Cách dữ liệu bệnh nhân đang thúc đẩy tương lai của chăm sóc sức khỏe

Cuộc đua AI trong lĩnh vực chăm sóc sức khỏe ngày càng chuyển hướng khỏi câu hỏi liệu máy móc có thể tạo ra thông tin y tế hay không và hướng tới một câu hỏi quan trọng hơn: điều gì sẽ xảy ra khi AI có thể làm việc với dữ liệu bệnh nhân mà các bác sĩ và nhà nghiên cứu đã có?

Ba phát triển gần đây chỉ ra hướng mà sự chuyển đổi này có thể đi tới.

Đầu tiên, OpenAI gần đây đã kết nối ChatGPT for Healthcare với dữ liệu hồ sơ sức khỏe điện tử Epic, mang ngữ cảnh lâm sàng riêng cho bệnh nhân vào quy trình làm việc của AI và có khả năng giảm thời gian các bác sĩ dành cho việc tìm kiếm qua các hồ sơ y tế rời rạc.

Tiếp theo, PurpleLab, một công ty dữ liệu và phân tích trong lĩnh vực chăm sóc sức khỏe, vừa ra mắt CARES, một sáng kiến nhằm hỗ trợ nghiên cứu bằng cách sử dụng lượng dữ liệu chăm sóc sức khỏe thực tế khổng lồ của mình.

Và cuối cùng, các nhà nghiên cứu tại Harvard Medical School đã phát triển một mô hình AI sử dụng hồ sơ sức khỏe hiện có và thông tin di truyền để ước tính nguy cơ của hàng trăm bệnh.

Khi kết hợp lại, chúng cho thấy điều mà nhiều người trong lĩnh vực chăm sóc sức khỏe đã suy đoán trong một thời gian dài: dữ liệu bệnh nhân có thể là một trong những tài sản có giá trị nhất của ngành y tế để đổi mới trong chăm sóc.

Hãy xem xét kỹ hơn từng đột phá dữ liệu bệnh nhân gần đây này.

Từ hồ sơ sức khỏe điện tử (EHR) đến trợ lý AI

Vào ngày 1 tháng 9, OpenAI công bố một tích hợp Epic cho ChatGPT for Healthcare cho phép các tổ chức chăm sóc sức khỏe được ủy quyền đưa thông tin bệnh nhân vào quy trình làm việc hỗ trợ AI.

Tích hợp này có thể giúp các bác sĩ xem lại thông tin như ghi chú y tế, thuốc men, kết quả xét nghiệm và các lần khám trước mà không cần tự tay ghép nối lịch sử bệnh nhân từ các phần khác nhau của hồ sơ.

Hệ thống chỉ đọc, có nghĩa là AI không tự động chỉnh sửa hồ sơ y tế.

Sự khác biệt này rất quan trọng. Cơ hội ngay lập tức không phải là thay thế EHR hay cho phép hệ thống AI tự đưa ra quyết định. Đó là giảm thời gian các bác sĩ dành cho việc tìm kiếm và tổng hợp thông tin.

OpenAI cũng đang kết nối ChatGPT for Healthcare với các nguồn công cộng chính thức, bao gồm PubMed, ClinicalTrials.gov, DailyMed và dữ liệu CMS.

Ý tưởng lớn hơn là kết hợp ngữ cảnh bệnh nhân và bằng chứng y tế bên ngoài trong cùng một quy trình làm việc.

Biến dữ liệu thực tế trở nên hữu ích hơn cho nghiên cứu

PurpleLab, một công ty dữ liệu và phân tích tập trung vào, trong số những thứ khác, Bằng chứng Thực tế (RWE) và Dữ liệu Thực tế (RWD) trong lĩnh vực chăm sóc sức khỏe, gần đây đã ra mắt Trung tâm Nâng cao Nghiên cứu Bằng chứng Thực tế, hay CARES, với mục tiêu giúp các nhà nghiên cứu, tổ chức học thuật, mạng lưới bằng chứng và cộng đồng bệnh nhân sử dụng dữ liệu thực tế một cách hiệu quả hơn.

Tầm quan trọng vượt ra ngoài việc chỉ cung cấp thêm dữ liệu.

