Трансформаційна потенція моделі фундаментальної охорони здоров’я

За останні два роки загальні фундаментальні моделі, такі як GPT-4, суттєво еволюціонували, пропонуючи безпрецедентні можливості завдяки більшим наборам даних, збільшенню розмірів моделей та архітектурним поліпшенням. Ці моделі адаптовані до широкого спектра завдань у різних галузях. Однак штучний інтелект у сфері охорони здоров’я все ще характеризується моделями, розробленими для конкретних завдань. Наприклад, модель, навчена аналізувати рентгенівські зображення для виявлення переломів кісток, зможе лише ідентифікувати переломи та не матиме можливості створювати повні радіологічні звіти. Більшість із 500 моделей штучного інтелекту, затверджених Управлінням з контролю за продуктами та ліками США, обмежені однією чи двома сферами застосування. Однак фундаментальні моделі, відомі своєю широкою застосовністю до різних завдань, створюють передумови для трансформаційного підходу в застосуванні штучного інтелекту у сфері охорони здоров’я.

Хоча були зроблені перші спроби розробити фундаментальні моделі для медичних застосунків, такий широкий підхід ще не став поширеним у сфері штучного інтелекту охорони здоров’я. Це повільне впровадження в першу чергу пояснюється труднощами доступу до великих та різноманітних наборів даних у сфері охорони здоров’я, а також необхідністю розробки моделей, які можуть оперувати різними типами медичних даних. Практика охорони здоров’я є суттєво мультидисциплінарною та включає інформацію зображень, електронних медичних карток (ЕМК), датчиків, носимих пристроїв, геноміки тощо. Тому фундаментальна модель охорони здоров’я також повинна бути мультидисциплінарною. Тим не менш, останні досягнення у сфері мультидисциплінарних архітектур та самонавчання, які можуть обробляти різні типи даних без потреби у мітках, відкривають шлях для створення фундаментальної моделі охорони здоров’я.

Поточний стан генерації штучного інтелекту у сфері охорони здоров’я

Охорона здоров’я традиційно була повільною у впровадженні технологій, однак вона, здається, прийняла генерацію штучного інтелекту швидше. На конференції HIMSS24, найбільшій глобальній конференції для фахівців у сфері технологій охорони здоров’я, генерація штучного інтелекту була основним предметом майже кожної презентації.

Одним із перших застосунків генерації штучного інтелекту у сфері охорони здоров’я, який набув широкого поширення, є полегшення адміністративного навантаження клінічної документації. Традиційно, документація взаємодій з пацієнтами та процесів лікування займає суттєву частину часу лікарів (>2 години на добу), часто відволікаючи їх від безпосередньої допомоги пацієнтам.

Моделі штучного інтелекту, такі як GPT-4 або MedPalm-2, використовуються для моніторингу даних пацієнтів та взаємодій лікаря-пацієнта для створення попередніх документів, таких як медичні записи, підсумкові звіти про виписку та направлення. Ці документи точно відображають основну інформацію, потребуючи лише перевірки та затвердження лікаря. Це суттєво зменшує час, витрачений на паперову роботу, дозволяючи лікарям зосередитися на безпосередній допомозі пацієнтам, підвищуючи якість послуг та зменшуючи вичерпання.

Однак більш широкі застосування фундаментальних моделей у сфері охорони здоров’я ще не повністю реалізовані. Загальні фундаментальні моделі, такі як GPT-4, мають певні обмеження; тому існує потреба у створенні фундаментальної моделі, орієнтованої конкретно на сферу охорони здоров’я. Наприклад, GPT-4 не здатна аналізувати медичні зображення або розуміти довгострокові дані пацієнтів, що є критично важливим для надання точних діагнозів. Крім того, вона не володіє найбільш актуальними медичними знаннями, оскільки була навчена на даних, доступних лише до грудня 2023 року. Модель MedPalm-2 від Google представляє першу спробу створення фундаментальної моделі охорони здоров’я, здатної як відповісти на медичні запитання, так і оперувати медичними зображеннями. Однак вона ще не розкриває повний потенціал штучного інтелекту у сфері охорони здоров’я.

Створення фундаментальної моделі охорони здоров’я

Процес створення фундаментальної моделі охорони здоров’я починається з даних, отриманих з публічних та приватних джерел, включаючи біобанки, експериментальні дані та медичні записи. Ця модель буде здатна обробляти та комбінувати різні типи даних, такі як текст із зображеннями або лабораторними результатами, для виконання складних медичних завдань.

Крім того, вона зможе оперувати новими ситуаціями та артикулювати свої висновки медично точною мовою. Ця здатність поширюється на висновок та використання причинно-наслідкових зв’язків між медичними поняттями та клінічними даними, особливо при розробці рекомендацій щодо лікування на основі спостережувальних даних. Наприклад, вона зможе передбачити гостру респіраторну недостатність від недавнього важкого торакального травматизму та зниження рівня артеріальної оксигенації, незважаючи на збільшення постачання кисню.

Крім того, модель буде мати доступ до контекстної інформації з джерел, таких як знання графів або баз даних, для отримання актуальних медичних знань, підвищуючи свою здатність до висновків та забезпечення того, що її поради відображають останні досягнення медицини.

