Hur patientdata driver framtidens sjukvård

Hälsovårdens AI-tävling rör sig alltmer bort från frågan om maskiner kan generera medicinsk information och mot en mer avgörande fråga: vad händer när AI kan arbeta med de patientdata som kliniker och forskare redan har?

Tre senaste utvecklingar pekar på vart den förändringen kan leda.

Först har OpenAI nyligen kopplat ChatGPT for Healthcare till auktoriserad Epic elektroniska patientjournaldata, vilket ger patient‑specifik klinisk kontext till ett AI‑arbetsflöde och potentiellt minskar den tid som kliniker spenderar på att söka igenom fragmenterade medicinska journaler.  

Nästa, PurpleLab, ett företag för hälso‑data och analys, har precis lanserat CARES, ett initiativ för att stödja forskning som använder deras enorma mängd real‑world‑hälsodata. 

Och slutligen har forskare vid Harvard Medical School utvecklat en AI‑modell som använder befintliga hälsoregister och genetisk information för att uppskatta risken för hundratals sjukdomar.

Sammanlagt tyder de på vad många inom hälso‑sektorn har spekulerat om under en längre tid: att patientdata kan vara en av sjukvårdens mest värdefulla tillgångar för innovation i vården. 

Låt oss titta närmare på var och en av dessa senaste genombrott med patientdata. 

Från EHR till AI‑assistenter

Den 1 september meddelade OpenAI en Epic‑integration för ChatGPT for Healthcare som gör det möjligt för auktoriserade hälsoorganisationer att föra in patientinformation i AI‑assisterade arbetsflöden.

Integrationen kan hjälpa kliniker att granska information såsom medicinska anteckningar, läkemedel, laboratorieresultat och tidigare möten utan att manuellt sätta ihop en patients historik från olika delar av journalen. 

Systemet är skrivskyddat, vilket betyder att AI:n inte självständigt ändrar den medicinska journalen.

Den distinktionen är viktig. Den omedelbara möjligheten är inte att ersätta EHR eller låta ett AI‑system fatta beslut på egen hand. Det handlar om att minska den tid kliniker spenderar på att hitta och syntetisera information.

OpenAI kopplar också ChatGPT for Healthcare till officiella offentliga källor, inklusive PubMed, ClinicalTrials.gov, DailyMed och CMS‑data. 

Den större idén är kombinationen av patientkontext och extern medicinsk evidens i samma arbetsflöde.

Gör verkliga data mer användbara för forskning

PurpleLab, ett data‑ och analysföretag som bland annat fokuserar på real‑world‑evidence (RWE) och real‑world‑data (RWD) inom hälsosektorn, lanserade nyligen Center for Advancing Real-World Evidence Studies, eller CARES, med inriktning på att hjälpa forskare, akademiska institutioner, evidensnätverk och patientgemenskaper att använda real‑world‑data mer effektivt.

Betydelsen går längre än att bara göra mer data tillgänglig. 

Forskare inom hälso‑sektorn har länge mött problem med inkonsekventa definitioner, fragmenterade dataset och svårigheter att reproducera tidigare studier.

CARES är utformat kring reproducerbar forskning, transparenta metoder, akademiska partnerskap och patient‑centrerad forskning. 

PurpleLab säger att forskare kan arbeta med deras real‑world‑dataset för att studera behandlingsmönster, resultat och vårdkostnader inom områden som onkologi, kardiologi, mental hälsa och sällsynta sjukdomar.

Om de lyckas kan initiativ som detta hjälpa till att omvandla rutinmässigt genererad hälsoinformation till evidens som svarar på frågor som traditionella kliniska studier inte alltid kan besvara lika snabbt.

”Real‑world‑evidence är starkast när den är rigorös, granskad av sakkunniga och delas öppet. Med PurpleLab CARES visar vi vad vår data kan åstadkomma i händerna på forskare, akademiska partners och patientgemenskaper,” sade Scott DuVall, Senior Vice President, Real‑World Evidence, på PurpleLab, i ett företagsuttalande. 

Förutsäga sjukdom innan den uppstår

Vid Harvard, forskarteam omvandlar patientdata till prediktionsmotorer. 

En maskininlärningsmodell utvecklad av forskare vid Dana-Farber Cancer Institute och Massachusetts General Hospital kan uppskatta en patients risk för 348 sjukdomar genom att använda rutinmässigt insamlade elektroniska patientjournaler (EHR) tillsammans med genetisk riskinformation.

Modellen, kallad Aladynoulli, tränades och validerades med data från mer än 683 000 patientjournaler från tre biobanker. 

Forskare säger att den kan dynamiskt uppdatera riskbedömningar när en patient blir äldre.

Dess potential är betydande. Istället för att betrakta medicinsk historik endast som en redogörelse för vad som redan har hänt, kan AI i allt högre grad använda den för att identifiera mönster som är kopplade till vad som kan hända härnäst.

Men här är försiktighet avgörande. Modellen har hittills utvärderats med historiska patientdata, och ytterligare forskning behövs innan man kan fastställa hur den presterar i verkliga kliniska miljöer.

Den verkliga utmaningen är förtroende

Framtiden för AI inom sjukvården kan därför bero mindre på hur imponerande ett algoritm låter och mer på om datan bakom den är korrekt, representativ, säker och ansvarsfullt styrd.

Patientdata kan avslöja mönster som är svåra för människor att identifiera över år av medicinsk historik. Men samma journaler innehåller en del av den mest känsliga informationen en person genererar.

När vårdorganisationer kopplar samman EHR, forskningsdatabaser och AI-system kommer den centrala frågan inte bara att vara om AI kan utvinna mer värde ur patientdata.

Det blir om vårdsystemet kan göra det utan att förlora patienternas förtroende.

Den balansen mellan bättre information och ansvarsfull användning kan i slutändan avgöra hur långt AI förflyttar sig från forskningslabbet till den dagliga vården.