Potențialul transformativ al unui model fundamental de asistență medicală

În ultimii doi ani, modelele fundamentale generaliste, cum ar fi GPT-4, s-au dezvoltat semnificativ, oferind capacități fără precedent datorită seturilor de date mai mari, arhitecturilor îmbunătățite și dimensiunilor modelului. Aceste modele sunt adaptabile pentru o gamă largă de sarcini din diverse domenii. Cu toate acestea, inteligența artificială în sănătate este încă caracterizată prin modele proiectate pentru sarcini specifice. De exemplu, un model antrenat pentru a analiza radiografii pentru a detecta fracturi osoase ar putea identifica doar fracturi și nu ar avea capacitatea de a genera rapoarte radiologice complete. Majoritatea celor 500 de modele de inteligență artificială aprobate de Administrația pentru Alimente și Medicamente sunt limitate la una sau două cazuri de utilizare. Cu toate acestea, modelele fundamentale, cunoscute pentru aplicabilitatea lor largă în diverse sarcini, creează cadrul pentru o abordare transformativă în aplicațiile medicale.

Deși au existat încercări inițiale de a dezvolta modele fundamentale pentru aplicații medicale, această abordare mai largă nu a devenit încă prevalentă în inteligența artificială medicală. Această adoptare lentă se datorează în principal provocărilor asociate cu accesarea seturilor de date medicale mari și diverse, precum și nevoii ca modelele să poată raționa asupra diferitelor tipuri de date medicale. Practica medicinei este în mod inerent multimodală și incorporează informații din imagini, înregistrări electronice de sănătate (EHR), senzori, dispozitive purtabile, genomica și altele. Prin urmare, un model fundamental de asistență medicală trebuie să fie, de asemenea, în mod inerent multimodal. Cu toate acestea, progresele recente în arhitecturile multimodale și învățarea auto-supervizată, care pot gestiona diverse tipuri de date fără a necesita date etichetate, deschid calea pentru un model fundamental de asistență medicală.

Starea actuală a inteligenței artificiale generative în sănătate

Sănătatea a fost, în mod tradițional, lentă în a adopta tehnologia, dar pare să fi adoptat inteligența artificială generativă mai rapid. La conferința globală HIMSS24, inteligența artificială generativă a fost punctul central al aproape fiecărui prezentări.

Unul dintre primele cazuri de utilizare a inteligenței artificiale generative în sănătate care a cunoscut o adoptare largă se axează pe reducerea sarcinii administrative a documentației clinice. În mod tradițional, documentarea interacțiunilor pacient și a proceselor de îngrijire consumă o parte semnificativă a timpului medicilor (>2 ore pe zi), adesea distrăgându-i de la îngrijirea directă a pacienților.

Modelele de inteligență artificială, cum ar fi GPT-4 sau MedPalm-2, sunt utilizate pentru a monitoriza datele pacienților și interacțiunile medic-pacient pentru a redacta documente cheie, cum ar fi notele de progres, rezumatele de externare și scrisorile de trimitere. Aceste proiecte capturează informații esențiale cu acuratețe, necesitând doar revizuirea și aprobarea medicului. Acest lucru reduce semnificativ timpul de documentare, permițând medicilor să se concentreze mai mult asupra îngrijirii pacienților, îmbunătățind calitatea serviciilor și reducând epuizarea.

Cu toate acestea, aplicațiile mai largi ale modelelor fundamentale în sănătate nu s-au materializat pe deplin. Modelele generaliste fundamentale, cum ar fi GPT-4, au mai multe limitări; prin urmare, există nevoia unui model fundamental specific sănătății. De exemplu, GPT-4 lipsește capacitatea de a analiza imagini medicale sau de a înțelege datele pacientului pe termen lung, ceea ce este critic pentru furnizarea unor diagnostice precise. De asemenea, nu posedă cunoștințele medicale actualizate, deoarece a fost antrenat pe date disponibile doar până în decembrie 2023. Modelul MedPalm-2 al Google reprezintă prima încercare de a construi un model fundamental specific sănătății, capabil atât de a răspunde la întrebări medicale, cât și de a raționa asupra imaginilor medicale. Cu toate acestea, nu capturează pe deplin potențialul inteligenței artificiale în sănătate.

