Transformatorisk potential för en hälso- och sjukvårds-specifik grundmodell

Under de senaste två åren har allmänna grundmodeller som GPT-4 utvecklats avsevärt och erbjuder nu utanför det vanliga kapacitet tack vare större datamängder, ökade modellstorlekar och arkitekturförbättringar. Dessa modeller är anpassningsbara till en mängd olika uppgifter inom olika områden. Men hälso- och sjukvårds-ai kännetecknas fortfarande av modeller som är utformade för specifika uppgifter. Till exempel skulle en modell som tränats för att analysera röntgenbilder för att upptäcka benbrott endast identifiera brott och sakna förmågan att generera omfattande radiologiska rapporter. De flesta av de 500 ai-modeller som godkänts av livsmedels- och läkemedelsverket är begränsade till en eller två användningsområden. Men grundmodeller, som är kända för sin breda tillämpbarhet över olika uppgifter, skapar förutsättningar för en transformerande tillvägagångssätt inom hälso- och sjukvårdsapplikationer.

Det har funnits initiala försök att utveckla grundmodeller för medicinska tillämpningar, men denna bredare tillvägagångssätt har ännu inte blivit vanligt inom hälso- och sjukvårds-ai. Denna långsamma anpassning beror främst på utmaningarna med att få tillgång till stora och varierade hälso- och sjukvårdsdata, samt behovet av att modellerna kan resonera över olika typer av medicinska data. Hälso- och sjukvårdens praxis är i sig multimodal och omfattar information från bilder, elektroniska patientjournaler (epj), sensorer, wearables, genetik och mer. En grundmodell för hälso- och sjukvården måste därför också vara multimodal. Trots detta har den senaste utvecklingen inom multimodala arkitekturer och självständig inlärning, som kan hantera olika datatyper utan att behöva märkt data, skapat förutsättningar för en hälso- och sjukvårdsgrundmodell.

Nuvarande tillstånd för generativ ai inom hälso- och sjukvården

Hälso- och sjukvården har traditionellt sett varit långsam att anpassa sig till ny teknik, men den verkar ha anammat generativ ai snabbare. På HIMSS24, den största globala konferensen för hälso- och sjukvårdsteknologer, var generativ ai fokus för nästan varje presentation.

En av de första användningsområdena för generativ ai inom hälso- och sjukvården som har sett en omfattande anpassning är att lindra den administrativa bördan av klinisk dokumentation. Traditionellt sett tar dokumentation av patientinteraktioner och vårdprocesser en betydande del av läkarnas tid (>2 timmar per dag), ofta på bekostnad av direkt patientvård.

ai-modeller som GPT-4 eller MedPalm-2 används för att övervaka patientdata och läkarpatientinteraktioner för att utarbeta viktiga dokument som journalanteckningar, utskrivningsrapporter och remissbrev. Dessa utkast fångar viktig information korrekt, och kräver endast läkaröversyn och godkännande. Detta minskar avsevärt pappersarbetet, vilket gör att läkarna kan fokusera mer på patientvården, förbättra kvaliteten på servicen och minska utbrändhet.

Men de bredare tillämpningarna av grundmodeller inom hälso- och sjukvården har ännu inte fullt ut materialiserats. Generalistiska grundmodeller som GPT-4 har flera begränsningar, och det finns därför ett behov av en hälso- och sjukvårds-specifik grundmodell. Till exempel saknar GPT-4 förmågan att analysera medicinska bilder eller förstå longitudinella patientdata, vilket är avgörande för att tillhandahålla korrekta diagnoser. Dessutom saknar den den senaste medicinska kunskapen, eftersom den tränades på data som endast var tillgängliga fram till december 2023. Google’s MedPalm-2 representerar det första försöket att bygga en hälso- och sjukvårds-specifik grundmodell, som kan både besvara medicinska frågor och resonera om medicinska bilder. Men den fångar fortfarande inte den fulla potentialen av ai inom hälso- och sjukvården.

Att bygga en hälso- och sjukvårdsgrundmodell

Processen att bygga en hälso- och sjukvårdsgrundmodell börjar med data som hämtats 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 kunde den resonera om nya situationer och artikulera sina utdata i medicinskt precisa språk. Denna förmåga sträcker sig till att härleda och använda orsakssamband mellan medicinska begrepp och kliniska data, särskilt när det gäller att tillhandahålla behandlingsrekommendationer baserat på observationsdata. Till exempel kunde den förutsäga akut andningssvikt från nyligen allvarliga thoraxtrauman och sjunkande artärtryck, trots en ökad syretillförsel.

Dessutom skulle modellen kunna få tillgång till kontextuell information från resurser som kunskapsgrafer eller databaser för att få den senaste medicinska kunskapen, vilket förbättrar dess resonemang och säkerställer att dess råd reflekterar de senaste framstegen inom medicinen

Tillämpningar och påverkan av en hälso- och sjukvårdsgrundmodell

De potentiella användningsområdena för en hälso- och sjukvårdsgrundmodell är omfattande. Inom diagnostik kunde en sådan modell minska beroendet av mänsklig analys. För behandlingsplanering kunde modellen bidra till att skapa individualiserade behandlingsstrategier genom att överväga en patients hela medicinska journal, genetiska detaljer och livsstilsfaktorer. Andra tillämpningar inkluderar:

