stub Transformativ potential för en hälso- och sjukvårdsspecifik grundmodell - Unite.AI
Anslut dig till vårt nätverk!

Tanke ledare

Transformativ potential för en hälso- och sjukvårdsspecifik grundmodell

mm

publicerade

 on

Under de senaste två åren har generella grundmodeller som GPT-4 utvecklats avsevärt och erbjuder oöverträffade möjligheter på grund av större datauppsättningar, ökade modellstorlekar och arkitektoniska förbättringar. Dessa modeller är anpassningsbara till ett brett spektrum av uppgifter inom olika områden. Sjukvårdens AI kännetecknas dock fortfarande av modeller utformade för specifika uppgifter. Till exempel skulle en modell tränad att analysera röntgenstrålar för benfrakturer endast identifiera frakturer och sakna förmågan att generera omfattande radiologirapporter. De flesta av 500 AI-modeller godkända av Food and Drug Administration är begränsade till ett eller två användningsfall. Grundmodeller, kända för sin breda tillämpbarhet över olika uppgifter, sätter dock scenen för ett transformativt tillvägagångssätt i vårdtillämpningar.

Även om det har gjorts första försök att utveckla grundläggande modeller för medicinska tillämpningar, har detta bredare tillvägagångssätt ännu inte blivit allmänt förekommande inom AI inom sjukvården. Denna långsamma användning beror främst på de utmaningar som är förknippade med att få tillgång till stora och olika datauppsättningar inom hälsovården, såväl som behovet av modeller för att resonera över olika typer av medicinsk data. Sjukvården är till sin natur multimodal och innehåller information från bilder, elektroniska journaler (EPJ), sensorer, wearables, genomik och mer. En grundläggande hälso- och sjukvårdsmodell måste alltså också till sin natur vara multimodal. Ändå banar den senaste tidens framsteg inom multimodala arkitekturer och självövervakat lärande, som kan hantera olika datatyper utan att behöva märkta data, vägen för en grundmodell för hälsovården.

Nuvarande tillstånd för generativ AI inom hälso- och sjukvården

Sjukvården har traditionellt sett varit långsam med att ta till sig teknik, men den verkar ha anammat Generativ AI snabbare. På HIMSS24, den största globala konferensen för sjukvårdstekniker, var Generative AI i fokus för nästan varje presentation.

Ett av de första användningsfallen av Generativ AI inom hälso- och sjukvården som har fått en bred användning fokuserar på att lindra den administrativa belastningen av klinisk dokumentation. Traditionellt tar det att dokumentera patientinteraktioner och vårdprocesser en betydande del av läkarnas tid (>2 timmar per dag), vilket ofta förringar dem från direkt patientvård.

AI-modeller som GPT-4 eller MedPalm-2 används för att övervaka patientdata och interaktioner mellan läkare och patient för att utarbeta viktiga dokument som förloppsanteckningar, sammanfattningar av utskrivningar och remissbrev. Dessa utkast fångar viktig information korrekt och kräver endast granskning och godkännande av läkare. Detta minskar pappersarbetet avsevärt, vilket gör att läkare kan fokusera mer på patientvård, förbättra servicekvaliteten och minska utbrändhet.

De bredare tillämpningarna av grundläggande modeller inom hälso- och sjukvården har dock ännu inte realiserats fullt ut. Generalistiska grundmodeller som GPT-4 har flera begränsningar; det finns därför ett behov av en sjukvårdsspecifik grundmodell. Till exempel saknar GPT-4 förmågan att analysera medicinska bilder eller förstå longitudinella patientdata, vilket är avgörande för att ge korrekta diagnoser. Dessutom har den inte den mest uppdaterade medicinska kunskapen, eftersom den utbildades på data som endast var tillgänglig fram till december 2023. Googles MedPalm-2 representerar det första försöket att bygga en vårdspecifik grundmodell, som både kan svara på medicinska frågor och resonemang om medicinska bilder. Men det fångar fortfarande inte full potential hos AI inom sjukvården.

Att bygga en grundmodell för sjukvården

Processen att bygga en grundmodell för sjukvården börjar med data som härrör från både offentliga och privata källor, inklusive biobanker, experimentella data och patientjournaler. Denna modell skulle kunna bearbeta och kombinera olika datatyper, såsom text med bilder eller laboratorieresultat, för att utföra komplexa medicinska uppgifter.

Dessutom kan den resonera om nya situationer och formulera sina resultat i medicinskt exakt språk. Denna förmåga sträcker sig till att sluta sig till och använda orsakssamband mellan medicinska koncept och kliniska data, särskilt när man tillhandahåller behandlingsrekommendationer baserade på observationsdata. Till exempel kan det förutsäga akut andnödsyndrom från nyligen allvarligt brösttrauma och sjunkande arteriell syrenivå, trots en ökad syretillförsel.

