ข้อมูลผู้ป่วยกำลังขับเคลื่อนอนาคตของการดูแลสุขภาพ

การแข่งขัน AI ด้านการดูแลสุขภาพกำลังห่างไกลจากคำถามว่ามีเครื่องจักรสามารถสร้างข้อมูลทางการแพทย์ได้หรือไม่ และมุ่งไปสู่คำถามที่สำคัญยิ่งกว่า: จะเกิดอะไรขึ้นเมื่อ AI สามารถทำงานกับข้อมูลผู้ป่วยที่นักคลินิกและนักวิจัยมีอยู่แล้ว?

การพัฒนาล่าสุดสามประการชี้ให้เห็นว่าการเปลี่ยนแปลงนั้นอาจมุ่งหน้าไปในทิศทางใด

แรก, OpenAI เมื่อเร็ว ๆ นี้ได้เชื่อมต่อ ChatGPT for Healthcare กับข้อมูลบันทึกสุขภาพอิเล็กทรอนิกส์ของ Epic ที่ได้รับอนุญาต Epic electronic health record data, นำบริบททางคลินิกที่เฉพาะเจาะจงต่อผู้ป่วยเข้าสู่กระบวนการทำงานของ AI และอาจลดเวลาที่นักคลินิกใช้ในการค้นหาข้อมูลจากบันทึกการแพทย์ที่กระจัดกระจาย

ต่อไป, PurpleLab บริษัทข้อมูลและการวิเคราะห์ด้านการดูแลสุขภาพ, เพิ่ง เปิดตัว CARES, โครงการริเริ่มเพื่อสนับสนุนการวิจัยโดยใช้ข้อมูลการดูแลสุขภาพจริงจำนวนมหาศาลของบริษัท

และสุดท้าย, นักวิจัยที่ Harvard Medical School ได้ พัฒนา โมเดล AI ที่ใช้บันทึกสุขภาพที่มีอยู่และข้อมูลทางพันธุกรรมเพื่อประเมินความเสี่ยงของโรคหลายร้อยชนิด

เมื่อพิจารณาร่วมกัน, สิ่งเหล่านี้บ่งบอกถึงสิ่งที่หลายคนในวงการการดูแลสุขภาพได้คาดการณ์มานาน: ข้อมูลผู้ป่วยอาจเป็นหนึ่งในทรัพย์สินที่มีคุณค่าที่สุดของอุตสาหกรรมการดูแลสุขภาพสำหรับนวัตกรรมในการดูแล

มาดูรายละเอียดเพิ่มเติมของแต่ละการก้าวหน้าใหม่ของข้อมูลผู้ป่วยเหล่านี้กันเถอะ

จากระบบบันทึกสุขภาพอิเล็กทรอนิกส์สู่ผู้ช่วย AI

เมื่อวันที่ 1 กันยายน, OpenAI ประกาศการบูรณาการกับ Epic สำหรับ ChatGPT for Healthcare ที่อนุญาตให้องค์กรการดูแลสุขภาพที่ได้รับอนุญาตสามารถนำข้อมูลผู้ป่วยเข้าสู่กระบวนการทำงานที่ช่วยด้วย AI

การบูรณาการนี้สามารถช่วยนักคลินิกตรวจสอบข้อมูลเช่นบันทึกการแพทย์, ยา, ผลการตรวจในห้องปฏิบัติการและการพบปะก่อนหน้าโดยไม่ต้องประกอบประวัติผู้ป่วยจากส่วนต่าง ๆ ของบันทึกด้วยตนเอง

ระบบเป็นแบบอ่านอย่างเดียว, หมายความว่า AI จะไม่แก้ไขบันทึกการแพทย์โดยอิสระ

ความแตกต่างนั้นสำคัญ โอกาสในทันทีไม่ได้อยู่ที่การแทนที่ระบบบันทึกสุขภาพอิเล็กทรอนิกส์หรือการให้ระบบ AI ตัดสินใจด้วยตนเอง แต่คือการลดเวลาที่นักคลินิกใช้ในการค้นหาและสังเคราะห์ข้อมูล

OpenAI ยังเชื่อมต่อ ChatGPT for Healthcare กับแหล่งข้อมูลสาธารณะอย่างเป็นทางการ, รวมถึง PubMed, ClinicalTrials.gov, DailyMed และข้อมูลจาก CMS

แนวคิดที่ใหญ่กว่าคือการผสานบริบทของผู้ป่วยกับหลักฐานทางการแพทย์ภายนอกในกระบวนการทำงานเดียวกัน

ทำให้ข้อมูลโลกจริงมีประโยชน์มากขึ้นสำหรับการวิจัย

PurpleLab, บริษัทข้อมูลและการวิเคราะห์ที่มุ่งเน้น, นอกจากอื่น ๆ, หลักฐานโลกจริง (RWE) และข้อมูลโลกจริง (RWD) ในวงการการดูแลสุขภาพ, เพิ่งเปิดศูนย์การศึกษาการพัฒนาหลักฐานโลกจริง, หรือ CARES, โดยมุ่งเน้นช่วยนักวิจัย, สถาบันการศึกษา, เครือข่ายหลักฐานและชุมชนผู้ป่วยใช้ข้อมูลโลกจริงได้อย่างมีประสิทธิภาพมากขึ้น