Construirea unui model fundamental de asistență medicală

Procesul de construire a unui model fundamental de asistență medicală începe cu date provenite atât din surse publice, cât și private, incluzând biobancuri, date experimentale și înregistrări ale pacienților. Acest model ar fi capabil să proceseze și să combine diverse tipuri de date, cum ar fi text cu imagini sau rezultate de laborator, pentru a efectua sarcini medicale complexe.

În plus, ar putea raționa asupra unor situații noi și articula ieșirile sale într-un limbaj medical precis. Această capacitate se extinde la inferarea și utilizarea relațiilor cauzale între concepte medicale și date clinice, în special atunci când se oferă recomandări de tratament pe baza datelor observaționale. De exemplu, ar putea prezice sindromul de detresă respiratorie acută din cauza unui traumatism toracic sever recent și a unei scăderi a nivelului de oxigen arterial, în ciuda unei creșteri a aportului de oxigen.

În plus, modelul ar avea acces la informații contextuale din resurse precum grafuri de cunoștințe sau baze de date pentru a obține cunoștințe medicale actualizate, îmbunătățindu-și astfel raționamentul și asigurându-se că sfaturile sale reflectă cele mai recente progrese în medicină.

Aplikații și impact ale modelului fundamental de asistență medicală

Posibilele utilizări ale unui model fundamental de asistență medicală sunt extinse. În diagnostic, un astfel de model ar putea reduce dependența de analiza umană. Pentru planificarea tratamentului, modelul ar putea ajuta la crearea unor strategii de tratament personalizate, luând în considerare întreaga fișă medicală a pacientului, detalii genetice și factori de stil de viață. Alte aplicații includ:

• Rapoarte de radiologie bazate pe dovezi: Modelul fundamental de asistență medicală poate transforma radiologia digitală prin crearea unor asistenți versatili care sprijină radiologii prin automatizarea redactării rapoartelor și reducerea sarcinii de muncă. Ar putea, de asemenea, integra întreaga istorie a pacientului. De exemplu, radiologii pot întreba modelul despre modificările condițiilor în timp: “Puteți identifica orice modificări în dimensiunea tumorii de la ultima scanare?”
• Suport decizional clinic la patul pacientului: Prin valorificarea cunoștințelor clinice, ar oferi explicații clare și rezumate de date, avertizând personalul medical cu privire la riscurile imediate ale pacientului și sugerând următorii pași. De exemplu, modelul ar putea avertiza: “Avertizare: Acest pacient este pe cale să intre în șoc” și oferi legături către rezumate de date relevante și liste de verificare pentru acțiune.
• Descoperirea de medicamente: Proiectarea proteinelor care se leagă specific și puternic de o țintă este baza descoperirii de medicamente. Modelele inițiale, cum ar fi RFdiffusion, au început să genereze proteine pe baza unor intrări de bază, cum ar fi o țintă pentru legare. Construind pe aceste modele inițiale, un model fundamental specific sănătății ar putea fi antrenat pentru a înțelege atât limbajul, cât și secvențele de proteine. Acest lucru ar permite oferirea unei interfețe textuale pentru proiectarea proteinelor, potențial accelerând dezvoltarea de noi medicamente.

