Transformasjonspotensialet til en helsetjenestespesifikk grunnmodell

I løpet av de siste to årene har generalistiske grunnmodeller som GPT-4 utviklet seg betydelig, og tilbyr utenforliggende evner på grunn av større datamengder, økte modellstørrelser og arkitekturforbedringer. Disse modellene er tilpassbare til en rekke oppgaver over ulike felt. Likevel er helseteknologi ennå preget av modeller designet for bestemte oppgaver. For eksempel ville en modell trent til å analysere røntgenbilder for beinbrudd bare identifisere brudd og mangle evnen til å generere omfattende radiologirapporter. De fleste av 500 AI-modeller godkjent av Food and Drug Administration er begrenset til en eller to brukssituasjoner. Likevel setter grunnmodeller, kjent for sin brede anvendelighet over ulike oppgaver, scenen for en transformasjon i helseteknologiske anvendelser.

Det har vært initialt forsøk på å utvikle grunnmodeller for medisinske anvendelser, men denne bredere tilnærmingen har ennå ikke blitt vanlig i helseteknologi. Dette langsomme oppaket er hovedsakelig på grunn av utfordringene forbundet med å få tilgang til store og diverse helseteknologidatamengder, samt behovet for modeller som kan resonere over ulike typer medisinske data. Praksisen av helsetjenester er i seg selv multimodal og inkorporerer informasjon fra bilder, elektroniske helsejournaler (EHR), sensorer, wearables, genetikk og mer. Derfor må en grunnmodell for helsetjenester også være i seg selv multimodal. Likevel er nylig fremgang i multimodale arkitekturer og selv-overvåket læring, som kan håndtere ulike datatyper uten å trenge merket data, på vei til å åpne opp for en helsetjenestegrunnmodell.

Aktuell tilstand av generativ AI i helsetjenester

Helsetjenester har tradisjonelt vært langsomme til å adoptere teknologi, men det ser ut til at de har omfavnet generativ AI raskere. På HIMSS24, den største globale konferansen for helseteknologiprofesjonelle, var generativ AI fokusområdet for nesten hver presentasjon.

En av de første bruksområdene for generativ AI i helsetjenester som har sett omfattende adopsjon, fokuserer på å lettet den administrative byrden av klinisk dokumentasjon. Tradisjonelt forbruker dokumentasjon av pasientinteraksjoner og behandlingsprosesser en betydelig del av legers tid (>2 timer per dag), ofte distraherende dem fra direkte pasientbehandling.

AI-modeller som GPT-4 eller MedPalm-2 brukes til å overvåke pasientdata og lege-pasientinteraksjoner for å utarbeide nøkledokumenter som fremgangsnotater, utskrivningssummeringer og henvisningsbrev. Disse utkastene fanger essensiell informasjon nøyaktig, og krever bare legegjennomgang og godkjenning. Dette reduserer betydelig papirarbeid, og lar legene fokusere mer på pasientbehandling, forbedre kvaliteten på tjenesten og redusere utbrenthet.

Likevel har de bredere anvendelsene av grunnmodeller i helsetjenester ennå ikke fullt ut materialisert. Generalistiske grunnmodeller som GPT-4 har flere begrensninger; derfor er det behov for en helsetjenestespesifikk grunnmodell. For eksempel mangler GPT-4 evnen til å analysere medisinske bilder eller forstå langsiktige pasientdata, som er kritisk for å gi nøyaktige diagnoser. I tillegg har den ikke den mest oppdaterte medisinske kunnskapen, ettersom den ble trent på data tilgjengelig bare opp til desember 2023. Google’s MedPalm-2 representerer det første forsøket på å bygge en helsetjenestespesifikk grunnmodell, i stand til både å svare på medisinske spørsmål og å resonere om medisinske bilder. Likevel fanger den ennå ikke fullt potensialet for AI i helsetjenester.

Bygging av en helsetjenestegrunnmodell

Prosessen med å bygge en helsetjenestegrunnmodell begynner med data fra både offentlige og private kilder, inkludert biobanker, eksperimentelle data og pasientjournaler. Denne modellen ville være i stand til å prosessere og kombinere ulike datatyper, som tekst med bilder eller laboratorieresultater, for å utføre komplekse medisinske oppgaver.

I tillegg kunne den resonere om nye situasjoner og artikulere sine utdata i medisinsk presis språk. Denne evnen utvides til å slutte og bruke årsaksforhold mellom medisinske begreper og kliniske data, spesielt når det gjelder å gi behandlingsanbefalinger basert på observasjonsdata. For eksempel kunne den forutsi akutt respirasjonsdistresssyndrom fra nylig alvorlig thoraxtraume og synkende arterielt oksygeninnhold, til tross for økt oksygentilførsel.

I tillegg ville modellen få tilgang til kontekstinformasjon fra ressurser som kunnskapsgrafer eller databaser for å oppnå oppdatert medisinsk kunnskap, og forbedre sin resonnering og sikre at dens råd reflekterer de siste fremgangene i medisin.

