Трансформаційний потенціал базової моделі охорони здоров’я

За останні два роки загальні базові моделі, такі як GPT-4, значно вдосконалилися, пропонуючи безпрецедентні можливості завдяки більшим наборам даних, збільшеним розмірам моделі та вдосконаленню архітектури. Ці моделі адаптовані до широкого кола завдань у різних сферах. Однак медичний ШІ все ще характеризується моделями, розробленими для конкретних завдань. Наприклад, модель, навчена аналізувати рентгенівські знімки для виявлення переломів кісток, визначатиме лише переломи та не матиме можливості створювати вичерпні рентгенологічні звіти. Більшість з 500 Моделі AI схвалені Управлінням з харчових продуктів і медикаментів, обмежені одним або двома випадками використання. Однак основні моделі, відомі своєю широкою застосовністю для різних завдань, готують основу для трансформаційного підходу в програмах охорони здоров’я.

Хоча були перші спроби розробити базові моделі для медичних застосувань, цей ширший підхід ще не став поширеним у галузі охорони здоров’я ШІ. Таке повільне впровадження в основному пояснюється проблемами, пов’язаними з доступом до великих і різноманітних наборів даних про охорону здоров’я, а також необхідністю моделей для обґрунтування різних типів медичних даних. Практика охорони здоров’я за своєю суттю є мультимодальною та включає інформацію із зображень, електронних медичних записів (EHR), датчиків, переносних пристроїв, геномних даних тощо. Таким чином, базова модель охорони здоров’я також має бути за своєю суттю мультимодальною. Тим не менш, нещодавній прогрес у мультимодальних архітектурах і самоконтрольованому навчанні, які можуть обробляти різні типи даних без потреби в позначених даних, прокладає шлях для базової моделі охорони здоров’я.

Поточний стан генеративного ШІ в охороні здоров’я

Традиційно охорона здоров’я повільно впроваджувала технології, однак, схоже, їх охопили Генеративний ШІ швидше. На HIMSS24, найбільшій глобальній конференції для професіоналів у галузі технологій охорони здоров’я, Generative AI був центром майже кожної презентації.

Один із перших випадків використання Generative AI в охороні здоров’я, який отримав широке впровадження, спрямований на полегшення адміністративного навантаження на клінічну документацію. Традиційно документування взаємодії з пацієнтом і процесів догляду забирає значну частину часу лікарів (>2 годин на день), часто відволікаючи їх від безпосереднього догляду за пацієнтом.

Моделі штучного інтелекту, такі як GPT-4 або MedPalm-2, використовуються для моніторингу даних пацієнтів і взаємодії між лікарем і пацієнтом для розробки ключових документів, таких як звіти про прогрес, підсумки виписки та листи-направлення. Ці чернетки точно містять важливу інформацію, вимагаючи лише перегляду та схвалення лікаря. Це значно скорочує час паперової роботи, дозволяючи лікарям більше зосередитися на догляді за пацієнтами, покращуючи якість обслуговування та зменшуючи виснаження.

Однак ширші застосування базових моделей в охороні здоров’я ще не повністю матеріалізовані. Основні моделі широкого профілю, такі як GPT-4, мають кілька обмежень; таким чином, існує потреба в базовій моделі охорони здоров’я. Наприклад, GPT-4 не має можливості аналізувати медичні зображення або розуміти поздовжні дані пацієнтів, що є критично важливим для встановлення точного діагнозу. Крім того, він не володіє найсучаснішими медичними знаннями, оскільки навчався на даних, доступних лише до грудня 2023 року. Google MedPalm-2 являє собою першу спробу побудувати основну модель охорони здоров’я, здатну одночасно відповідати медичні запити та міркування про медичні зображення. Однак він все ще не відображає повного потенціалу ШІ в охороні здоров’я.

Побудова базової моделі охорони здоров’я

Процес побудови базової моделі охорони здоров’я починається з даних, отриманих із державних і приватних джерел, включаючи біобанки, експериментальні дані та записи пацієнтів. Ця модель буде здатна обробляти та поєднувати різні типи даних, такі як текст із зображеннями або результати лабораторних досліджень, для виконання складних медичних завдань.

Крім того, він міг міркувати про нові ситуації та формулювати свої результати медичною точною мовою. Ця здатність поширюється на висновок і використання причинно-наслідкових зв’язків між медичними концепціями та клінічними даними, особливо при наданні рекомендацій щодо лікування на основі даних спостережень. Наприклад, це може передбачити гострий респіраторний дистрес-синдром через недавню серйозну травму грудної клітки та зниження артеріального рівня кисню, незважаючи на збільшення надходження кисню.

Крім того, модель матиме доступ до контекстної інформації з таких ресурсів, як графіки знань або бази даних, щоб отримати найновіші медичні знання, покращуючи аргументацію та гарантуючи, що її поради відображають останні досягнення в медицині.

