Transformativt potensial for en helsevesen-spesifikk grunnmodell

I løpet av de siste to årene har generalistiske grunnleggende modeller som GPT-4 utviklet seg betydelig, og tilbyr enestående muligheter på grunn av større datasett, økte modellstørrelser og arkitektoniske forbedringer. Disse modellene kan tilpasses et bredt spekter av oppgaver på tvers av ulike felt. Imidlertid er AI i helsevesenet fortsatt preget av modeller designet for spesifikke oppgaver. For eksempel vil en modell som er trent til å analysere røntgenbilder for benbrudd bare identifisere frakturer og mangle evnen til å generere omfattende radiologirapporter. Mesteparten av 500 AI-modeller godkjent av Food and Drug Administration er begrenset til ett eller to brukstilfeller. Grunnmodeller, kjent for sin brede anvendelighet på tvers av ulike oppgaver, legger imidlertid grunnlaget for en transformativ tilnærming i helsetjenester.

Selv om det har vært innledende forsøk på å utvikle grunnleggende modeller for medisinske applikasjoner, har denne bredere tilnærmingen ennå ikke blitt utbredt i AI i helsevesenet. Denne langsomme bruken skyldes hovedsakelig utfordringene knyttet til tilgang til store og mangfoldige helsedatasett, samt behovet for modeller for å resonnere på tvers av ulike typer medisinske data. Utøvelsen av helsetjenester er iboende multimodal og inkluderer informasjon fra bilder, elektroniske helsejournaler (EPJ), sensorer, wearables, genomikk og mer. Dermed må en grunnleggende helsetjenestemodell også være iboende multimodal. Ikke desto mindre baner nyere fremskritt innen multimodale arkitekturer og selvovervåket læring, som kan håndtere ulike datatyper uten å trenge merkede data, vei for en grunnleggende helsemodell.

Nåværende tilstand for generativ AI i helsevesenet

Helsevesenet har tradisjonelt vært trege med å ta i bruk teknologi, men det ser ut til å ha omfavnet det Generativ AI raskere. På HIMSS24, den største globale konferansen for helsepersonell, var Generative AI midtpunktet for nesten hver presentasjon.

Et av de første brukstilfellene av Generativ AI i helsevesenet som har blitt tatt i bruk i stor utstrekning, fokuserer på å lindre den administrative belastningen med klinisk dokumentasjon. Tradisjonelt bruker dokumentering av pasientinteraksjoner og behandlingsprosesser en betydelig del av legers tid (>2 timer per dag), noe som ofte trekker dem fra direkte pasientbehandling.

AI-modeller som GPT-4 eller MedPalm-2 brukes til å overvåke pasientdata og lege-pasient-interaksjoner for å utarbeide nøkkeldokumenter som fremdriftsnotater, utskrivningssammendrag og henvisningsbrev. Disse utkastene fanger viktig informasjon nøyaktig, og krever kun gjennomgang og godkjenning av lege. Dette reduserer papirarbeidstiden betydelig, slik at leger kan fokusere mer på pasientbehandling, forbedre kvaliteten på tjenesten og redusere utbrenthet.

Imidlertid har de bredere anvendelsene av grunnleggende modeller i helsevesenet ennå ikke virkeliggjort seg. Generalistiske grunnleggende modeller som GPT-4 har flere begrensninger; derfor er det behov for en helsevesenspesifikk grunnmodell. For eksempel mangler GPT-4 evnen til å analysere medisinske bilder eller forstå longitudinelle pasientdata, noe som er avgjørende for å gi nøyaktige diagnoser. I tillegg har den ikke den mest oppdaterte medisinske kunnskapen, siden den ble trent på data som kun var tilgjengelig frem til desember 2023. Googles MedPalm-2 representerer det første forsøket på å bygge en helsespesifikk grunnmodell, som både kan svare medisinske spørsmål og resonnement om medisinske bilder. Imidlertid fanger den fortsatt ikke det fulle potensialet til AI i helsevesenet.

Bygge en grunnleggende helsemodell

Prosessen med å bygge en grunnleggende helsemodell begynner med data hentet fra både offentlige og private kilder, inkludert biobanker, eksperimentelle data og pasientjournaler. Denne modellen vil være i stand til å behandle og kombinere forskjellige datatyper, for eksempel tekst med bilder eller laboratorieresultater, for å utføre komplekse medisinske oppgaver.

I tillegg kan det resonnere om nye situasjoner og artikulere sine resultater i medisinsk presist språk. Denne evnen strekker seg til å utlede og utnytte årsakssammenhenger mellom medisinske konsepter og kliniske data, spesielt når det gis behandlingsanbefalinger basert på observasjonsdata. For eksempel kan det forutsi akutt respiratorisk distress-syndrom fra nylige alvorlige thoraxtraumer og synkende arterielle oksygennivåer, til tross for økt oksygentilførsel.

Videre vil modellen få tilgang til kontekstuell informasjon fra ressurser som kunnskapsgrafer eller databaser for å få oppdatert medisinsk kunnskap, forbedre resonnementet og sikre at rådene gjenspeiler de siste fremskrittene innen medisin.

