Tiềm năng biến đổi của một mô hình nền tảng dành riêng cho lĩnh vực chăm sóc sức khỏe

Trong hai năm qua, các mô hình nền tảng tổng quát như GPT-4 đã phát triển đáng kể, mang lại những khả năng chưa từng có nhờ tập dữ liệu lớn hơn, kích thước mô hình tăng lên và cải tiến về kiến ​​trúc. Những mô hình này có thể thích ứng với nhiều nhiệm vụ trên nhiều lĩnh vực khác nhau. Tuy nhiên, AI chăm sóc sức khỏe vẫn được đặc trưng bởi các mô hình được thiết kế cho các nhiệm vụ cụ thể. Ví dụ, một mô hình được đào tạo để phân tích tia X về gãy xương sẽ chỉ xác định các vết gãy và thiếu khả năng tạo ra các báo cáo X quang toàn diện. Hầu hết các 500 Mô hình trí tuệ nhân tạo được Cục Quản lý Thực phẩm và Dược phẩm phê duyệt được giới hạn ở một hoặc hai trường hợp sử dụng. Tuy nhiên, các mô hình nền tảng, được biết đến với khả năng ứng dụng rộng rãi trong các nhiệm vụ khác nhau, đang tạo tiền đề cho một phương pháp tiếp cận mang tính chuyển đổi trong các ứng dụng chăm sóc sức khỏe.

Mặc dù đã có những nỗ lực ban đầu để phát triển các mô hình nền tảng cho các ứng dụng y tế, nhưng cách tiếp cận rộng hơn này vẫn chưa trở nên phổ biến trong AI chăm sóc sức khỏe. Việc áp dụng chậm này chủ yếu là do những thách thức liên quan đến việc truy cập các bộ dữ liệu chăm sóc sức khỏe lớn và đa dạng, cũng như nhu cầu về các mô hình để suy luận về các loại dữ liệu y tế khác nhau. Hoạt động chăm sóc sức khỏe vốn mang tính đa phương thức và kết hợp thông tin từ hình ảnh, hồ sơ sức khỏe điện tử (EHR), cảm biến, thiết bị đeo, bộ gen, v.v. Vì vậy, một mô hình chăm sóc sức khỏe nền tảng cũng phải mang tính đa phương thức. Tuy nhiên, những tiến bộ gần đây trong kiến ​​trúc đa phương thức và học tập tự giám sát, có thể xử lý nhiều loại dữ liệu khác nhau mà không cần dữ liệu được dán nhãn, đang mở đường cho một mô hình nền tảng chăm sóc sức khỏe.

Hiện trạng AI sáng tạo trong chăm sóc sức khỏe

Chăm sóc sức khỏe có truyền thống chậm áp dụng công nghệ, tuy nhiên, nó dường như đã chấp nhận được Trí tuệ nhân tạo nhanh chóng hơn. Tại HIMSS24, hội nghị toàn cầu lớn nhất dành cho các chuyên gia công nghệ chăm sóc sức khỏe, Generative AI là tâm điểm của hầu hết mọi bài thuyết trình.

Một trong những trường hợp sử dụng đầu tiên của Generative AI trong chăm sóc sức khỏe đã được áp dụng rộng rãi, tập trung vào việc giảm bớt gánh nặng hành chính đối với tài liệu lâm sàng. Theo truyền thống, việc ghi lại các tương tác của bệnh nhân và quy trình chăm sóc tiêu tốn một phần đáng kể thời gian của bác sĩ (> 2 giờ mỗi ngày), thường khiến họ mất tập trung vào việc chăm sóc bệnh nhân trực tiếp.