Застосування та вплив базової моделі охорони здоров’я

Потенційне використання базової моделі охорони здоров’я є широким. У діагностиці така модель може зменшити залежність від людського аналізу. Для планування лікування модель може допомогти в розробці індивідуальних стратегій лікування, враховуючи всю медичну карту пацієнта, генетичні деталі та фактори способу життя. Деякі інші програми включають:

• Обґрунтовані радіологічні звіти: Базова модель охорони здоров’я може трансформувати цифрову радіологію шляхом створення універсальних помічників, які підтримують радіологів шляхом автоматизації складання звітів і зменшення робочого навантаження. Він також міг би інтегрувати всю історію пацієнта. Наприклад, радіологи можуть запитувати модель про зміни в умовах з часом: «Чи можете ви визначити будь-які зміни розміру пухлини з моменту останнього сканування?»
• Підтримка клінічних рішень біля ліжка: Використовуючи клінічні знання, він пропонував би чіткі, вільні текстові пояснення та підсумки даних, попереджаючи медичний персонал про безпосередні ризики для пацієнтів і пропонуючи наступні кроки. Наприклад, модель хмарного сповіщення «Попередження: у цього пацієнта ось-ось увійде в шок» і містить посилання на відповідні зведені дані та контрольні списки для дій.
• Відкриття ліків: Розробка білків, які специфічно та міцно зв’язуються з мішенню, є основою відкриття ліків. Ранні моделі, такі як RFdiffusion, почали генерувати білки на основі основних вхідних даних, таких як мішень для зв’язування. Спираючись на ці початкові моделі, можна навчити спеціальну базову модель охорони здоров’я розуміти як мову, так і білкові послідовності. Це дозволить йому запропонувати текстовий інтерфейс для проектування білків, потенційно прискоривши розробку нових ліків

Виклики

Незважаючи на те, що побудова спеціальної базової моделі охорони здоров’я залишається кінцевою метою, а останні досягнення зробили її більш здійсненною, все ще існують значні проблеми в розробці єдиної моделі, здатної обґрунтовувати різні медичні концепції:

• Відображення даних у кількох модальностях: Модель має бути навчена на різних модальностях даних, таких як дані EHR, дані медичних зображень і генетичні дані. Міркування щодо цих модальностей є складним, оскільки важко отримати високоточні дані, які точно відображають взаємодію між усіма цими модальностями. Крім того, представляти різні біологічні модальності, від клітинної динаміки до молекулярних структур і геномних генетичних взаємодій, є складним. Оптимальне навчання на основі даних про людину є неможливим і неетичним, тому дослідники покладаються на менш передбачувані моделі тварин або клітинні лінії, що створює проблему для перекладу лабораторних вимірювань на складну роботу цілих організмів.
• Валідація та перевірка: Базові моделі охорони здоров’я складно перевірити через їх універсальність. Традиційно моделі штучного інтелекту перевіряються для конкретних завдань, наприклад діагностики типу раку за допомогою МРТ. Однак базові моделі можуть виконувати нові, невідомі завдання, що ускладнює передбачити всі можливі варіанти відмови. Вони вимагають детальних пояснень щодо свого тестування та схвалених варіантів використання, а також повинні видавати попередження щодо використання не за призначенням. Перевірка їхніх результатів також складна, оскільки вони обробляють різноманітні вхідні та вихідні дані, що потенційно потребує міждисциплінарної комісії для забезпечення точності.
• Соціальні упередження: Ці моделі ризикують зберегти упередження, оскільки вони можуть тренуватися на даних, які недостатньо представляють певні групи або містять упереджені кореляції. Усунення цих упереджень має вирішальне значення, особливо в умовах збільшення масштабу моделей, що може посилити проблему.

Шлях вперед

Генеративний штучний інтелект вже почав змінювати систему охорони здоров’я, зменшивши навантаження на клініцистів із документацією, але його повний потенціал ще попереду. Майбутнє основоположних моделей в охороні здоров’я обіцяє бути кардинальним. Уявіть собі систему охорони здоров’я, де діагностика не тільки швидша, але й точніша, де плани лікування точно адаптовані до генетичних профілів окремих пацієнтів, і де нові ліки можуть бути відкриті за кілька місяців, а не за роки.

Створення базової моделі штучного інтелекту для сфери охорони здоров’я викликає труднощі, особливо коли йдеться про інтеграцію різноманітних і розрізнених медичних і клінічних даних. Однак ці перешкоди можна подолати спільними зусиллями технологів, клініцистів і політиків. Працюючи разом, ми можемо розробити комерційні інфраструктури, які стимулюватимуть різних зацікавлених сторін (EHR, компанії візуалізації, патологічні лабораторії, постачальники) для уніфікації цих даних і створення архітектури моделі штучного інтелекту, здатної обробляти складні мультимодальні взаємодії в рамках охорони здоров’я.

Крім того, вкрай важливо, щоб цей прогрес відбувався з чітким етичним компасом і надійною нормативною базою для забезпечення відповідального та справедливого використання цих технологій. Підтримуючи високі стандарти підтвердження та справедливості, медичне співтовариство може зміцнити довіру та сприяти прийняттю як серед пацієнтів, так і серед практикуючих лікарів.

Шлях до повної реалізації потенціалу базових моделей охорони здоров’я – це захоплюючий рубіж. Прийнявши цей інноваційний дух, сектор охорони здоров’я може передбачити не лише вирішення поточних викликів, але й трансформацію медичної науки. Ми стоїмо на порозі сміливої ​​нової ери в охороні здоров’я — ери, наповненої можливостями та керованої обіцянкою ШІ покращити життя в глобальному масштабі.