Applikasjoner og innvirkning av helsevesenets grunnleggende modell

De potensielle bruksområdene for en grunnleggende helsemodell er omfattende. I diagnostikk vil en slik modell kunne redusere avhengigheten av menneskelig analyse. For behandlingsplanlegging kan modellen hjelpe til med å lage individualiserte behandlingsstrategier ved å vurdere en pasients hele journal, genetiske detaljer og livsstilsfaktorer. Noen andre applikasjoner inkluderer:

• Jordet radiologi rapporter: Grunnmodellen for helsevesenet kan transformere digital radiologi ved å lage allsidige assistenter som støtter radiologer ved å automatisere rapportutkast og redusere arbeidsbelastningen. Det vil også være i stand til å integrere hele pasienthistorien. Radiologer kan for eksempel spørre modellen om endringer i tilstander over tid: "Kan du identifisere endringer i tumorstørrelsen siden siste skanning?"
• Klinisk beslutningsstøtte ved sengen: Ved å utnytte klinisk kunnskap vil det tilby klare fritekstforklaringer og dataoppsummeringer, varsle medisinsk personell om umiddelbare pasientrisikoer og foreslå neste trinn. For eksempel, modellskyvarslingen, "Advarsel: Denne pasienten er i ferd med å gå i sjokk," og gir lenker til relevante dataoppsummeringer og sjekklister for handling.
• Drug Discovery: Å designe proteiner som binder seg spesifikt og sterkt til et mål er grunnlaget for medikamentoppdagelse. Tidlige modeller som RFdiffusion har begynt å generere proteiner basert på grunnleggende input som et mål for binding. Med utgangspunkt i disse innledende modellene kan en helsespesifikk grunnmodell trenes opp til å forstå både språk og proteinsekvenser. Dette vil tillate det å tilby et tekstbasert grensesnitt for utforming av proteiner, og potensielt fremskynde utviklingen av nye medisiner

Utfordringer

Selv om det å bygge en helsespesifikk grunnmodell fortsatt er det endelige målet, og nyere fremskritt har gjort det mer gjennomførbart, er det fortsatt betydelige utfordringer med å utvikle en enkelt modell som er i stand til å resonnere på tvers av ulike medisinske konsepter:

• Datakartlegging av flere modaliteter: Modellen må trenes på ulike datamodaliteter som EPJ-data, medisinske bildedata og genetiske data. Å resonnere på tvers av disse modalitetene er utfordrende fordi det er vanskelig å skaffe høykvalitetsdata som nøyaktig kartlegger interaksjoner på tvers av alle disse modalitetene. Dessuten er det komplekst å representere ulike biologiske modaliteter, fra cellulær dynamikk til molekylære strukturer og genomomfattende genetiske interaksjoner. Optimal trening på menneskelige data er umulig og uetisk, så forskere stoler på mindre prediktive dyremodeller eller cellelinjer, noe som skaper en utfordring i å oversette laboratoriemålinger til hele organismers intrikate virkemåte.
• Validering og verifisering: Grunnleggende modeller for helsevesenet er utfordrende å validere på grunn av deres allsidighet. Tradisjonelt er AI-modeller validert for spesifikke oppgaver som å diagnostisere en type kreft fra en MR. Grunnmodeller kan imidlertid utføre nye, usynlige oppgaver, noe som gjør det vanskelig å forutse alle mulige feilmoduser. De krever detaljerte forklaringer av deres testing og godkjente brukstilfeller og bør utstede advarsler for off-label bruk. Å verifisere utgangene deres er også komplisert, siden de håndterer ulike input og utganger, noe som potensielt krever et tverrfaglig panel for å sikre nøyaktighet.
• Sosiale skjevheter: Disse modellene risikerer å opprettholde skjevheter, da de kan trene på data som underrepresenterer bestemte grupper eller inneholder skjev korrelasjoner. Å adressere disse skjevhetene er avgjørende, spesielt ettersom omfanget av modeller øker, noe som kan forsterke problemet.

Veien videre

Generativ AI har allerede begynt å omforme helsevesenet ved å lette dokumentasjonsbyrden på klinikere, men dets fulle potensial ligger foran. Fremtiden for grunnleggende modeller i helsevesenet lover å bli transformerende. Se for deg et helsevesen der diagnostikk ikke bare er raskere, men også mer nøyaktig, hvor behandlingsplaner er nøyaktig skreddersydd til individuelle pasienters genetiske profiler, og hvor nye medikamenter kan bli oppdaget i løpet av noen måneder i stedet for år.

Å lage en helsevesenspesifikk grunnleggende AI-modell byr på utfordringer, spesielt når det gjelder å integrere de mangfoldige og spredte medisinske og kliniske dataene. Imidlertid kan disse hindringene løses gjennom samarbeid mellom teknologer, klinikere og beslutningstakere. Ved å samarbeide kan vi utvikle kommersielle rammeverk som motiverer ulike interessenter (EPJer, bildebehandlingsselskaper, patologilaboratorier, leverandører) til å forene disse dataene og konstruere AI-modellarkitekturer som er i stand til å behandle komplekse, multimodale interaksjoner innen helsevesenet.

Dessuten er det avgjørende at denne utviklingen fortsetter med et klart etisk kompass og robuste regulatoriske rammer for å sikre at disse teknologiene brukes ansvarlig og rettferdig. Ved å opprettholde høye standarder for validering og rettferdighet, kan helsevesenet bygge tillit og fremme aksept blant både pasienter og behandlere.

Reisen mot fullt ut å realisere potensialet til grunnleggende helsemodeller er en spennende grense. Ved å omfavne denne innovative ånden, kan helsesektoren forutse ikke bare å møte dagens utfordringer, men transformere medisinsk vitenskap. Vi er på randen av en dristig ny æra innen helsevesenet – en full av muligheter og drevet av løftet om AI om å forbedre liv på global skala.