Transformačný potenciál základného modelu špecifického pre zdravotnú starostlivosť

V posledných dvoch rokoch sa všeobecné základné modely, ako je GPT-4, výrazne vyvinuli a ponúkajú bezprecedentné možnosti vďaka väčším súborom údajov, väčším veľkostiam modelov a architektonickým vylepšeniam. Tieto modely sú prispôsobiteľné širokej škále úloh v rôznych oblastiach. Umelá inteligencia v zdravotníctve sa však stále vyznačuje modelmi navrhnutými pre špecifické úlohy. Napríklad model vyškolený na analýzu röntgenových lúčov pre zlomeniny kostí by identifikoval iba zlomeniny a chýbala mu schopnosť vytvárať komplexné rádiologické správy. Väčšina z 500 modely AI schválené Food and Drug Administration sú obmedzené na jeden alebo dva prípady použitia. Základné modely, známe svojou širokou použiteľnosťou naprieč rôznymi úlohami, však vytvárajú pôdu pre transformačný prístup v aplikáciách zdravotnej starostlivosti.

Zatiaľ čo sa vyskytli prvé pokusy o vývoj základných modelov pre medicínske aplikácie, tento širší prístup sa zatiaľ v AI v zdravotníctve nepresadil. Toto pomalé prijímanie je spôsobené najmä problémami spojenými s prístupom k veľkým a rôznorodým súborom údajov o zdravotnej starostlivosti, ako aj potrebou modelov, ktoré zohľadňujú rôzne typy lekárskych údajov. Prax zdravotnej starostlivosti je vo svojej podstate multimodálna a zahŕňa informácie z obrázkov, elektronických zdravotných záznamov (EHR), senzorov, nositeľných zariadení, genomiky a ďalších. Preto musí byť základný model zdravotnej starostlivosti tiež vo svojej podstate multimodálny. Nedávny pokrok v multimodálnych architektúrach a samoobslužnom učení, ktoré dokáže spracovať rôzne typy údajov bez potreby označených údajov, však pripravuje pôdu pre základný model zdravotnej starostlivosti.

Súčasný stav generatívnej AI v zdravotníctve

Zdravotníctvo tradične prijíma technológiu pomaly, zdá sa však, že ju prijalo Generatívna AI rýchlejšie. Na HIMSS24, najväčšej globálnej konferencii pre odborníkov v oblasti zdravotníckych technológií, bola generatívna AI ústredným bodom takmer každej prezentácie.

Jeden z prvých prípadov použitia generatívnej AI v zdravotníctve, ktorý zaznamenal široké uplatnenie, sa zameriava na zmiernenie administratívnej záťaže klinickej dokumentácie. Dokumentovanie interakcií s pacientmi a procesov starostlivosti tradične zaberá podstatnú časť času lekárov (> 2 hodiny denne), čo ich často odvádza od priamej starostlivosti o pacienta.

Modely AI ako GPT-4 alebo MedPalm-2 sa používajú na monitorovanie údajov o pacientoch a interakcií medzi lekárom a pacientom s cieľom navrhnúť kľúčové dokumenty, ako sú poznámky o pokroku, súhrny prepustení a odporúčacie listy. Tieto koncepty presne zachytávajú základné informácie a vyžadujú len kontrolu a schválenie lekárom. To výrazne skracuje čas papierovania, čo umožňuje lekárom sústrediť sa viac na starostlivosť o pacienta, zvyšuje kvalitu služieb a znižuje syndróm vyhorenia.

Širšie aplikácie základných modelov v zdravotníctve sa však ešte musia plne zhmotniť. Všeobecné základné modely ako GPT-4 majú niekoľko obmedzení; preto je potrebný základný model špecifický pre zdravotnú starostlivosť. GPT-4 napríklad nemá schopnosť analyzovať lekárske snímky alebo porozumieť dlhodobým údajom o pacientoch, čo je rozhodujúce pre poskytovanie presných diagnóz. Okrem toho nemá najaktuálnejšie lekárske znalosti, pretože bol vyškolený na údajoch dostupných len do decembra 2023. MedPalm-2 od spoločnosti Google predstavuje prvý pokus o vytvorenie základného modelu špecifického pre zdravotnú starostlivosť, ktorý dokáže odpovedať lekárske otázky a úvahy o lekárskych snímkach. Stále však nevystihuje plný potenciál AI v zdravotníctve.

