AI-запроваджена трансформація клінічної документації: покращення діагностики серцевої недостатності

Генеративний ІІ є одним із ключових факторів трансформації галузі охорони здоров’я багатьма способами, включаючи клінічну документацію.

Нещодавнє дослідження показало значний потенціал AI-запроваджених технологій для трансформації медичної інформації та догляду за пацієнтами.

Виїмка в сучасній медицині

Клінічна документація становить значну проблему в медицині, особливо для складних звітів, таких як ехокардіограми, які є важливими для діагностики серцевих захворювань. Ці документи містять важливу інформацію, таку як значення еєкції (EF) для діагностики серцевої недостатності, тому ефективне та точне розборювання звітів є важливим завданням. Однак,
густий поєднання медичної термінології, абревіатур, даних пацієнтів та вільного тексту робить ці документи важкими для послідовної інтерпретації. Це створює надмірне навантаження на клініків, які вже обмежені часом, і збільшує ризик людських помилок у догляді за пацієнтами та веденні документів.

Проривний підхід

Генеративний ІІ пропонує трансформаційне рішення проблем клінічної документації. Він може автоматизувати витяг та структуризацію складної медичної інформації з неструктурованих документів, тим самим значно підвищуючи точність та ефективність. Наприклад, нове дослідження запровадило систему, що використовує попередньо натренований трансформерний модель, який підходить для завдання витягної відповіді на питання (QA). Ця модель, доопрацьована за допомогою спеціальної бази даних анотованих звітів ехокардіограм, демонструє вражаючу ефективність у витягуванні значень EF – ключового показника діагностики серцевої недостатності.

Ця технологія адаптується до конкретної медичної термінології та вчиться з часом, забезпечуючи настройку та постійне покращення. Крім того, вона економить клінікам значну кількість часу, дозволяючи їм зосередитися на догляді за пацієнтами, а не на адміністративних завданнях.

Потужність налаштованих даних

Багато останніх проривів у Генеративному ІІ можна віднести до революційної архітектури моделі, відомої як «трансформери». На відміну від попередніх моделей, які обробляли текст послідовно, трансформери можуть аналізувати цілі блоки тексту одночасно, забезпечуючи глибше та більш нюансироване розуміння мови.

Попередньо натреновані трансформери є хорошою основою для систем, що використовують цю технологію. Ці моделі інтенсивно тренуються на великих та різноманітних базах даних мови, що дозволяє їм розвинути широке розуміння загальних мовних структур та шаблонів.

Однак попередньо натреновані трансформери потім потрібно додатково тренувати для спеціалізованих завдань та галузевих вимог за допомогою процесу, відомого як доопрацювання. Доопрацювання включає у себе попередньо натренований трансформер та додаткове тренування на конкретній базі даних, що відповідає певному завдання або галузі. Це додаткове тренування дозволяє моделі адаптуватися до унікальних лінгвістичних характеристик, термінології та структури тексту, що є специфічними для цієї галузі. В результаті доопрацьовані трансформери стають більш ефективними та точними у виконанні спеціалізованих завдань, забезпечуючи покращену продуктивність та актуальність у галузях, починаючи від охорони здоров’я та закінчуючи фінансами, правом та іншими.

Наприклад, попередньо натренована трансформерна модель, хоча й оснащена широким розумінням мовних структур, може не володіти внутрішнім розумінням нюансів та спеціальної термінології, використовуваної в звітах ехокардіограм. Доопрацювання її на спеціалізованій базі даних звітів ехокардіограм дозволяє моделі адаптуватися до унікальних лінгвістичних шаблонів, технічних термінів та форматів звітів, що є типовими в кардіології. Ця специфіка дозволяє моделі точно витягувати та інтерпретувати важливу інформацію з звітів, таку як вимірювання серцевих камер, функції клапанів та еєкцію. На практиці це допомагає медичним фахівцям приймати більш обґрунтовані рішення, покращуючи догляд за пацієнтами та потенційно рятуючи життя. Крім того, така спеціалізована модель могла б оптимізувати ефективність робочого процесу, автоматизуючи витяг критичної інформації, зменшуючи час ручного перегляду та мінімізуючи ризик людської помилки при інтерпретації даних.

Дослідження вище чітко демонструє вплив доопрацювання на спеціалізованій базі даних через результати на MIMIC-IV-Note, публічній клінічній базі даних. Одним із ключових результатів експериментів була 90% зниження чутливості до різних запитів, досягнута завдяки доопрацюванню, виміряна стандартним відхиленням оцінювальних метрик (точність збігу та оцінка F1) для трьох різних версій одного й того ж питання: «Яка еєкція?», «Який відсоток EF?» та «Яка систолічна функція?»

Вплив на клінічні робочі процеси

AI-запроваджена клінічна документація може суттєво оптимізувати клінічні робочі процеси. Технологія автоматизує витяг та аналіз важливої інформації з медичних документів, таких як історії хвороби пацієнтів та результати тестів, і зменшує потребу в ручному введенні даних. Це зменшення ручних завдань покращує точність даних та дозволяє клінікам зосередитися на догляді за пацієнтами та прийнятті рішень. Спроможність ІІ розуміти складну медичну термінологію та витягувати відповідну інформацію призводить до кращих результатів лікування пацієнтів, забезпечуючи швидшу та більш повну аналітику історії хвороби та стану пацієнтів. У клінічних умовах ця технологія ІІ була трансформаційною, економлячи понад 1 500 годин на рік та підвищуючи ефективність надання медичної допомоги, дозволяючи клінікам зосередитися на основних аспектах догляду за пацієнтами.

Клініцист у циклі: балансування ІІ та людського досвіду

Хоча ІІ суттєво оптимізує управління інформацією, людська оцінка та аналіз залишаються важливими для забезпечення високої якості догляду за пацієнтами.

Концепція «клініциста у циклі» є важливою частиною нашої моделі клінічної документації, поєднуючи технологічну ефективність ІІ з важливими знаннями медичних фахівців. Цей підхід включає надання кінцевого результату розборювання документа клініцисту у вигляді чітко анотованого/виділеного документа. Ця спільна система забезпечує високу точність розборювання документів та сприяє постійному покращенню моделі через зворотний зв’язок клініцистів. Така взаємодія призводить до поступового покращення продуктивності ІІ.

Хоча модель ІІ суттєво зменшує час, витрачений на навігацію платформи електронної медичної документації та аналіз документів, участь клініциста є важливою для забезпечення точності та етичного застосування технології. Їхня роль у нагляді за інтерпретацією ІІ гарантує, що кінцеві рішення відображають поєднання передової обробки даних та досвіду медичної оцінки, тим самим посилюючи безпеку пацієнтів та довіру клініцистів до системи.

Прийняття ІІ в медицині

Як ми рухаємося вперед, інтеграція ІІ в клінічні умови, ймовірно, стане більш поширеною. Це дослідження підкреслює трансформаційний потенціал ІІ в медицині та надає огляд на майбутнє, де технологія та медицина зливаються, щоб суттєво принести користь суспільству. Повне дослідження можна знайти тут на arxiv.