Dessutom skulle modellen få tillgång till kontextuell information från resurser som kunskapsgrafer eller databaser för att få uppdaterad medicinsk kunskap, förbättra dess resonemang och säkerställa att dess råd återspeglar de senaste framstegen inom medicin

Tillämpningar och påverkan av sjukvårdens grundmodell

De potentiella användningsområdena för en grundmodell för sjukvården är omfattande. Inom diagnostik skulle en sådan modell kunna minska beroendet av mänsklig analys. För behandlingsplanering kan modellen hjälpa till att skapa individualiserade behandlingsstrategier genom att ta hänsyn till en patients hela journal, genetiska detaljer och livsstilsfaktorer. Några andra applikationer inkluderar:

  • Jordad radiologi rapporterar: Den grundläggande hälso- och sjukvårdsmodellen kan förvandla digital radiologi genom att skapa mångsidiga assistenter som stödjer radiologer genom att automatisera rapportutformningen och minska arbetsbelastningen. Det skulle också kunna integrera hela patienthistorien. Till exempel kan radiologer fråga modellen om förändringar i tillstånd över tid: "Kan du identifiera några förändringar i tumörstorleken sedan den senaste skanningen?"
  • Kliniskt beslutsstöd vid sängkanten: Med hjälp av klinisk kunskap skulle det erbjuda tydliga fritextförklaringar och datasammanfattningar, varna medicinsk personal om omedelbara patientrisker och föreslå nästa steg. Till exempel, modellmolnvarningen, "Varning: Den här patienten är på väg att gå in i chock", och ger länkar till relevanta datasammanfattningar och checklistor för åtgärder.
  • Drug Discovery: Att designa proteiner som binder specifikt och starkt till ett mål är grunden för läkemedelsupptäckten. Tidiga modeller som RFdiffusion har börjat generera proteiner baserade på grundläggande input som ett mål för bindning. Med utgångspunkt i dessa initiala modeller skulle en vårdspecifik grundmodell kunna tränas för att förstå både språk och proteinsekvenser. Detta skulle göra det möjligt att erbjuda ett textbaserat gränssnitt för att designa proteiner, vilket potentiellt skulle kunna påskynda utvecklingen av nya läkemedel

Utmaningar

Även om det fortfarande är slutmålet att bygga en vårdspecifik grundmodell, och de senaste framstegen har gjort det mer genomförbart, finns det fortfarande betydande utmaningar med att utveckla en enda modell som kan resonera över olika medicinska koncept:

  • Datakartläggning av flera modaliteter: Modellen måste tränas på olika datamodaliteter såsom EPJ-data, medicinska avbildningsdata och genetiska data. Att resonera över dessa modaliteter är utmanande eftersom det är svårt att hitta högfientlig data som exakt kartlägger interaktioner över alla dessa modaliteter. Dessutom är det komplext att representera olika biologiska modaliteter, från celldynamik till molekylära strukturer och genomomfattande genetiska interaktioner. Optimal träning på mänskliga data är omöjlig och oetiskt, så forskare förlitar sig på mindre prediktiva djurmodeller eller cellinjer, vilket skapar en utmaning när det gäller att översätta laboratoriemätningar till hela organismers invecklade funktion.
  • Validering och verifiering: Grundläggande modeller för hälsovård är utmanande att validera på grund av deras mångsidighet. Traditionellt är AI-modeller validerade för specifika uppgifter som att diagnostisera en typ av cancer från en MRT. Grundmodeller kan dock utföra nya, osynliga uppgifter, vilket gör det svårt att förutse alla möjliga fellägen. De kräver detaljerade förklaringar av deras testning och godkända användningsfall och bör utfärda varningar för off-label användning. Att verifiera deras utdata är också komplicerat, eftersom de hanterar olika input och output, vilket potentiellt kräver en multidisciplinär panel för att säkerställa noggrannhet.
  • Sociala fördomar: Dessa modeller riskerar att bibehålla fördomar, eftersom de kan träna på data som underrepresenterar vissa grupper eller innehåller partiska korrelationer. Att ta itu med dessa fördomar är avgörande, särskilt när modellernas skala ökar, vilket kan förvärra problemet.

Väg framåt

Generativ AI har redan börjat omforma vården genom att lindra dokumentationsbördan för kliniker, men dess fulla potential ligger framför oss. Framtiden för grundläggande modeller inom sjukvården lovar att bli transformerande. Föreställ dig ett sjukvårdssystem där diagnostiken inte bara är snabbare utan också mer exakt, där behandlingsplanerna är exakt anpassade till individuella patienters genetiska profiler och där nya läkemedel skulle kunna upptäckas på några månader snarare än år.

Att skapa en sjukvårdsspecifik grundläggande AI-modell innebär utmaningar, särskilt när det gäller att integrera de olika och spridda medicinska och kliniska data. Dessa hinder kan dock åtgärdas genom samverkan mellan teknologer, kliniker och beslutsfattare. Genom att arbeta tillsammans kan vi utveckla kommersiella ramverk som uppmuntrar olika intressenter (EPJ, bildbehandlingsföretag, patologilabb, leverantörer) att förena dessa data och konstruera AI-modellarkitekturer som kan bearbeta komplexa, multimodala interaktioner inom hälso- och sjukvården.

Dessutom är det avgörande att detta framsteg fortsätter med en tydlig etisk kompass och robusta regelverk för att säkerställa att dessa tekniker används ansvarsfullt och rättvist. Genom att upprätthålla höga standarder för validering och rättvisa kan sjukvården bygga upp förtroende och främja acceptans bland både patienter och läkare.

Resan mot att fullt ut förverkliga potentialen hos grundläggande hälsovårdsmodeller är en spännande gräns. Genom att ta till sig denna innovativa anda kan hälso- och sjukvårdssektorn inte bara förutse att möta nuvarande utmaningar utan förändra medicinsk vetenskap. Vi står på randen av en djärv ny era inom hälso- och sjukvården – en full av möjligheter och driven av löftet om AI att förbättra liv på global nivå.

Prerak Garg är produktledare och strateg inom området artificiell intelligens, för närvarande som Senior Director på Microsoft. Han var drivkraften bakom Microsofts inträde i hälsovårdsområdet via Nuance-förvärvet på 19 miljarder dollar och den efterföljande utvecklingen av DAX Copilot.