pritaikyti prie atskirų pacientų genetinių profilių, o nauji vaistai gali būti atrasti per kelis mėnesius, o ne metus.

Sveikatos priežiūrai skirto pagrindinio AI modelio sukūrimas kelia iššūkių, ypač kai reikia integruoti įvairius ir išsibarsčiusius medicininius ir klinikinius duomenis. Tačiau šias kliūtis galima pašalinti bendradarbiaujant technologams, gydytojams ir politikos formuotojams. Dirbdami kartu galime sukurti komercines sistemas, kurios paskatintų įvairias suinteresuotąsias šalis (EHR, vaizdo gavimo įmones, patologijos laboratorijas, paslaugų teikėjus) suvienodinti šiuos duomenis ir sukurti AI modelių architektūras, galinčias apdoroti sudėtingas daugiarūšes sąveikas sveikatos priežiūros srityje.

Be to, labai svarbu, kad ši pažanga vyktų laikantis aiškaus etikos kompaso ir tvirtų reguliavimo sistemų, siekiant užtikrinti, kad šios technologijos būtų naudojamos atsakingai ir nešališkai. Išlaikydama aukštus patvirtinimo ir sąžiningumo standartus, sveikatos priežiūros bendruomenė gali sukurti pasitikėjimą ir skatinti pacientų ir praktikų priėmimą.

Kelionė link visiško sveikatos priežiūros pagrindinių modelių potencialo realizavimo yra įdomi riba. Priimdamas šią naujovišką dvasią, sveikatos priežiūros sektorius gali ne tik susidoroti su dabartiniais iššūkiais, bet ir pakeisti medicinos mokslą. Esame ant naujos, drąsios sveikatos priežiūros eros slenksčio – tokią, kuri yra kupina galimybių ir skatinama dirbtinio intelekto pažado pagerinti gyvenimą pasauliniu mastu.