Hvordan pasientdata driver fremtiden for helsevesenet

AI‑kappløpet i helsevesenet beveger seg stadig bort fra spørsmålet om maskiner kan generere medisinsk informasjon, og mot et mer betydningsfullt spørsmål: hva skjer når AI kan arbeide med pasientdata som klinikere og forskere allerede har?

Tre nylige utviklinger peker på hvor denne endringen kan være på vei.

Først har OpenAI nylig koblet ChatGPT for Healthcare til autoriserte Epic‑elektronisk pasientjournaldata, og bringer pasientspesifikk klinisk kontekst inn i en AI‑arbeidsflyt, noe som potensielt reduserer tiden klinikere bruker på å lete gjennom fragmenterte medisinske journaler.  

Neste, PurpleLab, et data- og analysefirma innen helse, har nettopp lansert CARES, et initiativ for å støtte forskning ved å bruke deres enorme mengde virkelige helsedata. 

Og til slutt har forskere ved Harvard Medical School utviklet en AI‑modell som bruker eksisterende helsedata og genetisk informasjon for å estimere risikoen for hundrevis av sykdommer.

Sammen sett antyder de det mange i helsevesenet har spekulert om en god stund: at pasientdata kan være en av bransjens mest verdifulle eiendeler for innovasjon i omsorg.

La oss se nærmere på hver av disse nylige gjennombruddene innen pasientdata.

Fra pasientjournaler til AI‑assistenter

Den 1. september kunngjorde OpenAI en Epic‑integrasjon for ChatGPT for Healthcare som gjør det mulig for autoriserte helseorganisasjoner å bringe pasientinformasjon inn i AI‑assisterte arbeidsflyter.

Integrasjonen kan hjelpe klinikere med å gjennomgå informasjon som medisinske notater, medisiner, laboratorieresultater og tidligere møter uten å manuelt sette sammen en pasients historie fra ulike deler av journalen.

Systemet er skrivebeskyttet, noe som betyr at AI ikke endrer journalen uavhengig.

Den distinksjonen er viktig. Den umiddelbare muligheten er ikke å erstatte pasientjournalen eller la et AI‑system ta beslutninger på egen hånd. Det handler om å redusere tiden klinikere bruker på å finne og syntetisere informasjon.

OpenAI kobler også ChatGPT for Healthcare til offisielle offentlige kilder, inkludert PubMed, ClinicalTrials.gov, DailyMed og CMS‑data.

Den større idéen er kombinasjonen av pasientkontekst og ekstern medisinsk evidens i samme arbeidsflyt.

Gjør virkelige data mer nyttige for forskning

PurpleLab, et data- og analysefirma som blant annet fokuserer på Real‑World Evidence (RWE) og Real‑World Data (RWD) innen helse, lanserte nylig Center for Advancing Real‑World Evidence Studies, eller CARES, med mål om å hjelpe forskere, akademiske institusjoner, evidensnettverk og pasientfellesskap med å bruke virkelige data mer effektivt.

Betydningen går utover bare å gjøre mer data tilgjengelig.

Forskere innen helse har lenge møtt problemer med inkonsistente definisjoner, fragmenterte datasett og vanskeligheter med å reprodusere tidligere studier.

CARES er bygget rundt reproduserbar forskning, transparente metoder, akademiske partnerskap og pasient‑sentrert forskning.

PurpleLab sier at forskere kan arbeide med deres virkelige datasett for å studere behandlingsmønstre, resultater og helsekostnader innen områder som onkologi, kardiologi, mental helse og sjeldne sykdommer.

Hvis vellykket, kan initiativer som dette bidra til å omforme rutinemessig generert helseinformasjon til evidens som svarer på spørsmål tradisjonelle kliniske studier ikke alltid kan besvare så raskt.

“Virkelige bevis er sterkest når de er grundige, fagfellevurderte og delt åpent. Med PurpleLab CARES demonstrerer vi hva våre data kan gjøre i hendene på forskere, akademiske partnere og pasientfellesskap,” Scott DuVall, Senior Vice President, Real-World Evidence, at PurpleLab, sa i en bedriftsuttalelse.

Forutsi sykdom før den oppstår

Ved Harvard gjør forskningsteam pasientdata om til prediksjonsmotorer. 

En maskinlæringsmodell utviklet av forskere ved Dana-Farber Cancer Institute og Massachusetts General Hospital kan estimere en pasients risiko for 348 sykdommer ved å bruke rutinemessig innsamlede elektroniske pasientjournaler (EHR) sammen med genetisk risikoinformasjon.

Modellen, kalt Aladynoulli, ble trent og validert med data fra mer enn 683 000 pasientjournaler fra tre biobank.

Forskere sier at den kan oppdatere risikovurderinger dynamisk etter hvert som en pasient blir eldre.

Potensialet er betydelig. I stedet for å se på medisinsk historie kun som en registrering av det som allerede har skjedd, kan AI i økende grad bruke den til å identifisere mønstre knyttet til hva som kan skje neste.

Men her er forsiktighet avgjørende. Modellen har hittil blitt evaluert ved bruk av historiske pasientdata, og ytterligere forskning er nødvendig før man kan fastslå hvordan den presterer i reelle kliniske settinger.

Den virkelige utfordringen er tillit

Fremtiden for helseteknologi‑AI kan derfor avhenge mindre av hvor imponerende en algoritme virker, og mer av om dataene bak den er nøyaktige, representative, sikre og ansvarlig forvaltet.

Pasientdata kan avdekke mønstre som er vanskelige for mennesker å identifisere gjennom år med medisinsk historie. Men de samme opplysningene inneholder noen av de mest sensitive informasjonene en person genererer.

Når helseorganisasjoner kobler sammen elektroniske pasientjournaler, forskningsdatabaser og AI‑systemer, vil det sentrale spørsmålet ikke bare være om AI kan hente mer verdi fra pasientdata.

Det vil være om helsesystemet kan gjøre dette uten å miste pasientenes tillit.

Den balansen mellom bedre informasjon og ansvarlig bruk kan til slutt avgjøre hvor langt AI beveger seg fra forskningslaboratoriet inn i hverdagshelse.