• Grundade radiologirapporter: Den hälso- och sjukvårdsgrundmodellen kan transformera digital radiologi genom att skapa mångsidiga assistenter som stöder radiologer genom att automatisera rapportutkast och minska arbetsbördan. Den skulle också kunna integrera en patients hela historia. Till exempel kan radiologer fråga modellen om förändringar i tillstånd över tid: “Kan du identifiera några förändringar i tumörstorleken sedan den senaste skanningen?”
• Sjukhusbaserat kliniskt beslutsstöd: Genom att utnyttja klinisk kunskap skulle den erbjuda tydliga, fria textförklaringar och datassammanfattningar, varna medicinsk personal för omedelbara patientrisker och föreslå nästa steg. Till exempel kunde modellen varna, “Varning: Denna patient är på väg att få andningssvikt,” och tillhandahålla länkar till relevanta datassammanfattningar och checklista för åtgärd.
• Läkemedelsupptäckt: Att utforma proteiner som binder specifikt och starkt till ett mål är grunden för läkemedelsupptäckt. Tidiga modeller som RFdiffusion har börjat generera proteiner baserat på grundläggande indata som ett mål för bindning. Genom att bygga på dessa initiala modeller kunde en hälso- och sjukvårds-specifik grundmodell tränas för att förstå både språk och proteinssekvenser. Detta skulle tillåta den att erbjuda ett textbaserat gränssnitt för att utforma proteiner, vilket potentiellt kunde påskynda utvecklingen av nya läkemedel

Utmaningar

Även om att bygga en hälso- och sjukvårds-specifik grundmodell förblir det ultimata målet, och de senaste framstegen har gjort det mer möjligt, finns det fortfarande betydande utmaningar i att utveckla en enda modell som kan resonera över olika medicinska begrepp:

• Data som kartlägger flera modaliteter: Modellen måste tränas på olika datamodaliteter som epj-data, medicinska bilddata och genetiska data. Att resonera över dessa modaliteter är utmanande eftersom det är svårt att hitta högkvalitativa data som korrekt kartlägger interaktioner över alla dessa modaliteter. Dessutom är det komplext att representera olika biologiska modaliteter, från cellulära dynamiker till molekylära strukturer och genetiska interaktioner. Optimal utbildning på humandata är omöjlig och oetisk, så forskare förlitar sig på mindre prediktiva djurmodeller eller cellinjer, vilket skapar en utmaning i att översätta laboratoriemätningar till de intrikata funktionerna i hela organismer.
• Validering och verifikation: Hälso- och sjukvårdsgrundmodeller är utmanande att validera på grund av deras mångfald. Traditionellt sett valideras ai-modeller för specifika uppgifter som att diagnostisera en typ av cancer från en mri. Men grundmodeller kan utföra nya, osedda uppgifter, vilket gör det svårt att förutse alla möjliga felmodeller. De kräver detaljerade förklaringar av deras testning och godkända användningsfall och bör utfärda varningar för användning utanför godkända användningsområden. Att verifiera deras utdata är också komplext, eftersom de hanterar olika indata och utdata, vilket potentiellt kräver en multidisciplinär panel för att säkerställa korrekthet.
• Sociala fördomar: De här modellerna riskerar att förstärka fördomar, eftersom de kan tränas på data som underrepresenterar vissa grupper eller innehåller fördomsfulla korrelationer. Att hantera dessa fördomar är avgörande, särskilt eftersom modellernas storlek kan intensifiera problemet.

Vägen framåt

Generativ ai har redan börjat omforma hälso- och sjukvården genom att lindra dokumentationsbördan på kliniker, men dess fulla potential ligger framför. Framtiden för grundmodeller inom hälso- och sjukvården lovar att vara transformerande. Tänk er en hälso- och sjukvårdssektor där diagnostik inte bara är snabbare utan också mer exakt, där behandlingsplaner är skräddarsydda för patienternas genetiska profiler och livsstilsfaktorer, och där nya läkemedel kunde upptäckas på några månader istället för år.

Att skapa en hälso- och sjukvårds-specifik grundmodell presenterar utmaningar, särskilt när det gäller att integrera de varierade och spridda medicinska och kliniska data. Men dessa hinder kan hanteras genom samarbete mellan teknologer, kliniker och beslutsfattare. Genom att arbeta tillsammans kan vi utveckla kommersiella ramar som uppmuntrar olika intressenter (epj, bildföretag, patologilaboratorier, vårdgivare) att ena denna data och konstruera ai-modellarkitekturer som kan hantera komplexa, multimodala interaktioner inom hälso- och sjukvården.

Dessutom är det avgörande att denna utveckling sker med en tydlig etisk kompass och robusta regleringsramar för att säkerställa att dessa teknologier används på ett ansvarsfullt och rättvist sätt. Genom att upprätthålla höga standarder för validering och rättvisa kan hälso- och sjukvårdssektorn bygga förtroende och främja acceptans bland både patienter och praktiker.

Resan mot att fullt ut förverkliga potentialen för hälso- och sjukvårdsgrundmodeller är en spännande gräns. Genom att omfamna denna innovativa anda kan hälso- och sjukvårdssektorn förvänta sig inte bara att möta nuvarande utmaningar utan också omvandla medicinsk vetenskap. Vi står på tröskeln till en ny era inom hälso- och sjukvården – en era som är full av möjligheter och driven av ai:s löfte att förbättra liv på en global skala.