Jak dane pacjentów kształtują przyszłość opieki zdrowotnej

Wyścig AI w opiece zdrowotnej coraz bardziej odsuwa się od pytania, czy maszyny mogą generować informacje medyczne, i zmierza w stronę bardziej istotnego: co się stanie, gdy AI będzie mogło pracować z danymi pacjentów, które klinicyści i badacze już posiadają?

Trzy niedawne osiągnięcia wskazują, dokąd może zmierzać ta zmiana.

Po pierwsze, OpenAI niedawno połączyło ChatGPT for Healthcare z autoryzowanymi Epic danymi elektronicznych rekordów zdrowotnych, wprowadzając kontekst kliniczny specyficzny dla pacjenta do przepływu pracy AI i potencjalnie skracając czas, jaki klinicyści spędzają na przeszukiwaniu rozproszonych rekordów medycznych.  

Następnie PurpleLab, firma zajmująca się danymi i analizą w opiece zdrowotnej, właśnie uruchomił CARES, inicjatywę wspierającą badania wykorzystujące jej ogromną ilość rzeczywistych danych zdrowotnych. 

A na koniec, badacze z Harvard Medical School opracowali model AI, który wykorzystuje istniejące rekordy zdrowotne i informacje genetyczne do oszacowania ryzyka setek chorób.

Razem sugerują to, co wielu w sektorze opieki zdrowotnej spekulowało od dłuższego czasu: że dane pacjentów mogą być jednym z najcenniejszych zasobów przemysłu opieki zdrowotnej dla innowacji w leczeniu. 

Przyjrzyjmy się bliżej każdemu z tych niedawnych przełomów w danych pacjentów. 

Od EHR do Asystentów AI

1 września OpenAI ogłosiło integrację z Epic dla ChatGPT for Healthcare, która umożliwia autoryzowanym organizacjom opieki zdrowotnej wprowadzanie informacji o pacjentach do przepływów pracy wspomaganych przez AI.

Integracja może pomóc klinicystom przeglądać informacje, takie jak notatki medyczne, leki, wyniki laboratoryjne i wcześniejsze wizyty, bez ręcznego składania historii pacjenta z różnych części rekordu. 

System jest tylko do odczytu, co oznacza, że AI nie modyfikuje samodzielnie rekordu medycznego.

To rozróżnienie ma znaczenie. Natychmiastowa szansa nie polega na zastąpieniu EHR ani na pozwoleniu systemowi AI na samodzielne podejmowanie decyzji. Chodzi o skrócenie czasu, jaki klinicyści poświęcają na znajdowanie i syntezowanie informacji.

OpenAI łączy również ChatGPT for Healthcare z oficjalnymi źródłami publicznymi, w tym PubMed, ClinicalTrials.gov, DailyMed oraz danymi CMS. 

Szersza koncepcja to połączenie kontekstu pacjenta i zewnętrznych dowodów medycznych w tym samym przepływie pracy.

Uczynienie danych rzeczywistych bardziej użytecznymi w badaniach

PurpleLab, firma zajmująca się danymi i analizą, koncentrująca się m.in. na Real-World Evidence (RWE) i Real-World Data (RWD) w sektorze opieki zdrowotnej, niedawno uruchomiła Centrum Rozwoju Badań nad Rzeczywistymi Dowodami (CARES), skupiając się na pomocy badaczom, instytucjom akademickim, sieciom dowodowym i społecznościom pacjentów w efektywniejszym wykorzystaniu danych rzeczywistych.

Znaczenie wykracza poza samo udostępnianie większej ilości danych. 

Badacze w dziedzinie opieki zdrowotnej od dawna borykają się z problemami takimi jak niespójne definicje, rozproszone zestawy danych oraz trudności w powtarzaniu wcześniejszych badań.

CARES jest zaprojektowane wokół badań reprodukowalnych, przejrzystych metod, partnerstw akademickich oraz badań skoncentrowanych na pacjencie. 

PurpleLab twierdzi, że badacze mogą korzystać z jej rzeczywistych zestawów danych, aby badać wzorce leczenia, wyniki oraz koszty opieki zdrowotnej w obszarach takich jak onkologia, kardiologia, zdrowie psychiczne i choroby rzadkie.

Jeśli się powiedzie, inicjatywy takie jak ta mogą pomóc przekształcić rutynowo generowane informacje medyczne w dowody, które odpowiadają na pytania, na które tradycyjne badania kliniczne nie zawsze mogą szybko odpowiedzieć.

„Rzeczywiste dowody są najsilniejsze, gdy są rygorystyczne, recenzowane przez rówieśników i udostępniane otwarcie. Dzięki PurpleLab CARES pokazujemy, co nasze dane mogą zrobić w rękach badaczy, partnerów akademickich i społeczności pacjentów,” Scott DuVall, Senior Vice President, Real-World Evidence, w PurpleLab, powiedział w oświadczeniu firmy. 

Prognozowanie choroby zanim się pojawi

Na Harvard, zespoły badawcze przekształcają dane pacjentów w silniki predykcyjne. 

Model uczenia maszynowego opracowany przez badaczy z Dana-Farber Cancer Institute i Massachusetts General Hospital może oszacować ryzyko 348 chorób u pacjenta, wykorzystując rutynowo zbierane elektroniczne rekordy zdrowotne (EHR) wraz z informacjami o ryzyku genetycznym.

Model, nazwany Aladynoulli, został wytrenowany i zwalidowany przy użyciu danych z ponad 683 000 rekordów pacjentów pochodzących z trzech banków biobankowych. 

Badacze twierdzą, że może dynamicznie aktualizować oceny ryzyka w miarę starzenia się pacjenta.

Jej potencjał jest znaczący. Zamiast postrzegać historię medyczną jedynie jako zapis tego, co już się wydarzyło, AI może coraz częściej wykorzystywać ją do identyfikowania wzorców związanych z tym, co może się wydarzyć w przyszłości.

Jednak tutaj ostrożność jest niezbędna. Model dotychczas był oceniany przy użyciu historycznych danych pacjentów, a dalsze badania są potrzebne, zanim określi się, jak radzi sobie w rzeczywistych warunkach klinicznych.

Prawdziwym wyzwaniem jest zaufanie

Przyszłość AI w opiece zdrowotnej może więc zależeć mniej od tego, jak imponujący brzmi algorytm, a bardziej od tego, czy dane stojące za nim są dokładne, reprezentatywne, bezpieczne i odpowiedzialnie zarządzane.

Dane pacjentów mogą ujawniać wzorce trudne do wykrycia przez ludzi w ciągu lat historii medycznej. Jednak te same rekordy zawierają niektóre z najbardziej wrażliwych informacji, jakie generuje dana osoba.

W miarę jak organizacje opieki zdrowotnej łączą elektroniczne rekordy zdrowotne (EHR), bazy danych badawczych i systemy AI, kluczowe pytanie nie będzie jedynie, czy AI może wydobyć większą wartość z danych pacjentów.

Będzie to, czy system opieki zdrowotnej może to zrobić, nie tracąc zaufania pacjentów.

Ta równowaga między lepszą informacją a odpowiedzialnym wykorzystaniem może ostatecznie określić, jak daleko AI przejdzie od laboratorium badawczego do codziennej opieki zdrowotnej.