Застосування та вплив фундаментальної моделі охорони здоров’я

Потенційні застосування фундаментальної моделі охорони здоров’я є широкими. У діагностиці така модель могла б зменшити залежність від людського аналізу. Для планування лікування модель могла б допомогти у створенні індивідуальних планів лікування, враховуючи весь медичний запис пацієнта, генетичні дані та спосіб життя. Інші застосування включають:

• Закріплені радіологічні звіти: Фундаментальна модель охорони здоров’я може трансформувати цифрову радіологію, створюючи універсальних помічників, які підтримують радіологів, автоматизуючи створення звітів та зменшуючи навантаження. Вона також зможе інтегрувати весь медичний запис пацієнта. Наприклад, радіологи можуть запитати модель про зміни стану пацієнта з часом: “Чи можете ви визначити будь-які зміни у розмірі пухлини з моменту останнього сканування?”
• Клінічна підтримка прийняття рішень біля ліжка пацієнта: Використовуючи клінічні знання, вона зможе надавати ясні, вільні від технічних термінів пояснення та підсумки даних, попереджаючи медичний персонал про потенційні ризики для пацієнта та пропонуючи наступні кроки. Наприклад, модель могла б попередити, “Попередження: цей пацієнт може потрапити у стан шоку,” та надати посилання на відповідні підсумки даних та контрольні списки для дій.
• Відкриття ліків: Проєктування білків, які специфічно та сильно зв’язуються з цілями, є основою відкриття ліків. Ранні моделі, такі як RFdiffusion, почали генерувати білки на основі базових входів, таких як ціль для зв’язування. Розробляючи ці первинні моделі, фундаментальна модель охорони здоров’я могла б бути навчена розуміти як мову, так і послідовності білків. Це дозволить їй пропонувати текстовий інтерфейс для проєктування білків, потенційно прискорюючи розвиток нових ліків.

Виклики

Хоча створення фундаментальної моделі охорони здоров’я залишається кінцевою метою, і останні досягнення зробили її більш реальною, все ще існують суттєві виклики у розробці єдиної моделі, здатної оперувати різними медичними поняттями:

• Мапування декількох модальностей: Модель повинна бути навчена на різних модальностях даних, таких як дані ЕМК, медичні зображення та генетичні дані. Оперування цими модальностями є складним завданням, оскільки отримання високоякісних даних, які точно відображають взаємодії між усіма цими модальностями, є складним. Крім того, представлення різних біологічних модальностей, від клітинної динаміки до молекулярних структур та геномних взаємодій, є складним завданням. Оптимальне навчання на даних людини є недоцільним та неетичним, тому дослідники покладаються на менш передбачувані моделі тварин або клітинних ліній, що створює виклик у перекладі лабораторних вимірювань на роботу цілих організмів.
• Валідация та верифікація: Фундаментальні моделі охорони здоров’я є складними для валідации через свою універсальність. Традиційно, моделі штучного інтелекту валідуються для конкретних завдань, таких як діагностика певного типу раку з МРТ. Однак фундаментальні моделі можуть виконувати нові, невидимі завдання, що робить складним передбачення всіх можливих режимів відмов. Вони потребують детальних пояснень їх тестування та затверджених випадків використання та повинні видавати попередження про використання поза затвердженими випадками. Верифікація їх висновків також є складною, оскільки вони обробляють різні входи та виходи, потенційно вимагаючи мультидисциплінарної комісії для забезпечення точності.
• Соціальні упередження: Ці моделі ризикують підтримувати упередження, оскільки вони можуть бути навчені на даних, які недооцінюють певні групи або містять упередженість. Подолання цих упереджень є важливим, особливо з огляду на те, що масштаб моделей зростає, що може посилити проблему.

Шлях вперед

Генерація штучного інтелекту вже почала змінювати сферу охорони здоров’я, полегшуючи навантаження документації на лікарів, але її повний потенціал лежить попереду. Майбутнє фундаментальних моделей у сфері охорони здоров’я обіцяє бути трансформаційним. Уявіть собі систему охорони здоров’я, де діагностика не тільки швидша, але й точніша, де плани лікування точно підібрані до генетичних профілів окремих пацієнтів, і де нові ліки могли б бути відкриті за кілька місяців, а не років.

Створення фундаментальної моделі охорони здоров’я представляє собою виклики, особливо щодо інтеграції різноманітних та розрізнених медичних та клінічних даних. Однак ці перешкоди можуть бути подолані завдяки спільним зусиллям технологів, клініцистів та політики. Працюючи разом, ми можемо розробити комерційні рамки, які заохочуватимуть різних учасників (ЕМК, компанії з медичної візуалізації, патологічні лабораторії, постачальники медичних послуг) уніфікувати ці дані та створити архітектуру моделей штучного інтелекту, здатну обробляти складні, мультидисциплінарні взаємодії у сфері охорони здоров’я.

Крім того, важливо, щоб цей прогрес відбувався з чітким етичним компасом та міцними регуляторними рамками, щоб забезпечити, що ці технології використовуються відповідально та справедливо. Зберігаючи високі стандарти валідации та справедливості, спільнота охорони здоров’я може створити довіру та сприяти прийняттю цих технологій серед пацієнтів та практиків.

Шлях до повного реалізації потенціалу фундаментальних моделей охорони здоров’я є цікавим фронтиром. Приймаючи цей інноваційний дух, сфера охорони здоров’я може очікувати не тільки подолання поточних викликів, але й трансформації медичної науки. Ми стоїмо на порозі нової ери у сфері охорони здоров’я – ери, яка буде наповнена можливостями та рухатиметься обіцянкою штучного інтелекту покращити життя на глобальному рівні.