Các mô hình AI như GPT-4 hoặc MedPalm-2 đang được sử dụng để theo dõi dữ liệu bệnh nhân và tương tác giữa bác sĩ và bệnh nhân để soạn thảo các tài liệu quan trọng như ghi chú tiến độ, tóm tắt xuất viện và thư giới thiệu. Những bản thảo này nắm bắt thông tin cần thiết một cách chính xác, chỉ cần bác sĩ xem xét và phê duyệt. Điều này giúp giảm đáng kể thời gian xử lý giấy tờ, cho phép bác sĩ tập trung hơn vào việc chăm sóc bệnh nhân, nâng cao chất lượng dịch vụ và giảm tình trạng kiệt sức.

Tuy nhiên, các ứng dụng rộng rãi hơn của các mô hình nền tảng trong chăm sóc sức khỏe vẫn chưa được hiện thực hóa đầy đủ. Các mô hình nền tảng tổng quát như GPT-4 có một số hạn chế; do đó, cần có một mô hình nền tảng dành riêng cho việc chăm sóc sức khỏe. Ví dụ: GPT-4 thiếu khả năng phân tích hình ảnh y tế hoặc hiểu dữ liệu theo chiều dọc của bệnh nhân, điều này rất quan trọng để đưa ra chẩn đoán chính xác. Ngoài ra, nó không có kiến ​​thức y tế cập nhật nhất vì nó chỉ được đào tạo dựa trên dữ liệu tính đến tháng 2023 năm 2. MedPalm-XNUMX của Google thể hiện nỗ lực đầu tiên nhằm xây dựng một mô hình nền tảng dành riêng cho lĩnh vực chăm sóc sức khỏe, có khả năng đáp ứng cả hai yêu cầu truy vấn y tế và lý luận về hình ảnh y tế. Tuy nhiên, nó vẫn chưa khai thác hết tiềm năng của AI trong chăm sóc sức khỏe.

Xây dựng mô hình nền tảng chăm sóc sức khỏe

Quá trình xây dựng mô hình nền tảng chăm sóc sức khỏe bắt đầu bằng dữ liệu được lấy từ cả nguồn công và tư nhân, bao gồm ngân hàng sinh học, dữ liệu thử nghiệm và hồ sơ bệnh nhân. Mô hình này sẽ có khả năng xử lý và kết hợp các loại dữ liệu khác nhau, chẳng hạn như văn bản với hình ảnh hoặc kết quả xét nghiệm, để thực hiện các nhiệm vụ y tế phức tạp.

Ngoài ra, nó có thể suy luận về các tình huống mới và diễn đạt kết quả đầu ra của nó bằng ngôn ngữ chính xác về mặt y tế. Khả năng này mở rộng đến việc suy luận và sử dụng mối quan hệ nhân quả giữa các khái niệm y tế và dữ liệu lâm sàng, đặc biệt khi đưa ra các khuyến nghị điều trị dựa trên dữ liệu quan sát. Ví dụ, nó có thể dự đoán hội chứng suy hô hấp cấp tính do chấn thương ngực nghiêm trọng gần đây và mức oxy trong động mạch giảm, mặc dù nguồn cung cấp oxy tăng lên.

Hơn nữa, mô hình sẽ truy cập thông tin theo ngữ cảnh từ các tài nguyên như biểu đồ tri thức hoặc cơ sở dữ liệu để có được kiến ​​thức y tế cập nhật, nâng cao lý luận và đảm bảo rằng lời khuyên của nó phản ánh những tiến bộ mới nhất trong y học.

Ứng dụng và tác động của mô hình nền tảng chăm sóc sức khỏe

Những ứng dụng tiềm năng của mô hình nền tảng chăm sóc sức khỏe là rất lớn. Trong chẩn đoán, mô hình như vậy có thể làm giảm sự phụ thuộc vào phân tích của con người. Đối với việc lập kế hoạch điều trị, mô hình có thể hỗ trợ xây dựng các chiến lược điều trị cá nhân hóa bằng cách xem xét toàn bộ hồ sơ bệnh án, chi tiết di truyền và các yếu tố lối sống của bệnh nhân. Một số ứng dụng khác bao gồm:

