Transformatorisch Potentieel van een Zorgspecifiek Foundational Model

In de afgelopen twee jaar zijn generalistische foundational models zoals GPT-4 aanzienlijk geëvolueerd, waardoor ongekende mogelijkheden ontstaan door grotere datasets, grotere modelgroottes en architectuurverbeteringen. Deze modellen zijn aanpasbaar aan een breed scala aan taken in verschillende domeinen. Echter, AI in de zorg wordt nog steeds gekenmerkt door modellen die zijn ontworpen voor specifieke taken. Bijvoorbeeld, een model getraind om röntgenfoto’s te analyseren op botbreuken zou alleen breuken identificeren en ontbreekt de mogelijkheid om uitgebreide radiologierapporten te genereren. De meeste van de 500 AI-modellen goedgekeurd door de Food and Drug Administration zijn beperkt tot één of twee gebruikscases. Echter, foundation models, bekend om hun brede toepasbaarheid over verschillende taken, zetten de toon voor een transformatieve benadering in zorgtoepassingen.

Er zijn initieel pogingen gedaan om foundational models voor medische toepassingen te ontwikkelen, maar deze bredere benadering is nog niet algemeen in de zorg-AI. Deze trage adoptie is voornamelijk te wijten aan de uitdagingen verbonden aan het toegang krijgen tot grote en diverse zorgdatasets, evenals de noodzaak voor modellen om te redeneren over verschillende soorten medische gegevens. De praktijk van de zorg is inherent multimodaal en omvat informatie van beelden, elektronische gezondheidsdossiers (EHR’s), sensoren, wearables, genomics en meer. Dus, een foundational zorgmodel moet ook inherent multimodaal zijn. Niettemin, recente vooruitgang in multimodale architectuur en zelf-supervised learning, die verschillende gegevenstypen kan verwerken zonder gelabelde gegevens nodig te hebben, baant de weg voor een zorg-foundational model.

Huidige Staat van Generatieve AI in de Zorg

De zorg heeft traditioneel langzaam technologie geadopteerd, maar lijkt generatieve AI sneller te hebben omarmd. Op HIMSS24, de grootste wereldwijde conferentie voor zorgtechnologieprofessionals, was generatieve AI het middelpunt van bijna elke presentatie.

Een van de eerste gebruikscases van generatieve AI in de zorg die breed is geadopteerd, is het verlichten van de administratieve last van klinische documentatie. Traditioneel verbruikt het documenteren van patiëntinteracties en zorgprocessen een aanzienlijk deel van de tijd van artsen (>2 uur per dag), vaak ten koste van directe patiëntenzorg.

AI-modellen zoals GPT-4 of MedPalm-2 worden gebruikt om patiëntgegevens en arts-patiëntinteracties te monitoren om belangrijke documenten zoals voortgangsnotities, ontslagrapporten en verwijzingsbrieven op te stellen. Deze ontwerpen vangen essentiële informatie nauwkeurig op, waardoor alleen artsbeoordeling en goedkeuring nodig is. Dit vermindert aanzienlijk de tijd die besteed wordt aan papierwerk, waardoor artsen zich meer kunnen richten op patiëntenzorg, de kwaliteit van de dienstverlening kunnen verbeteren en burn-out kunnen verminderen.

Echter, de bredere toepassingen van foundational models in de zorg hebben nog niet volledig gematerialiseerd. Generalistische foundational models zoals GPT-4 hebben verschillende beperkingen; dus is er een behoefte aan een zorgspecifiek foundational model. Bijvoorbeeld, GPT-4 ontbreekt de mogelijkheid om medische beelden te analyseren of longitudinale patiëntgegevens te begrijpen, wat essentieel is voor het verstrekken van nauwkeurige diagnoses. Bovendien bezit het niet de meest actuele medische kennis, aangezien het is getraind op gegevens die alleen beschikbaar waren tot december 2023. Google’s MedPalm-2 vertegenwoordigt de eerste poging om een zorgspecifiek foundational model te bouwen, dat zowel in staat is om medische vragen te beantwoorden als om over medische beelden te redeneren. Echter, het vangt nog niet de volledige potentie van AI in de zorg.