Anvendelser og påvirkning av en helsetjenestegrunnmodell

De potensielle anvendelsene for en helsetjenestegrunnmodell er omfattende. I diagnostikk kunne en slik modell redusere avhengigheten av menneskelig analyse. For behandlingsplanlegging kunne modellen bidra til å utarbeide individualiserte behandlingsstrategier ved å vurdere en pasients hele medisinske journal, genetiske detaljer og livsstilsfaktorer. Andre anvendelser inkluderer:

• Basert radiologirapportering: Helsetjenestegrunnmodellen kan transformere digital radiologi ved å skape fleksible assistenter som støtter radiologer ved å automatisere rapportutforming og redusere arbeidsbyrde. Den ville også være i stand til å integrere hele pasienthistorikk. For eksempel kunne radiologer spørre modellen om endringer i tilstand over tid: “Kan du identifisere noen endringer i svulststørrelsen siden siste skanning?”
• Bedside klinisk beslutningsstøtte: Ved å utnytte klinisk kunnskap, ville den tilby klare, fritekstlige forklaringer og datasammendrag, og advare medisinsk personale om umiddelbare pasientrisiko og foreslå neste skritt. For eksempel kunne modellen varsle, “Advarsel: Denne pasienten er på vei til å gå i sjokk,” og gi lenker til relevante datasammendrag og sjekklister for handling.
• Legemiddelforskning: Design av proteiner som binder spesifikt og sterkt til et mål er grunnlaget for legemiddelforskning. Tidlige modeller som RFdiffusion har begynt å generere proteiner basert på grunnleggende inndata som et mål for binding. Bygging på disse tidlige modellene, kunne en helsetjenestespesifikk grunnmodell bli trent til å forstå både språk og proteinsammensetning. Dette ville tillate den å tilby en tekstbasert grensesnitt for å designe proteiner, potensielt å akselerere utviklingen av nye legemidler.

Utfordringer

Selv om bygging av en helsetjenestespesifikk grunnmodell ennå er det ultimate målet, og nylig fremgang har gjort det mer mulig, finnes det fortsatt betydelige utfordringer i å utvikle en enkelt modell som kan resonere over ulike medisinske begreper:

• Datakartlegging av multiple modaliteter: Modellen må bli trent på ulike datamodaliteter som EHR-data, medisinske bilde-data og genetisk data. Resonnering over disse modalitetene er utfordrende fordi kilde høytroverdig data som nøyaktig kartlegger interaksjoner over alle disse modalitetene er vanskelig. I tillegg er representasjon av ulike biologiske modaliteter, fra cellulære dynamikker til molekylærstrukturer og genomvid genetiske interaksjoner, kompleks. Optimal trening på menneskelig data er uaktuelt og uegentlig, så forskere avhenger av mindre prediktive dyremodeller eller cellelinjer, som skaper en utfordring i å oversette laboratoriemålinger til de intrikate funksjonene i hele organismer.
• Validering og verifisering: Helsetjenestegrunnmodeller er utfordrende å validere på grunn av deres fleksibilitet. Tradisjonelt blir AI-modeller validert for bestemte oppgaver som å diagnostisere en type kreft fra en MRI. Likevel kan grunnmodeller utføre nye, usette oppgaver, og det er vanskelig å forutsi alle mulige feilmoduser. De krever detaljerte forklaringer av deres testing og godkjente bruksområder, og bør utstede advarsler for bruk utenfor godkjente områder. Verifisering av deres utdata er også kompleks, ettersom de håndterer ulike inndata og utdata, potensielt krever en tverrfaglig panel for å sikre nøyaktighet.
• Sosiale fordommer: Disse modellene risikerer å videreformidle fordommer, ettersom de kan bli trent på data som underrepresenterer bestemte grupper eller inneholder fordomsfulle korrelasjoner. Å håndtere disse fordommene er kritisk, spesielt ettersom modellens størrelse øker, og kan intensivere problemet.

Veien framover

Generativ AI har allerede begynt å omforme helsetjenester ved å lettet den administrative byrden på kliniker, men dens fullt potensiale ligger foran. Fremtiden for grunnmodeller i helsetjenester lover å være transformasjonell. Tenk deg en helsetjeneste hvor diagnostikk ikke bare er raskere, men også mer nøyaktig, hvor behandlingsplaner er nøyaktig tilpasset enkeltindividets genetiske profiler, og hvor nye legemidler kunne bli oppdaget på noen måneder i stedet for år.

Opprettelse av en helsetjenestespesifikk grunnmodell presenterer utfordringer, spesielt når det gjelder å integrere de ulike og spredte medisinske og kliniske data. Likevel kan disse hindringene bli overvunnet gjennom samarbeid mellom teknologer, kliniker og politikere. Ved å arbeide sammen, kan vi utvikle kommersielle rammer som incentiviserer ulike interessenter (EHR, bilde-selskaper, patologilaboratorier, tjenesteytere) til å samordne disse dataene og konstruere AI-modellarkitekturer som kan håndtere komplekse, multimodale interaksjoner innen helsetjenester.

I tillegg er det kritisk at denne fremgangen skjer med en tydelig etisk kompass og robuste reguleringsrammer for å sikre at disse teknologiene brukes ansvarlig og rettferdig. Ved å opprettholde høye standarder for validering og rettferdighet, kan helsetjenestesamfunnet bygge tillit og fremme aksept blant både pasienter og praktikere.

Reisen mot å fullt ut realisere potensialet for helsetjenestegrunnmodeller er en spennende grense. Ved å omfavne denne innovative ånden, kan helsetjenestesektoren forvente ikke bare å møte nåværende utfordringer, men også å transformere medisinsk vitenskap. Vi står på terskelen til en ny æra i helsetjenester – en æra som myldrer med muligheter og drives av løftet om AI til å forbedre liv på en global skala.