Как данные пациентов формируют будущее здравоохранения

Соревнование в области ИИ в здравоохранении всё больше отходит от вопроса о том, могут ли машины генерировать медицинскую информацию, и переходит к более значимому: что происходит, когда ИИ может работать с данными пациентов, которыми уже располагают клиницисты и исследователи?

Три недавних развития указывают, куда может вести эта смена направления.

Во-первых, OpenAI недавно подключил ChatGPT for Healthcare к авторизованным данные электронных медицинских записей Epic, предоставляя контекст клинических данных конкретного пациента в ИИ‑рабочий процесс и потенциально сокращая время, которое клиницисты тратят на поиск в разрозненных медицинских записях.  

Далее, PurpleLab, компания, занимающаяся данными и аналитикой в сфере здравоохранения, только запустила CARES, инициативу по поддержке исследований с использованием её огромного объёма реальных данных о здравоохранении. 

И наконец, исследователи Гарвардской медицинской школы разработали модель ИИ, которая использует существующие медицинские записи и генетическую информацию для оценки риска сотен заболеваний.

В совокупности они подтверждают то, о чём многие в сфере здравоохранения уже довольно давно предполагали: данные пациентов могут стать одним из самых ценных активов отрасли здравоохранения для инноваций в уходе.

Давайте подробнее рассмотрим каждое из этих недавних прорывов в данных пациентов.

От электронных медицинских записей к AI‑ассистентам

1 сентября OpenAI объявила об интеграции с Epic для ChatGPT for Healthcare, позволяющей авторизованным организациям здравоохранения включать информацию о пациентах в AI‑поддерживаемые рабочие процессы.

Интеграция может помочь клиницистам просматривать информацию, такую как медицинские записи, препараты, лабораторные результаты и предыдущие обращения, без необходимости вручную собирать историю пациента из разных частей записи.

Система работает в режиме только для чтения, что означает, что ИИ не изменяет медицинскую запись самостоятельно.

Это различие имеет значение. Непосредственная возможность заключается не в замене EHR или предоставлении ИИ возможности принимать решения самостоятельно, а в сокращении времени, которое клиницисты тратят на поиск и синтез информации.

OpenAI также подключает ChatGPT for Healthcare к официальным публичным источникам, включая PubMed, ClinicalTrials.gov, DailyMed и данные CMS.

Главная идея — сочетание контекста пациента и внешних медицинских доказательств в одном рабочем процессе.

Повышение полезности реальных данных для исследований

PurpleLab, компания, занимающаяся данными и аналитикой, которая, среди прочего, фокусируется на реальных доказательствах (RWE) и реальных данных (RWD) в сфере здравоохранения, недавно запустила Центр продвижения исследований реальных доказательств, или CARES, с целью помочь исследователям, академическим институтам, сетям доказательств и сообществам пациентов более эффективно использовать реальные данные.

Значимость выходит за рамки простого предоставления большего количества данных.

Исследователи в области здравоохранения давно сталкиваются с проблемами, связанными с несогласованными определениями, фрагментарными наборами данных и сложностями воспроизведения предыдущих исследований.

CARES построен на принципах воспроизводимых исследований, прозрачных методов, академических партнёрств и исследований, ориентированных на пациента.

PurpleLab заявляет, что исследователи могут работать с её реальными наборами данных, чтобы изучать модели лечения, результаты и затраты в сфере здравоохранения в таких областях, как онкология, кардиология, психическое здоровье и редкие заболевания.

Если такие инициативы окажутся успешными, они могут превратить регулярно генерируемую информацию о здравоохранении в доказательства, отвечающие на вопросы, которые традиционные клинические исследования не всегда могут решить быстро.

«Реальные доказательства наиболее сильны, когда они строгие, прошедшие экспертную оценку и открыто доступные. С PurpleLab CARES мы демонстрируем, что наши данные могут сделать в руках исследователей, академических партнёров и сообществ пациентов», — сказал Скотт ДюВалл, старший вице-президент по реальным доказательствам в PurpleLab, в заявлении компании.

Прогнозирование заболеваний до их появления

В Гарварде исследовательские команды превращают данные пациентов в предсказательные движки. 

Модель машинного обучения, разработанная исследователями Института рака Дана-Фарбер и Массачусетской общей больницы, может оценивать риск пациента по 348 заболеваниям, используя регулярно собираемые электронные медицинские записи (EHR) вместе с генетической информацией о риске.

Модель, названная Aladynoulli, была обучена и проверена с использованием данных более чем 683 000 записей пациентов из трёх биобанков.

Исследователи говорят, что она может динамически обновлять оценки риска по мере старения пациента.

Её потенциал значителен. Вместо того чтобы рассматривать медицинскую историю лишь как запись того, что уже произошло, ИИ может всё чаще использовать её для выявления шаблонов, связанных с тем, что может произойти в дальнейшем.

Но здесь необходима осторожность. Модель до настоящего времени оценивалась с использованием исторических данных пациентов, и требуется дальнейшее исследование, прежде чем определить, как она работает в реальных клинических условиях.

Настоящий вызов — доверие

Будущее ИИ в здравоохранении, следовательно, может зависеть меньше от того, насколько впечатляющим звучит алгоритм, и больше от того, являются ли данные, лежащие в его основе, точными, репрезентативными, безопасными и ответственно управляемыми.

Данные пациентов могут раскрывать шаблоны, которые людям трудно выявить за годы медицинской истории. Однако те же записи содержат одну из самых чувствительных сведений, генерируемых человеком.

По мере того как организации здравоохранения соединяют EHRs, исследовательские базы данных и ИИ‑системы, центральный вопрос будет не просто в том, может ли ИИ извлечь большую ценность из данных пациентов.

Вопрос будет в том, сможет ли система здравоохранения сделать это, не потеряв доверие пациентов.

Этот баланс между лучшей информацией и ответственным использованием в конечном итоге может определить, насколько далеко ИИ продвинется от исследовательской лаборатории к повседневному здравоохранению.