Budovanie základného modelu zdravotníctva

Proces budovania základného modelu zdravotnej starostlivosti začína údajmi odvodenými z verejných aj súkromných zdrojov vrátane biobánk, experimentálnych údajov a záznamov o pacientoch. Tento model by bol schopný spracovať a kombinovať rôzne typy údajov, ako je text s obrázkami alebo laboratórnymi výsledkami, na vykonávanie zložitých lekárskych úloh.

Okrem toho môže uvažovať o nových situáciách a formulovať svoje výstupy medicínsky presným jazykom. Táto schopnosť sa rozširuje na odvodzovanie a využívanie kauzálnych vzťahov medzi medicínskymi konceptmi a klinickými údajmi, najmä pri poskytovaní odporúčaní na liečbu na základe údajov z pozorovania. Mohlo by to napríklad predpovedať syndróm akútnej respiračnej tiesne z nedávnej ťažkej traumy hrudníka a klesajúcich hladín arteriálneho kyslíka napriek zvýšenému prísunu kyslíka.

Okrem toho by model mal pristupovať ku kontextovým informáciám zo zdrojov, ako sú vedomostné grafy alebo databázy, aby získal aktuálne lekárske poznatky, čím by zlepšil svoje uvažovanie a zabezpečil, že jeho rady budú odrážať najnovší pokrok v medicíne.

Aplikácie a vplyv základného modelu zdravotnej starostlivosti

Potenciálne využitie základného modelu zdravotnej starostlivosti je rozsiahle. V diagnostike by takýto model mohol znížiť závislosť na ľudskej analýze. Pri plánovaní liečby by model mohol pomôcť pri vytváraní individuálnych liečebných stratégií zvážením celého zdravotného záznamu pacienta, genetických detailov a faktorov životného štýlu. Niektoré ďalšie aplikácie zahŕňajú:

• Správy z uzemnenej rádiológie: Zdravotnícky základný model môže transformovať digitálnu rádiológiu vytvorením všestranných asistentov, ktorí podporujú rádiológov automatizáciou zostavovania správ a znížením pracovného zaťaženia. Dokázal by tiež integrovať celú históriu pacienta. Napríklad rádiológovia sa môžu pýtať modelu na zmeny podmienok v priebehu času: "Môžete identifikovať nejaké zmeny vo veľkosti nádoru od posledného skenovania?"
• Podpora klinického rozhodovania pri lôžku: Využitím klinických poznatkov by ponúkol jasné vysvetlenia a zhrnutia údajov vo voľnom texte, ktoré by upozornili zdravotnícky personál na bezprostredné riziká pre pacienta a navrhli ďalšie kroky. Napríklad výstraha modelového cloudu „Upozornenie: Tento pacient sa chystá dostať do šoku“ a poskytnúť odkazy na relevantné súhrny údajov a kontrolné zoznamy pre akciu.
• Objav drog: Navrhovanie proteínov, ktoré sa špecificky a silne viažu na cieľ, je základom objavovania liekov. Skoré modely, ako je RFdiffusion, začali generovať proteíny založené na základných vstupoch, ako je cieľ pre väzbu. Na základe týchto počiatočných modelov by sa dal vycvičiť základný model špecifický pre zdravotnú starostlivosť na pochopenie jazykových aj proteínových sekvencií. To by mu umožnilo ponúknuť textové rozhranie na navrhovanie proteínov, čo by potenciálne urýchlilo vývoj nových liekov

Výzvy

Hoci vybudovanie základného modelu špecifického pre zdravotnú starostlivosť zostáva konečným cieľom a nedávne pokroky ho urobili uskutočniteľnejším, stále existujú významné výzvy pri vývoji jediného modelu schopného uvažovať v rôznych medicínskych konceptoch:

