Як дані пацієнтів формують майбутнє охорони здоров’я

Змагання штучного інтелекту в охороні здоров’я все більше відходить від питання, чи можуть машини генерувати медичну інформацію, і спрямовується до більш важливого: що станеться, коли ШІ зможе працювати з даними пацієнтів, які вже мають клініцисти та дослідники?

Три останні розробки вказують, куди може вести цей зсув.

По‑першу, OpenAI нещодавно підключив ChatGPT for Healthcare до авторизованих Epic electronic health record data, забезпечуючи контекст, специфічний для пацієнта, у робочому процесі ШІ та потенційно скорочуючи час, який клініцисти витрачають на пошук у роздроблених медичних записах.  

Далі, PurpleLab, компанія з даних та аналітики в охороні здоров’я, щойно launched CARES, ініціативу з підтримки досліджень, що використовують її величезний обсяг реальних даних охорони здоров’я. 

І нарешті, дослідники Гарвардської медичної школи developed модель ШІ, яка використовує існуючі медичні записи та генетичну інформацію для оцінки ризику сотень захворювань.

Разом вони підказують те, що багато хто в галузі охорони здоров’я вже давно спекулював: дані пацієнтів можуть стати одним із найцінніших активів індустрії охорони здоров’я для інновацій у догляді. 

Розглянемо докладніше кожен із цих останніх проривів у використанні даних пацієнтів. 

Від електронних медичних записів до AI‑асистентів

1 вересня OpenAI оголосила про інтеграцію Epic для ChatGPT for Healthcare яка дозволяє авторизованим організаціям охорони здоров’я передавати інформацію про пацієнтів у робочі процеси з підтримкою ШІ.

Інтеграція може допомогти клініцистам переглядати інформацію, таку як медичні нотатки, медикаменти, лабораторні результати та попередні візити, без необхідності вручну збирати історію пацієнта з різних частин запису. 

Система лише для читання, тобто ШІ не змінює медичний запис самостійно.

Ця різниця має значення. Негайна можливість полягає не в заміні ЕМЗ чи дозволі ШІ приймати рішення самостійно, а в скороченні часу, який клініцисти витрачають на пошук і синтез інформації.

OpenAI також підключає ChatGPT for Healthcare до офіційних публічних джерел, включаючи PubMed, ClinicalTrials.gov, DailyMed та дані CMS. 

Головна ідея — поєднання контексту пацієнта та зовнішніх медичних доказів в одному робочому процесі.

Зробити реальні дані більш корисними для досліджень

PurpleLab, компанія з даних та аналітики, яка серед іншого зосереджується на реальних доказах (RWE) та реальних даних (RWD) у сфері охорони здоров’я, нещодавно запустила Центр просування досліджень реальних доказів, або CARES, з метою допомогти дослідникам, академічним установам, мережам доказів та спільнотам пацієнтів ефективніше використовувати реальні дані.

Значення виходить за межі простого збільшення доступності даних.

Дослідники в галузі охорони здоров’я довгий час стикаються з проблемами, пов’язаними з непослідовними визначеннями, роздробленими наборами даних та труднощами у відтворенні попередніх досліджень.

CARES створено на основі відтворюваних досліджень, прозорих методів, академічних партнерств та досліджень, орієнтованих на пацієнтів. 

PurpleLab стверджує, що дослідники можуть працювати з її реальними наборами даних, щоб вивчати патерни лікування, результати та витрати охорони здоров’я у таких галузях, як онкологія, кардіологія, психічне здоров’я та рідкісні захворювання.

За успішного впровадження такі ініціативи можуть допомогти перетворити регулярно генеровану інформацію охорони здоров’я у докази, які відповідають на питання, на які традиційні клінічні дослідження не завжди можуть швидко дати відповідь.

«Реальні докази найсильніші, коли вони ретельні, проходять рецензування та відкрито діляться. За допомогою PurpleLab CARES ми демонструємо, що наші дані можуть робити в руках дослідників, академічних партнерів та спільнот пацієнтів», — сказав у заяві компанії Скотт ДюВалл, старший віце-президент з реальних доказів у PurpleLab.

Прогнозування захворювань до їх появи

У Harvard, дослідницькі команди перетворюють дані пацієнтів у прогностичні системи. 

Модель машинного навчання, розроблена дослідниками у Dana-Farber Cancer Institute та Massachusetts General Hospital, може оцінювати ризик пацієнта щодо 348 захворювань, використовуючи регулярно зібрані електронні медичні записи (EHR) разом із генетичною інформацією про ризик.

Модель, назва якої Aladynoulli, була навчена та валідувана за допомогою даних понад 683 000 записів пацієнтів з трьох біобанків. 

Дослідники стверджують, що вона може динамічно оновлювати оцінки ризику зі старінням пацієнта.

Його потенціал значний. Замість того, щоб розглядати медичну історію лише як запис того, що вже сталося, ШІ може все більше використовувати її для виявлення шаблонів, пов’язаних із тим, що може статися далі.

Але саме тут обережність є необхідною. Модель до цього часу оцінювали за допомогою історичних даних пацієнтів, і потрібні додаткові дослідження, перш ніж визначити, як вона працює в реальних клінічних умовах.

Справжній виклик – довіра

Тому майбутнє ШІ в охороні здоров’я може залежати менш від того, наскільки вражаючим звучить алгоритм, і більше від того, чи є дані, що стоять за ним, точними, репрезентативними, безпечними та відповідально керованими.

Дані пацієнтів можуть виявляти шаблони, які важко ідентифікувати людям протягом багатьох років медичної історії. Але ті ж самі записи містять одну з найчутливіших інформацій, яку генерує людина.

Коли організації охорони здоров’я підключають ЕМК, дослідницькі бази даних та системи ШІ, центральне питання буде не лише в тому, чи зможе ШІ отримати більше цінності з даних пацієнтів.

Але питання полягає в тому, чи зможе система охорони здоров’я зробити це, не втрачаючи довіру пацієнтів.

Цей баланс між кращою інформацією та відповідальним використанням зрештою може визначити, наскільки далеко ШІ перейде від дослідницької лабораторії до повсякденної охорони здоров’я.