• Báo cáo X quang có căn cứ: Mô hình nền tảng chăm sóc sức khỏe có thể chuyển đổi ngành X quang kỹ thuật số bằng cách tạo ra các trợ lý linh hoạt hỗ trợ các bác sĩ X quang bằng cách tự động hóa việc soạn thảo báo cáo và giảm khối lượng công việc. Nó cũng có thể tích hợp toàn bộ lịch sử bệnh nhân. Ví dụ: các bác sĩ X quang có thể truy vấn mô hình về những thay đổi trong tình trạng theo thời gian: “Bạn có thể xác định bất kỳ thay đổi nào về kích thước khối u kể từ lần quét cuối cùng không?”
• Hỗ trợ quyết định lâm sàng tại giường bệnh: Tận dụng kiến ​​thức lâm sàng, nó sẽ đưa ra những giải thích và tóm tắt dữ liệu bằng văn bản rõ ràng, miễn phí, cảnh báo nhân viên y tế về những rủi ro tức thời cho bệnh nhân và đề xuất các bước tiếp theo. Ví dụ: cảnh báo trên đám mây mô hình, “Cảnh báo: Bệnh nhân này sắp bị sốc” và cung cấp liên kết đến các bản tóm tắt dữ liệu có liên quan và danh sách kiểm tra để hành động.
• Nghiên cứu chế tạo thuốc: Thiết kế các protein liên kết đặc hiệu và mạnh mẽ với mục tiêu là nền tảng của việc khám phá thuốc. Các mô hình ban đầu như RFdiffusion đã bắt đầu tạo ra protein dựa trên các đầu vào cơ bản như mục tiêu liên kết. Dựa trên những mô hình ban đầu này, một mô hình nền tảng dành riêng cho chăm sóc sức khỏe có thể được đào tạo để hiểu cả trình tự ngôn ngữ và protein. Điều này sẽ cho phép nó cung cấp giao diện dựa trên văn bản để thiết kế protein, có khả năng tăng tốc độ phát triển các loại thuốc mới

Những thách thức

Mặc dù việc xây dựng một mô hình nền tảng dành riêng cho lĩnh vực chăm sóc sức khỏe vẫn là mục tiêu cuối cùng và những tiến bộ gần đây đã khiến nó trở nên khả thi hơn, nhưng vẫn còn những thách thức đáng kể trong việc phát triển một mô hình duy nhất có khả năng suy luận về các khái niệm y tế đa dạng:

• Ánh xạ dữ liệu nhiều phương thức: Mô hình phải được đào tạo về nhiều phương thức dữ liệu khác nhau như dữ liệu EHR, dữ liệu hình ảnh y tế và dữ liệu di truyền. Việc suy luận về các phương thức này là một thách thức vì việc tìm nguồn dữ liệu có độ chính xác cao để ánh xạ chính xác các tương tác trên tất cả các phương thức này là rất khó. Hơn nữa, việc trình bày các phương thức sinh học khác nhau, từ động lực tế bào đến cấu trúc phân tử và tương tác di truyền trên toàn bộ gen, rất phức tạp. Việc đào tạo tối ưu về dữ liệu con người là không khả thi và phi đạo đức, vì vậy các nhà nghiên cứu dựa vào các mô hình động vật hoặc dòng tế bào ít có khả năng dự đoán hơn, điều này tạo ra thách thức trong việc chuyển các phép đo trong phòng thí nghiệm sang hoạt động phức tạp của toàn bộ sinh vật.
• Xác thực và xác minh: Các mô hình nền tảng về chăm sóc sức khỏe đang gặp khó khăn trong việc xác nhận do tính linh hoạt của chúng. Theo truyền thống, các mô hình AI được xác nhận cho các nhiệm vụ cụ thể như chẩn đoán một loại ung thư từ MRI. Tuy nhiên, các mô hình nền tảng có thể thực hiện các nhiệm vụ mới, chưa được nhìn thấy, khiến việc dự đoán tất cả các dạng lỗi có thể xảy ra trở nên khó khăn. Họ yêu cầu giải thích chi tiết về thử nghiệm và các trường hợp sử dụng đã được phê duyệt của họ, đồng thời phải đưa ra cảnh báo về việc sử dụng ngoài hướng dẫn. Việc xác minh kết quả đầu ra của họ cũng phức tạp vì họ xử lý các đầu vào và đầu ra đa dạng, có thể cần đến một hội đồng đa ngành để đảm bảo độ chính xác.
• Những thành kiến ​​xã hội: Những mô hình này có nguy cơ duy trì các thành kiến, vì chúng có thể đào tạo dựa trên dữ liệu không đại diện cho một số nhóm nhất định hoặc chứa các mối tương quan thiên vị. Việc giải quyết những thành kiến ​​này là rất quan trọng, đặc biệt khi quy mô của các mô hình tăng lên, điều này có thể khiến vấn đề trở nên nghiêm trọng hơn.