• Viacero spôsobov mapovania údajov: Model musí byť trénovaný na rôznych modalitách údajov, ako sú údaje o EHR, lekárske zobrazovacie údaje a genetické údaje. Uvažovanie v rámci týchto modalít je náročné, pretože získavanie vysoko verných údajov, ktoré presne mapujú interakcie vo všetkých týchto modalitách, je ťažké. Navyše reprezentovanie rôznych biologických modalít, od bunkovej dynamiky po molekulárne štruktúry a genetické interakcie celého genómu, je zložité. Optimálne školenie o údajoch o ľuďoch je nerealizovateľné a neetické, takže výskumníci sa spoliehajú na menej prediktívne zvieracie modely alebo bunkové línie, čo predstavuje výzvu pri prekladaní laboratórnych meraní na zložité fungovanie celých organizmov.
• Validácia a overenie: Základné modely zdravotnej starostlivosti sú náročné na overenie kvôli ich všestrannosti. Modely AI sa tradične overujú pre špecifické úlohy, ako je diagnostika typu rakoviny z MRI. Základné modely však môžu vykonávať nové, neviditeľné úlohy, takže je ťažké predvídať všetky možné režimy zlyhania. Požadujú podrobné vysvetlenia ich testovania a schválených prípadov použitia a mali by vydávať upozornenia na použitie mimo označenia. Overovanie ich výstupov je tiež zložité, keďže spracovávajú rôzne vstupy a výstupy, čo si na zabezpečenie presnosti môže vyžadovať multidisciplinárny panel.
• Sociálne predsudky: Tieto modely riskujú udržiavanie skreslenia, pretože môžu trénovať na údajoch, ktoré nedostatočne reprezentujú určité skupiny alebo obsahujú skreslené korelácie. Riešenie týchto predsudkov je kľúčové, najmä keď sa rozsah modelov zväčšuje, čo môže problém zintenzívniť.

Cesta vpred

Generatívna umelá inteligencia už začala pretvárať zdravotnú starostlivosť zmierňovaním dokumentačnej záťaže pre lekárov, ale jej plný potenciál leží pred nami. Budúcnosť základných modelov v zdravotníctve sľubuje, že bude transformačná. Predstavte si zdravotnícky systém, kde je diagnostika nielen rýchlejšia, ale aj presnejšia, kde sú liečebné plány presne prispôsobené genetickému profilu jednotlivých pacientov a kde by sa nové lieky dali objaviť skôr za pár mesiacov ako za roky.

Vytvorenie základného modelu AI špecifického pre zdravotnú starostlivosť predstavuje výzvy, najmä pokiaľ ide o integráciu rôznorodých a rozptýlených lekárskych a klinických údajov. Tieto prekážky však možno vyriešiť spoločným úsilím medzi technológmi, klinickými lekármi a tvorcami politík. Spoluprácou môžeme vyvinúť komerčné rámce, ktoré podnecujú rôzne zainteresované strany (EHR, zobrazovacie spoločnosti, patologické laboratóriá, poskytovateľov), aby zjednotili tieto údaje a vytvorili architektúry modelov AI schopné spracovávať komplexné, multimodálne interakcie v rámci zdravotnej starostlivosti.

Okrem toho je dôležité, aby tento pokrok pokračoval s jasným etickým kompasom a pevnými regulačnými rámcami, aby sa zabezpečilo, že tieto technológie sa budú používať zodpovedne a spravodlivo. Udržiavaním vysokých štandardov validácie a spravodlivosti si zdravotnícka komunita môže vybudovať dôveru a podporiť prijatie medzi pacientmi aj odborníkmi.

Cesta k plnej realizácii potenciálu základných modelov zdravotnej starostlivosti je vzrušujúcou hranicou. Prijatím tohto inovatívneho ducha môže sektor zdravotníctva predvídať nielen riešenie súčasných výziev, ale aj transformáciu lekárskej vedy. Sme na pokraji novej odvážnej éry v zdravotníctve – ktorá je plná možností a poháňaná prísľubom AI zlepšiť životy v globálnom meradle.