Tiềm năng Chuyển đổi của Mô hình Cơ bản Dành cho Chăm sóc Sức khỏe

Trong hai năm qua, các mô hình cơ bản chung như GPT-4 đã phát triển đáng kể, cung cấp các khả năng chưa từng có nhờ vào các tập dữ liệu lớn hơn, kích thước mô hình tăng và cải tiến kiến trúc. Những mô hình này có thể thích ứng với nhiều nhiệm vụ khác nhau trên các lĩnh vực khác nhau. Tuy nhiên, trí tuệ nhân tạo trong chăm sóc sức khỏe vẫn còn 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 X-quang để phát hiện gãy xương chỉ có thể xác định được gãy xương và thiếu khả năng tạo ra các báo cáo X-quang toàn diện. Hầu hết các 500 mô hình AI được Cơ quan Quản lý Thực phẩm và Dược phẩm phê duyệt chỉ giới hạn ở một hoặc hai trường hợp sử dụng. Tuy nhiên, các mô hình cơ bản, được biết đến với khả năng ứng dụng rộng rãi trên các nhiệm vụ khác nhau, đang đặt nền tảng cho một cách tiếp cận 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 cơ bản cho các ứng dụng y tế, nhưng cách tiếp cận rộng hơn này vẫn chưa trở nên phổ biến trong trí tuệ nhân tạo chăm sóc sức khỏe. Sự chậm chạp trong việc áp dụng này chủ yếu là do những thách thức liên quan đến việc truy cập vào các tập dữ liệu chăm sóc sức khỏe lớn và đa dạng, cũng như nhu cầu của các mô hình để lý luận trên các loại dữ liệu y tế khác nhau. Thực hành chăm sóc sức khỏe vốn dĩ là đa phương thức và bao gồm thông tin từ hình ảnh, hồ sơ sức khỏe điện tử (EHRs), cảm biến, thiết bị đeo, genomics và nhiều hơn nữa. Do đó, một mô hình cơ bản chăm sóc sức khỏe cũng phải là đa phương thức. Tuy nhiên, những tiến bộ gần đây trong kiến trúc đa phương thức và học tự giám sát, có thể xử lý các loại dữ liệu khác nhau mà không cần dữ liệu được gắn nhãn, đang mở ra con đường cho một mô hình cơ bản chăm sóc sức khỏe.

Tình hình Hiện tại của Trí tuệ Nhân tạo Tạo sinh trong Chăm sóc Sức khỏe

Chăm sóc sức khỏe truyền thống đã chậm trong việc áp dụng công nghệ, tuy nhiên, nó dường như đã chấp nhận Trí tuệ Nhân tạo Tạo sinh một cách nhanh chóng. Tại hội nghị HIMSS24, hội nghị lớn nhất toàn cầu cho các chuyên gia công nghệ chăm sóc sức khỏe, Trí tuệ Nhân tạo Tạo sinh là điểm trung tâm của gần như mọi bài trình bày.

Một trong những trường hợp sử dụng đầu tiên của Trí tuệ Nhân tạo Tạo sinh trong chăm sóc sức khỏe đã được áp dụng rộng rãi là giảm bớt gánh nặng hành chính của việc ghi chép lâm sàng. Truyền thống, việc ghi chép tương tác của bệnh nhân và quá trình chăm sóc chiếm một phần đáng kể thời gian của các bác sĩ (>2 giờ mỗi ngày), thường làm giảm thời gian 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 triển, tóm tắt xuất viện và thư giới thiệu. Những bản thảo này nắm bắt thông tin thiết yếu một cách chính xác, chỉ yêu cầu bác sĩ xem xét và phê duyệt. Điều này giảm đáng kể thời gian làm việc với giấy tờ, cho phép bác sĩ tập trung nhiều hơn vào chăm sóc bệnh nhân, nâng cao chất lượng dịch vụ và giảm kiệt sức.

Tuy nhiên, các ứng dụng rộng hơn của các mô hình cơ bản trong chăm sóc sức khỏe vẫn chưa được hiện thực hóa đầy đủ. Các mô hình cơ bản chung như GPT-4 có một số hạn chế; do đó, cần có một mô hình cơ bản chăm sóc sức khỏe cụ thể. Ví dụ, GPT-4 thiếu khả năng phân tích hình ảnh y tế hoặc hiểu dữ liệu bệnh nhân theo chiều dọc, điều này quan trọng để cung cấp chẩn đoán chính xác. Ngoài ra, nó không có kiến thức y tế cập nhật nhất, vì nó được đào tạo trên dữ liệu có sẵn chỉ đến tháng 12 năm 2023. Mô hình MedPalm-2 của Google đại diện cho nỗ lực đầu tiên để xây dựng một mô hình cơ bản chăm sóc sức khỏe cụ thể, có khả năng trả lời các câu hỏi y tế và lý luận về hình ảnh y tế. Tuy nhiên, nó vẫn chưa nắm bắt được toàn bộ tiềm năng của AI trong chăm sóc sức khỏe.