Bouwen van een Zorgspecifiek Foundational Model

Het proces van het bouwen van een zorgspecifiek foundational model begint met gegevens afkomstig van zowel openbare als private bronnen, waaronder biobanken, experimentele gegevens en patiëntdossiers. Dit model zou in staat zijn om verschillende gegevenstypen te verwerken en te combineren, zoals tekst met beelden of laboratoriumresultaten, om complexe medische taken uit te voeren.

Bovendien zou het in staat zijn om over nieuwe situaties te redeneren en zijn uitvoer te articuleren in medisch precieze taal. Deze mogelijkheid strekt zich uit tot het afleiden en gebruiken van causale relaties tussen medische concepten en klinische gegevens, vooral bij het verstrekken van behandelingaanbevelingen op basis van observationele gegevens. Bijvoorbeeld, het zou acute respiratoire distresssyndroom kunnen voorspellen van recente ernstige thoraxtrauma en dalende arteriële zuurstofniveaus, ondanks een toegenomen zuurstoftoevoer.

Verder zou het model contextuele informatie uit bronnen zoals kennisgraphen of databases kunnen benaderen om actuele medische kennis te verkrijgen, waardoor zijn redenering wordt verbeterd en ervoor wordt gezorgd dat zijn advies de laatste ontwikkelingen in de geneeskunde weerspiegelt.

Toepassingen en Impact van een Zorgspecifiek Foundational Model

De potentiële toepassingen van een zorgspecifiek foundational model zijn uitgebreid. In diagnostiek zou een dergelijk model de afhankelijkheid van menselijke analyse kunnen verminderen. Voor behandelingsplanning zou het model kunnen helpen bij het opstellen van individuele behandelingsstrategieën door rekening te houden met het volledige medische dossier van de patiënt, genetische details en leefstijlfactoren. Andere toepassingen omvatten:

• Gegrond radiologierapporten: Het zorgspecifiek foundational model kan de digitale radiologie transformeren door het creëren van veelzijdige assistenten die radiologen ondersteunen door het automatiseren van rapportopstelling en het verminderen van de werklast. Het zou ook in staat zijn om de volledige patiëntgeschiedenis te integreren. Bijvoorbeeld, radiologen kunnen het model vragen stellen over veranderingen in de toestand in de loop van de tijd: “Kunt u veranderingen in de tumorgrootte sinds de laatste scan identificeren?”
• Bedside Klinische Beslissingsondersteuning: Door het benutten van klinische kennis, zou het model duidelijke, vrije-tekstverklaringen en gegevenssamenvattingen kunnen bieden, waardoor medisch personeel wordt gewaarschuwd voor directe patiënt risico’s en suggesties doen voor de volgende stappen. Bijvoorbeeld, het model zou kunnen waarschuwen: “Waarschuwing: deze patiënt is op het punt om in shock te raken,” en links kunnen bieden naar relevante gegevenssamenvattingen en actielijsten.
• Geneesmiddelontdekking: Het ontwerpen van eiwitten die specifiek en sterk binden aan een doelwit is de basis van geneesmiddelontdekking. Vroege modellen zoals RFdiffusion zijn begonnen met het genereren van eiwitten op basis van basisinvoer zoals een doelwit voor binding. Door te bouwen op deze initiële modellen, kan een zorgspecifiek foundational model getraind worden om zowel taal als eiwitsequenties te begrijpen. Dit zou het mogelijk maken om een tekstgebaseerd interface te bieden voor het ontwerpen van eiwitten, waardoor de ontwikkeling van nieuwe geneesmiddelen mogelijk sneller kan verlopen

Uitdagingen

Hoewel het bouwen van een zorgspecifiek foundational model het uiteindelijke doel blijft, en recente vooruitgang het meer haalbaar heeft gemaakt, zijn er nog steeds significante uitdagingen in het ontwikkelen van één model dat in staat is om over diverse medische concepten te redeneren:

