Hasta Verileri Sağlık Hizmetlerinin Geleceğini Şekillendiriyor

Sağlık hizmetlerindeki AI yarışı, makinelerin tıbbi bilgi üretebilip üretemeyeceği sorusundan giderek daha önemli bir soruya kayıyor: Klinik uzmanları ve araştırmacıların zaten sahip olduğu hasta verileriyle AI çalıştığında ne olur?

Bu kaymanın nereye yöneldiğini gösteren üç son gelişme var.

İlk olarak, OpenAI yakın zamanda ChatGPT for Healthcare’i yetkili Epic electronic health record data, hasta‑spesifik klinik bağlamı AI iş akışına getirerek ve potansiyel olarak klinisyenlerin parçalanmış tıbbi kayıtlar arasında arama yapma süresini azaltarak.

Sonra, PurpleLab, bir sağlık verileri ve analiz şirketi, az önce launched CARES, gerçek dünya sağlık verilerinin büyük miktarını kullanarak araştırmayı destekleyen bir girişim.

Ve son olarak, Harvard Medical School’daki araştırmacılar developed mevcut sağlık kayıtlarını ve genetik bilgileri kullanan, yüzlerce hastalığın riskini tahmin eden bir AI modeli.

Bir araya getirildiğinde, sağlık alanındaki birçok kişinin uzun süredir spekülasyon yaptığı şeyi gösteriyor: hasta verilerinin bakımda yenilik için sağlık sektörünün en değerli varlıklarından biri olabileceği.

Bu son hasta verisi atılımlarının her birine daha yakından bakalım.

EHR’lerden AI Asistanlarına

1 Eylül’de, OpenAI bir Epic entegrasyonunu duyurdu ChatGPT for Healthcare yetkili sağlık kuruluşlarının hasta bilgilerini AI destekli iş akışlarına getirmesine izin veriyor.

Entegrasyon, klinisyenlerin tıbbi notlar, ilaçlar, laboratuvar sonuçları ve önceki görüşmeler gibi bilgileri, kaydın farklı bölümlerinden hastanın geçmişini manuel olarak birleştirmeden incelemelerine yardımcı olabilir.

Sistem yalnızca okunabilir, yani AI tıbbi kaydı bağımsız olarak değiştirmez.

Bu ayrım önemlidir. İlk fırsat, EHR’yi değiştirmek ya da bir AI sisteminin tek başına karar vermesine izin vermek değildir. Bilgiyi bulma ve sentezleme süresini azaltmaktır.

OpenAI ayrıca ChatGPT for Healthcare’i PubMed, ClinicalTrials.gov, DailyMed ve CMS verileri gibi resmi kamu kaynaklarına bağlıyor.

Daha büyük fikir, hasta bağlamı ile dış tıbbi kanıtların aynı iş akışında birleştirilmesidir.

Gerçek Dünya Verilerini Araştırma İçin Daha Faydalı Hale Getirmek

PurpleLab, sağlık alanında özellikle Gerçek Dünya Kanıtı (RWE) ve Gerçek Dünya Verisi (RWD) üzerine odaklanan bir veri ve analiz şirketi, yakın zamanda Gerçek Dünya Kanıtı Çalışmalarını İlerletme Merkezi (CARES) adlı bir birim başlattı; bu birim, araştırmacıların, akademik kurumların, kanıt ağlarının ve hasta topluluklarının gerçek dünya verilerini daha etkili bir şekilde kullanmalarına yardımcı olmayı amaçlıyor.

Önemi, yalnızca daha fazla veri sunmanın ötesine geçiyor.

Sağlık araştırmacıları uzun süredir tutarsız tanımlar, parçalanmış veri setleri ve önceki çalışmaları yeniden üretme zorluğu gibi sorunlarla karşılaşıyor.

CARES, yeniden üretilebilir araştırma, şeffaf yöntemler, akademik ortaklıklar ve hasta odaklı araştırma üzerine tasarlanmıştır.

PurpleLab, araştırmacıların onkoloji, kardiyoloji, ruh sağlığı ve nadir hastalıklar gibi alanlarda tedavi kalıplarını, sonuçları ve sağlık maliyetlerini incelemek için gerçek dünya veri setleriyle çalışabileceğini belirtiyor.

Başarılı olursa, bu tür girişimler rutin olarak oluşturulan sağlık bilgilerini, geleneksel klinik çalışmaların her zaman hızlı bir şekilde yanıtlayamadığı sorulara cevap veren kanıtlara dönüştürmeye yardımcı olabilir.

“Gerçek dünya kanıtı, titiz, hakemli ve açıkça paylaşıldığında en güçlüdür. PurpleLab CARES ile, verilerimizin araştırmacıların, akademik ortakların ve hasta topluluklarının elinde neler yapabileceğini gösteriyoruz,” diye belirtti PurpleLab’ta Gerçek Dünya Kanıtı Kıdemli Başkan Yardımcısı Scott DuVall bir şirket açıklamasında.

Hastalığı Görünmeden Önceden Tahmin Etmek

Harvard’da araştırma ekipleri hasta verilerini tahmin motorlarına dönüştürüyor.

Dana-Farber Cancer Institute ve Massachusetts General Hospital’daki araştırmacılar tarafından geliştirilen bir makine öğrenimi modeli, rutin olarak toplanan elektronik sağlık kayıtları (EHR’ler) ile genetik risk bilgilerini birleştirerek bir hastanın 348 hastalık riskini tahmin edebiliyor.

Aladynoulli adlı model, üç biyobankadan gelen 683.000’den fazla hasta kaydıyla eğitildi ve doğrulandı.

Araştırmacılar, hastanın yaşlanmasıyla risk değerlendirmelerini dinamik olarak güncelleyebileceğini söylüyor.

Potansiyeli büyüktür. Tıbbi geçmişi yalnızca gerçekleşmiş bir kayıt olarak görmek yerine, yapay zeka bunu giderek daha fazla, neler olabileceğiyle ilişkili kalıpları tanımlamak için kullanabilir.

Ancak burada temkinli olmak çok önemlidir. Model, şu ana kadar tarihsel hasta verileri kullanılarak değerlendirildi ve gerçek klinik ortamlarda nasıl performans göstereceğini belirlemeden önce daha fazla araştırma yapılması gerekiyor.

Gerçek Zorluk Güvendir

Sağlık hizmetleri yapay zekasının geleceği bu nedenle bir algoritmanın ne kadar etkileyici göründüğünden ziyade, onun arkasındaki verilerin doğru, temsil edici, güvenli ve sorumlu bir şekilde yönetilip yönetilmediğine daha çok bağlı olabilir.

Hasta verileri, yıllarca süren tıbbi geçmişte insanlar için belirlemek zor olan kalıpları ortaya çıkarabilir. Ancak aynı kayıtlar, bir kişinin ürettiği en hassas bilgilerden bazılarını da içerir.

Sağlık kuruluşları EHR’leri, araştırma veri tabanlarını ve yapay zeka sistemlerini bağladıkça, temel soru sadece yapay zekanın hasta verilerinden daha fazla değer çıkarıp çıkaramayacağı olmayacak.

Ayrıca sağlık sisteminin bunu hasta güvenini kaybetmeden yapıp yapamayacağı olacaktır.

Daha iyi bilgi ile sorumlu kullanım arasındaki bu denge, yapay zekanın araştırma laboratuvarından günlük sağlık hizmetlerine ne kadar ilerleyeceğini nihayetinde belirleyebilir.