ความสำคัญนั้นเกินกว่าการทำให้ข้อมูลเพิ่มขึ้นเท่านั้น

นักวิจัยด้านการดูแลสุขภาพมานานหลายปีต้องเผชิญกับปัญหาความกำหนดที่ไม่สอดคล้อง, ชุดข้อมูลกระจัดกระจายและความยากลำบากในการทำซ้ำการศึกษาก่อนหน้า

CARES ถูกออกแบบโดยยึดหลักการวิจัยที่ทำซ้ำได้, วิธีการที่โปร่งใส, ความร่วมมือกับสถาบันการศึกษาและการวิจัยที่มุ่งเน้นผู้ป่วย

PurpleLab กล่าวว่า นักวิจัยสามารถทำงานกับชุดข้อมูลโลกจริงของบริษัทเพื่อศึกษารูปแบบการรักษา, ผลลัพธ์และค่าใช้จ่ายด้านการดูแลสุขภาพในหลายด้านรวมถึงมะเร็ง, โรคหัวใจ, สุขภาพจิตและโรคหายาก

หากสำเร็จ, โครงการเช่นนี้อาจช่วยแปลงข้อมูลการดูแลสุขภาพที่สร้างขึ้นเป็นประจำให้เป็นหลักฐานที่ตอบคำถามที่การศึกษาทางคลินิกแบบดั้งเดิมไม่สามารถตอบได้อย่างรวดเร็วเสมอ

“หลักฐานโลกจริงจะมีความแข็งแกร่งที่สุดเมื่อมีความเข้มงวด, ผ่านการตรวจสอบโดยผู้เชี่ยวชาญและเปิดเผยอย่างเสรี. ด้วย PurpleLab CARES, เรากำลังแสดงให้เห็นว่าข้อมูลของเราสามารถทำอะไรได้บ้างในมือของนักวิจัย, พันธมิตรทางการศึกษาและชุมชนผู้ป่วย” สกอตต์ ดูวาลล์, รองประธานอาวุโส, Real-World Evidence, ที่ PurpleLab, กล่าวในแถลงของบริษัท

การทำนายโรคก่อนที่มันจะปรากฏ

ที่ Harvard, ทีมวิจัยกำลังเปลี่ยนข้อมูลผู้ป่วยให้เป็นเครื่องยนต์ทำนาย

โมเดลการเรียนรู้ของเครื่องที่พัฒนาโดยนักวิจัยที่ Dana-Farber Cancer Institute และ Massachusetts General Hospital สามารถประเมินความเสี่ยงของผู้ป่วยต่อ 348 โรคโดยใช้บันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) ที่เก็บรวบรวมเป็นประจำพร้อมกับข้อมูลความเสี่ยงทางพันธุกรรม

โมเดลที่ชื่อ Aladynoulli ถูกฝึกและตรวจสอบด้วยข้อมูลจากบันทึกผู้ป่วยกว่า 683,000 รายจากสามธนาคารชีวภาพ

นักวิจัยกล่าวว่าโมเดลนี้สามารถอัปเดตการประเมินความเสี่ยงอย่างไดนามิกตามอายุของผู้ป่วย

ศักยภาพของมันมีนัยสำคัญ แทนที่จะมองประวัติการแพทย์เพียงเป็นบันทึกของสิ่งที่เกิดขึ้นแล้ว AI สามารถใช้ข้อมูลเหล่านี้เพิ่มขึ้นเพื่อระบุรูปแบบที่เกี่ยวข้องกับสิ่งที่อาจเกิดขึ้นต่อไป

แต่ที่นี่ความระมัดระวังเป็นสิ่งสำคัญ โมเดลจนถึงขณะนี้ได้รับการประเมินโดยใช้ข้อมูลผู้ป่วยในอดีต และยังต้องการการวิจัยเพิ่มเติมก่อนจะกำหนดว่ามันทำงานอย่างไรในสภาพแวดล้อมคลินิกจริง

ความท้าทายที่แท้จริงคือความเชื่อถือ

อนาคตของ AI ด้านการดูแลสุขภาพจึงอาจพึ่งพาน้อยลงว่าข้อความอัลกอริทึมดูน่าประทับใจแค่ไหน และพึ่งพามากกว่าว่าข้อมูลที่อยู่เบื้องหลังนั้นแม่นยำ เป็นตัวแทน ปลอดภัย และได้รับการกำกับดูแลอย่างรับผิดชอบ

ข้อมูลผู้ป่วยสามารถเปิดเผยรูปแบบที่มนุษย์ยากต่อการระบุได้ตลอดหลายปีของประวัติการแพทย์ แต่บันทึกเดียวกันนั้นยังมีข้อมูลที่อ่อนไหวที่สุดที่บุคคลสร้างขึ้น

เมื่อองค์กรด้านการดูแลสุขภาพเชื่อมต่อ EHR, ฐานข้อมูลการวิจัย และระบบ AI คำถามหลักจะไม่ใช่แค่ว่า AI สามารถสกัดมูลค่าเพิ่มจากข้อมูลผู้ป่วยได้หรือไม่

แต่จะเป็นว่าระบบการดูแลสุขภาพสามารถทำเช่นนั้นได้โดยไม่สูญเสียความไว้วางใจของผู้ป่วยหรือไม่

สมดุลระหว่างข้อมูลที่ดีกว่าและการใช้ที่รับผิดชอบนั้นอาจเป็นปัจจัยสำคัญที่กำหนดว่า AI จะก้าวไกลจากห้องทดลองวิจัยสู่การดูแลสุขภาพในชีวิตประจำวันได้มากแค่ไหน