Con đường phía trước

AI sáng tạo đã bắt đầu định hình lại hoạt động chăm sóc sức khỏe bằng cách giảm bớt gánh nặng tài liệu cho các bác sĩ lâm sàng, nhưng toàn bộ tiềm năng của nó vẫn còn ở phía trước. Tương lai của các mô hình nền tảng trong chăm sóc sức khỏe hứa hẹn sẽ có nhiều thay đổi. Hãy tưởng tượng một hệ thống chăm sóc sức khỏe trong đó việc chẩn đoán không chỉ nhanh hơn mà còn chính xác hơn, trong đó các kế hoạch điều trị được điều chỉnh chính xác theo đặc điểm di truyền của từng bệnh nhân và nơi các loại thuốc mới có thể được phát hiện trong vài tháng thay vì nhiều năm.

Việc tạo ra một mô hình AI nền tảng dành riêng cho chăm sóc sức khỏe đặt ra những thách thức, đặc biệt là khi nói đến việc tích hợp dữ liệu y tế và lâm sàng đa dạng và rải rác. Tuy nhiên, những trở ngại này có thể được giải quyết thông qua nỗ lực hợp tác giữa các nhà công nghệ, bác sĩ lâm sàng và các nhà hoạch định chính sách. Bằng cách làm việc cùng nhau, chúng ta có thể phát triển các khuôn khổ thương mại nhằm khuyến khích các bên liên quan khác nhau (EHR, công ty hình ảnh, phòng thí nghiệm bệnh lý, nhà cung cấp) thống nhất dữ liệu này và xây dựng kiến ​​trúc mô hình AI có khả năng xử lý các tương tác phức tạp, đa phương thức trong chăm sóc sức khỏe.

Hơn nữa, điều quan trọng là sự tiến bộ này phải được tiến hành với một la bàn đạo đức rõ ràng và các khung pháp lý mạnh mẽ để đảm bảo rằng những công nghệ này được sử dụng một cách có trách nhiệm và công bằng. Bằng cách duy trì các tiêu chuẩn cao về xác nhận và công bằng, cộng đồng chăm sóc sức khỏe có thể xây dựng niềm tin và thúc đẩy sự chấp nhận của cả bệnh nhân và bác sĩ.

Hành trình hướng tới hiện thực hóa đầy đủ tiềm năng của các mô hình nền tảng chăm sóc sức khỏe là một chặng đường thú vị. Bằng cách nắm bắt tinh thần đổi mới này, ngành chăm sóc sức khỏe có thể dự đoán không chỉ đáp ứng được những thách thức hiện tại mà còn có thể thay đổi khoa học y tế. Chúng ta đang trên bờ vực của một kỷ nguyên mới táo bạo trong lĩnh vực chăm sóc sức khỏe—một kỷ nguyên tràn đầy khả năng và được thúc đẩy bởi lời hứa về AI sẽ cải thiện cuộc sống trên quy mô toàn cầu.