Các nhà nghiên cứu y tế từ lâu đã gặp phải các vấn đề liên quan đến định nghĩa không nhất quán, bộ dữ liệu rời rạc và khó khăn trong việc tái tạo các nghiên cứu trước đây.

CARES được thiết kế dựa trên nghiên cứu có thể tái tạo, phương pháp minh bạch, hợp tác học thuật và nghiên cứu lấy bệnh nhân làm trung tâm.

PurpleLab cho biết các nhà nghiên cứu có thể làm việc với các bộ dữ liệu thực tế của mình để nghiên cứu các mô hình điều trị, kết quả và chi phí chăm sóc sức khỏe trong các lĩnh vực như ung thư, tim mạch, sức khỏe tinh thần và các bệnh hiếm.

Nếu thành công, các sáng kiến như thế này có thể giúp biến thông tin y tế được tạo ra thường xuyên thành bằng chứng trả lời những câu hỏi mà các nghiên cứu lâm sàng truyền thống không phải lúc nào cũng có thể giải quyết nhanh chóng.

“Bằng chứng thực tế mạnh nhất khi nó được thực hiện một cách nghiêm ngặt, qua đánh giá đồng nghiệp và được chia sẻ công khai. Với PurpleLab CARES, chúng tôi đang chứng minh những gì dữ liệu của chúng tôi có thể làm được trong tay các nhà nghiên cứu, đối tác học thuật và cộng đồng bệnh nhân,” Scott DuVall, Phó Chủ tịch cấp cao, Bằng chứng Thực tế, tại PurpleLab, cho biết trong một tuyên bố của công ty.

Dự đoán bệnh trước khi xuất hiện

Tại Harvard, các nhóm nghiên cứu đang biến dữ liệu bệnh nhân thành các động cơ dự đoán.

Một mô hình học máy được phát triển bởi các nhà nghiên cứu tại Dana-Farber Cancer Institute và Massachusetts General Hospital có thể ước tính nguy cơ 348 bệnh của bệnh nhân bằng cách sử dụng hồ sơ sức khỏe điện tử (EHR) được thu thập thường xuyên cùng với thông tin nguy cơ di truyền.

Mô hình, có tên là Aladynoulli, đã được huấn luyện và xác thực bằng dữ liệu từ hơn 683.000 hồ sơ bệnh nhân trên ba ngân hàng sinh học.

Các nhà nghiên cứu cho biết mô hình có thể cập nhật đánh giá nguy cơ một cách động khi bệnh nhân già đi.

Tiềm năng của nó là đáng kể. Thay vì chỉ xem lịch sử y tế như một bản ghi của những gì đã xảy ra, AI có thể ngày càng sử dụng nó để xác định các mô hình liên quan đến những gì có thể xảy ra tiếp theo.

Nhưng đây là nơi cần thận trọng. Mô hình cho đến nay chỉ được đánh giá bằng dữ liệu bệnh nhân lịch sử, và cần thêm nghiên cứu trước khi xác định cách nó hoạt động trong môi trường lâm sàng thực tế.

Thách thức thực sự là niềm tin

Do đó, tương lai của AI trong chăm sóc sức khỏe có thể phụ thuộc ít hơn vào việc thuật toán nghe có ấn tượng như thế nào và nhiều hơn vào việc dữ liệu phía sau nó có chính xác, đại diện, an toàn và được quản lý có trách nhiệm hay không.

Dữ liệu bệnh nhân có thể tiết lộ các mô hình mà con người khó nhận ra qua nhiều năm lịch sử y tế. Nhưng những hồ sơ đó cũng chứa một trong những thông tin nhạy cảm nhất mà một người tạo ra.

Khi các tổ chức y tế kết nối hồ sơ sức khỏe điện tử (EHR), cơ sở dữ liệu nghiên cứu và hệ thống AI, câu hỏi trung tâm sẽ không chỉ là liệu AI có thể khai thác thêm giá trị từ dữ liệu bệnh nhân hay không.

Mà là liệu hệ thống y tế có thể làm được điều đó mà không mất đi niềm tin của bệnh nhân.

Sự cân bằng giữa thông tin tốt hơn và việc sử dụng có trách nhiệm cuối cùng có thể quyết định mức độ AI sẽ tiến xa từ phòng thí nghiệm nghiên cứu đến chăm sóc sức khỏe hàng ngày.