Provocări

Deși construirea unui model fundamental specific sănătății rămâne obiectivul final, și progresele recente au făcut acest lucru mai fezabil, există încă provocări semnificative în dezvoltarea unui singur model capabil să raționeze asupra conceptelor medicale diverse:

• Hartarea multiplă a modalităților: Modelul trebuie să fie antrenat pe diverse modalități de date, cum ar fi datele din înregistrările electronice de sănătate, datele de imagistică medicală și datele genetice. Raționarea asupra acestor modalități este provocatoare, deoarece obținerea datelor de înaltă fidelitate care să mapateze cu acuratețe interacțiunile dintre toate aceste modalități este dificilă. Mai mult, reprezentarea diverselor modalități biologice, de la dinamica celulară la structurile moleculare și interacțiunile genetice la nivel de genom, este complexă. Antrenamentul optim pe date umane este infezabil și neetic, astfel încât cercetătorii se bazează pe modele animale mai puțin predictive sau linii de celule, ceea ce creează o provocare în traducerea măsurătorilor de laborator în funcționarea complexă a organismelor întregi.
• Validare și verificare: Modelele fundamentale de asistență medicală sunt provocatoare din punct de vedere al validării, datorită versatilității lor. În mod tradițional, modelele de inteligență artificială sunt validate pentru sarcini specifice, cum ar fi diagnosticarea unui tip de cancer dintr-o imagine RMN. Cu toate acestea, modelele fundamentale pot efectua sarcini noi și neștiute, făcând dificilă anticiparea tuturor modurilor posibile de eșec. Acestea necesită explicații detaliate ale testării și a cazurilor de utilizare aprobate și ar trebui să emită avertizări pentru utilizarea în afara indicațiilor aprobate. Verificarea ieșirilor este, de asemenea, complexă, deoarece acestea gestionează intrări și ieșiri diverse, potențial necesitând un panel multidisciplinar pentru a asigura acuratețea.
• Prejudecăți sociale: Aceste modele riscă să perpetueze prejudecățile, deoarece pot fi antrenate pe date care subreprezintă anumite grupuri sau conțin corelații prejudecate. Abordarea acestor prejudecăți este crucială, în special pe măsură ce dimensiunile modelelor cresc, ceea ce poate intensifica problema.

Drumul spre viitor

Inteligența artificială generativă a început deja să transforme sănătatea prin reducerea sarcinii administrative a documentației clinice, dar potențialul său deplin se află înainte. Viitorul modelelor fundamentale în sănătate promite a fi transformativ. Imaginați-vă un sistem de sănătate în care diagnosticarea nu numai că este mai rapidă, dar și mai precisă, în care planurile de tratament sunt personalizate în funcție de profilul genetic al pacientului și în care noile medicamente ar putea fi descoperite în câteva luni, în loc de ani.

Crearea unui model fundamental de asistență medicală specifică prezintă provocări, în special atunci când vine vorba de integrarea datelor medicale diverse și dispersate. Cu toate acestea, aceste obstacole pot fi abordate prin eforturi colaborative între tehnologiști, clinicieni și factori de decizie. Prin lucrul împreună, putem dezvolta cadre comerciale care să stimuleze diversele părți interesate (înregistrări electronice de sănătate, companii de imagistică, laboratoare de patologie, furnizori) să unifice aceste date și să construiască arhitecturi de modele de inteligență artificială capabile să proceseze interacțiuni complexe și multimodale în sănătate.

Mai mult, este crucial ca acest progres să se desfășoare cu un compas etic clar și cadre regulatorii robuste pentru a asigura că aceste tehnologii sunt utilizate în mod responsabil și echitabil. Prin menținerea unor standarde ridicate de validare și echitate, comunitatea medicală poate construi încredere și poate promova acceptarea atât printre pacienți, cât și printre practicieni.

Călătoria spre realizarea pe deplin a potențialului modelelor fundamentale de asistență medicală este o frontieră excitantă. Prin îmbrățișarea acestui spirit inovator, sectorul sănătății poate anticipa nu numai întâlnirea provocărilor actuale, ci și transformarea științei medicale. Ne aflăm la începutul unei noi ere îndrăznețe în sănătate, plină de posibilități și condusă de promisiunea inteligenței artificiale de a îmbunătăți viețile la nivel global.