• Gegevenskaart met meerdere modaliteiten: Het model moet getraind worden op verschillende gegevensmodaliteiten, zoals EHR-gegevens, medische beeldgegevens en genetische gegevens. Redeneren over deze modaliteiten is uitdagend omdat het verkrijgen van hoogwaardige gegevens die nauwkeurig de interacties over alle modaliteiten in kaart brengen moeilijk is. Bovendien is het representeren van verschillende biologische modaliteiten, van cel dynamiek tot moleculaire structuren en genome-wide genetische interacties, complex. Optimaal trainen op humane gegevens is onhaalbaar en onethisch, dus onderzoekers vertrouwen op minder voorspellende diermodellen of celculturen, wat een uitdaging vormt bij het vertalen van laboratoriummetingen naar de complexe werking van hele organismen.
• Validatie en Verificatie: Zorgspecifieke foundational modellen zijn moeilijk te valideren vanwege hun veelzijdigheid. Traditioneel worden AI-modellen gevalideerd voor specifieke taken zoals het diagnosticeren van een type kanker vanuit een MRI. Echter, foundational modellen kunnen nieuwe, ongeziene taken uitvoeren, waardoor het moeilijk is om alle mogelijke foutmodi te anticiperen. Zij vereisen gedetailleerde verklaringen van hun testen en goedgekeurde gebruikscases en moeten waarschuwingen geven voor off-label gebruik. Het verifiëren van hun uitvoer is ook complex, aangezien zij diverse invoer en uitvoer hanteren, mogelijk een multidisciplinaire commissie vereisen om de nauwkeurigheid te garanderen.
• Sociale Vooroordelen: Deze modellen lopen het risico om vooroordelen te versterken, aangezien zij getraind kunnen worden op gegevens die bepaalde groepen ondervertegenwoordigen of bevooroordeelde correlaties bevatten. Het aanpakken van deze vooroordelen is cruciaal, vooral aangezien de schaal van modellen toeneemt, wat het probleem kan verergeren.

Weg Vooruit

Generatieve AI heeft al begonnen de zorg te transformeren door de documentatie-last op clinici te verlichten, maar de volledige potentie ligt nog in het verschiet. De toekomst van foundational modellen in de zorg belooft transformatief te zijn. Stel u een zorgsysteem voor waarin diagnostiek niet alleen sneller maar ook nauwkeuriger is, waar behandelingsplannen precies zijn afgestemd op de genetische profielen van individuele patiënten en waar nieuwe geneesmiddelen in een paar maanden kunnen worden ontdekt in plaats van jaren.

Het creëren van een zorgspecifiek foundational AI-model presenteert uitdagingen, vooral bij het integreren van de diverse en verspreide medische en klinische gegevens. Echter, deze obstakels kunnen worden aangepakt door samenwerkingsinspanningen tussen technologen, clinici en beleidsmakers. Door samen te werken, kunnen wij commerciële kaders ontwikkelen die verschillende stakeholders (EHR’s, beeldvormingsbedrijven, pathologie-laboratoria, zorgverleners) stimuleren om deze gegevens te verenigen en AI-modelarchitecturen te bouwen die complexe, multimodale interacties in de zorg kunnen verwerken.

Bovendien is het cruciaal dat deze vooruitgang plaatsvindt met een duidelijke ethische kompas en robuuste regelgevingskaders om ervoor te zorgen dat deze technologieën op een verantwoorde en eerlijke manier worden gebruikt. Door hoge standaarden van validatie en eerlijkheid te handhaven, kan de zorggemeenschap vertrouwen opbouwen en acceptatie stimuleren onder zowel patiënten als praktijkbeoefenaren.

De reis naar het volledig realiseren van de potentie van zorgspecifieke foundational modellen is een spannende frontier. Door deze innovatieve geest te omarmen, kan de zorgsector niet alleen de huidige uitdagingen aanpakken, maar ook de medische wetenschap transformeren. Wij staan aan de vooravond van een nieuwe tijdperk in de zorg – een tijdperk vol mogelijkheden en gedreven door de belofte van AI om levens wereldwijd te verbeteren.