Xây dựng Mô hình Cơ bản Chăm sóc Sức khỏe

Quá trình xây dựng một mô hình cơ bản chăm sóc sức khỏe bắt đầu với dữ liệu từ cả nguồn công cộng và tư nhân, bao gồm các 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 lý luận về các tình huống mới và diễn đạt đầu ra của nó bằng ngôn ngữ y tế chính xác. Khả năng này mở rộng đến việc suy luận và sử dụng các mối quan hệ nguyên nhân giữa các khái niệm y tế và dữ liệu lâm sàng, đặc biệt là khi cung cấp 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 từ chấn thương ngực nghiêm trọng gần đây và giảm mức oxy trong máu, mặc dù tăng cung cấp oxy.

Hơn nữa, mô hình sẽ truy cập thông tin ngữ cảnh từ các nguồn như đồ thị kiến thức hoặc cơ sở dữ liệu để có được kiến thức y tế cập nhật, nâng cao khả năng 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 Cơ bản Chăm sóc Sức khỏe

Các ứng dụng tiềm năng cho một mô hình cơ bản chăm sóc sức khỏe là rất rộng. Trong chẩn đoán, một mô hình như vậy có thể giảm sự phụ thuộc vào phân tích của con người. Đối với việc lập kế hoạch điều trị, mô hình có thể hỗ trợ trong việc tạo ra các chiến lược điều trị cá nhân hóa bằng cách xem xét toàn bộ hồ sơ y tế của bệnh nhân, chi tiết di truyền và các yếu tố lối sống. Một số ứng dụng khác bao gồm:

• Báo cáo X-quang có căn cứ: Mô hình cơ bản chăm sóc sức khỏe có thể biến đổi X-quang số bằng cách tạo ra các trợ lý đa năng hỗ trợ các bác sĩ X-quang bằng cách tự động hóa việc soạn thảo báo cáo và giảm tải công việc. Nó cũng sẽ có khả năng tích hợp toàn bộ lịch sử bệnh nhân. Ví dụ, các bác sĩ X-quang có thể hỏi mô hình về sự thay đổi trong tình trạng bệnh nhân theo thời gian: “Bạn có thể xác định bất kỳ sự thay đổi nào trong kích thước khối u kể từ lần quét trước không?”
• Hỗ trợ Ra quyết định Lâm sàng tại Giường bệnh: Sử dụng kiến thức lâm sàng, nó sẽ cung cấp các giải thích rõ ràng, tóm tắt dữ liệu và cảnh báo nhân viên y tế về các rủi ro bệnh nhân ngay lập tức và đề xuất các bước tiếp theo. Ví dụ, mô hình có thể cảnh báo, “Cảnh báo: Bệnh nhân này sắp bị sốc,” và cung cấp liên kết đến các tóm tắt dữ liệu và danh sách kiểm tra để thực hiện.
• Phát hiện Thuốc: Thiết kế protein gắn đặc异 và mạnh vào mục tiêu là nền tảng của việc phát hiện thuốc. Các mô hình ban đầu như RFdiffusion đã bắt đầu tạo ra protein dựa trên các đầu vào cơ bản như mục tiêu gắn. Xây dựng trên những mô hình ban đầu này, một mô hình cơ bản chăm sóc sức khỏe cụ thể có thể được đào tạo để hiểu cả ngôn ngữ và trình tự protein. Điều này sẽ cho phép nó cung cấp một giao diện dựa trên văn bản để thiết kế protein, có khả năng tăng tốc phát triển thuốc mới.

Thách thức

Mặc dù xây dựng một mô hình cơ bản chăm sóc sức khỏe cụ thể vẫn là mục tiêu cuối cùng, và những tiến bộ gần đây đã làm cho nó trở nên khả thi hơn, vẫn còn những thách thức đáng kể trong việc phát triển một mô hình duy nhất có khả năng lý luận trên các khái niệm y tế đa dạng:

• Đánh dấu nhiều phương thức: Mô hình phải được đào tạo trên các phương thức dữ liệu khác nhau như dữ liệu hồ sơ sức khỏe điện tử, dữ liệu hình ảnh y tế và dữ liệu di truyền. Việc lý luận trên các phương thức này là thách thức vì việc tìm kiếm dữ liệu có độ trung thực cao, chính xác thể hiện sự tương tác trên tất cả các phương thức này là khó khăn. Hơn nữa, việc thể hiện các phương thức sinh học khác nhau, từ động lực học tế bào đến cấu trúc phân tử và tương tác di truyền trên toàn bộ hệ gen, là phức tạp. Việc đào tạo tối ưu trên dữ liệu con người là không khả thi và không đạo đức, do đó các nhà nghiên cứu dựa vào các mô hình động vật hoặc dòng tế bào ít dự đoán hơn, điều này tạo ra một thách thức trong việc dịch các phép đo trong phòng thí nghiệm sang các hoạt động phức tạp của các sinh vật hoàn chỉnh.
• Xác thực và Xác minh: Các mô hình cơ bản chăm sóc sức khỏe là thách thức để xác thực do sự đa năng của chúng. Truyền thống, các mô hình AI được xác thực cho các nhiệm vụ cụ thể như chẩn đoán một loại ung thư từ hình ảnh MRI. Tuy nhiên, các mô hình cơ bản có thể thực hiện các nhiệm vụ mới, chưa từng thấy, khiến cho việc dự đoán tất cả các chế độ thất bại có thể là khó khăn. Chúng yêu cầu các giải thích chi tiết về thử nghiệm và các trường hợp sử dụng được phê duyệt và nên đưa ra cảnh báo cho việc sử dụng ngoài nhãn. Việc xác minh đầu ra của chúng cũng phức tạp, vì chúng xử lý các đầu vào và đầu ra đa dạng, có khả năng yêu cầu một hội đồng đa ngành để đảm bảo độ chính xác.
• Th偏见 Xã hội: Những mô hình này có nguy cơ duy trì các thành kiến, vì chúng có thể được đào tạo trên dữ liệu dưới đại diện cho một số nhóm nhất định hoặc chứa các mối tương quan thiên vị. Việc giải quyết những thành kiến này là quan trọng, đặc biệt là khi quy mô của các mô hình tăng, điều này có thể làm tăng vấn đề.

Con đường Tiếp theo

Trí tuệ Nhân tạo Tạo sinh đã bắt đầu thay đổi chăm sóc sức khỏe bằng cách giảm bớt gánh nặng ghi chép trên các bác sĩ, nhưng tiềm năng đầy đủ của nó nằm ở phía trước. Tương lai của các mô hình cơ bản trong chăm sóc sức khỏe hứa hẹn sẽ là chuyển đổi. Hãy tưởng tượng một hệ thống chăm sóc sức khỏe nơi chẩn đoán không chỉ nhanh hơn mà còn chính xác hơn, nơi các kế hoạch điều trị được điều chỉnh chính xác cho các hồ sơ di truyền của từng bệnh nhân, và nơi các loại thuốc mới có thể được phát hiện trong vài tháng thay vì nhiều năm.

Tạo ra một mô hình AI cơ bản chăm sóc sức khỏe cụ thể đặt ra những thách thức, đặc biệt là khi nói đến việc tích hợp dữ liệu y tế và lâm sàng đa dạng và phân tán. Tuy nhiên, những chướng ngại vật này có thể được giải quyết thông qua các nỗ lực hợp tác giữa các nhà công nghệ, các bác sĩ và các nhà hoạch định chính sách. Bằng cách làm việc cùng nhau, chúng ta có thể phát triển các khuôn khổ thương mại khuyến khích các bên liên quan khác nhau (hồ sơ sức khỏe điện tử, công ty hình ảnh, phòng xét nghiệm, nhà cung cấp) thống nhất dữ liệu này và xây dựng các 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 diễn ra với một la bàn đạo đức rõ ràng và các khuôn khổ quy định 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 thực và công bằng, cộng đồng chăm sóc sức khỏe có thể xây dựng niềm tin và khuyến khích sự chấp nhận giữa cả bệnh nhân và các chuyên gia.

Con đường đi đến việc hiện thực hóa đầy đủ tiềm năng của các mô hình cơ bản chăm sóc sức khỏe là một biên giới thú vị. Bằng cách chấp nhận tinh thần đổi mới này, lĩnh vực chăm sóc sức khỏe có thể không chỉ đối mặt với các thách thức hiện tại mà còn có thể chuyển đổi khoa học y tế. Chúng ta đang ở trên ngưỡng của một kỷ nguyên mới đầy hứa hẹn trong chăm sóc sức khỏe – một kỷ nguyên tràn đầy những khả năng và được thúc đẩy bởi lời hứa của AI trong việc cải thiện cuộc sống trên quy mô toàn cầu.