5 Cara Menggunakan AI Generatif dalam Layanan Kesehatan

Diterbitkan: 2023-09-26

PwC memperkirakan bahwa biaya layanan kesehatan akan naik sebesar 7% pada tahun 2024. Peningkatan ini terutama disebabkan oleh kelelahan petugas layanan kesehatan, kekurangan tenaga kerja, perselisihan antara pembayar dan penyedia layanan, dan inflasi. Untuk memastikan perawatan pasien yang efisien tanpa menimbulkan biaya operasional yang berlebihan, industri ini mengeksplorasi teknologi inovatif, seperti AI generatif dalam layanan kesehatan.

Accenture melaporkan bahwa 40% jam kerja penyedia layanan kesehatan dapat ditingkatkan dengan AI, sementara artikel Forbes baru-baru ini menunjukkan bahwa teknologi ini dapat menghemat pengeluaran tahunan sektor medis AS setidaknya $200 miliar.

AI generatif dalam layanan kesehatan menggunakan algoritme pembelajaran mesin untuk menganalisis data tidak terstruktur, seperti catatan kesehatan pasien, gambar medis, rekaman audio konsultasi, dll., dan menghasilkan konten baru yang serupa dengan yang telah dilatih.

Dalam artikel ini, perusahaan pengembang AI generatif kami akan menjelaskan bagaimana teknologi ini dapat mendukung organisasi layanan kesehatan.

Kasus Penggunaan AI Generatif dalam Layanan Kesehatan

  1. Memfasilitasi pelatihan dan simulasi medis
  2. Membantu diagnosis klinis
  3. Berkontribusi pada pengembangan obat
  4. Mengotomatiskan tugas administratif
  5. Menghasilkan data medis sintetis

Memfasilitasi Pelatihan dan Simulasi Medis

AI generatif dalam layanan kesehatan dapat menghasilkan simulasi realistis yang mereplikasi berbagai macam kondisi kesehatan, sehingga memungkinkan mahasiswa kedokteran dan profesional untuk berlatih di lingkungan yang bebas risiko dan terkendali. AI dapat menghasilkan model pasien dengan berbagai penyakit atau membantu mensimulasikan operasi atau prosedur medis lainnya.

Pelatihan tradisional melibatkan skenario yang telah diprogram sebelumnya, dan bersifat membatasi. Sebaliknya, AI dapat dengan cepat menghasilkan kasus pasien dan beradaptasi secara real-time untuk menanggapi keputusan yang diambil oleh peserta pelatihan. Hal ini menciptakan pengalaman belajar yang lebih menantang dan otentik.

Contoh Kehidupan Nyata

Universitas Michigan membangun AI generatif dalam model layanan kesehatan yang dapat menghasilkan berbagai skenario untuk mensimulasikan pengobatan sepsis.

University of Pennsylvania menerapkan model AI generatif untuk mensimulasikan penyebaran COVID-19 dan menguji berbagai intervensi. Hal ini membantu para peneliti mengevaluasi potensi dampak jarak sosial dan vaksinasi terhadap virus tersebut.

Membantu Diagnosis Klinis

Berikut kontribusi AI generatif untuk layanan kesehatan pada diagnostik:

  • Menghasilkan gambar medis berkualitas tinggi . Rumah sakit dapat menggunakan alat AI generatif untuk meningkatkan kemampuan diagnostik AI tradisional. Teknologi ini dapat mengubah pemindaian berkualitas buruk menjadi gambar medis beresolusi tinggi dengan sangat detail, menerapkan algoritma AI pendeteksi anomali, dan menyajikan hasilnya kepada ahli radiologi.
  • Mendiagnosis penyakit . Para peneliti dapat melatih model AI generatif pada gambar medis, tes laboratorium, dan data pasien lainnya untuk mendeteksi dan mendiagnosis timbulnya berbagai kondisi kesehatan secara dini. Algoritme ini dapat mengenali kanker kulit, kanker paru-paru, patah tulang yang tersembunyi, tanda-tanda awal Alzheimer, retinopati diabetik, dan banyak lagi. Selain itu, model AI dapat mengungkap biomarker yang dapat menyebabkan gangguan tertentu dan memprediksi perkembangan penyakit.
  • Menjawab pertanyaan medis . Ahli diagnosa dapat beralih ke AI generatif dalam layanan kesehatan jika mereka memiliki pertanyaan daripada mencari jawabannya di buku kedokteran. Algoritme AI dapat memproses data dalam jumlah besar dan menghasilkan jawaban dengan cepat, sehingga menghemat waktu dokter yang berharga.

Contoh Kehidupan Nyata

Sebuah tim peneliti bereksperimen dengan model Generative Adversarial Network (GAN) untuk mengekstrak dan menyempurnakan fitur dalam pemindaian medis berkualitas rendah, mengubahnya menjadi gambar beresolusi tinggi. Pendekatan ini telah diuji pada pemindaian MRI otak, dermoskopi, fundoskopi retina, dan gambar USG jantung, menunjukkan tingkat akurasi yang unggul dalam deteksi anomali setelah peningkatan gambar.

Dalam contoh lain, Med-Palm 2 Google yang didukung AI dilatih pada kumpulan data MedQA dan mencapai tingkat akurasi 85% saat menjawab pertanyaan medis yang relevan. Google mengakui bahwa algoritmenya masih memerlukan perbaikan, namun ini merupakan awal yang baik bagi AI generatif sebagai asisten diagnostik.

Berkontribusi pada Pengembangan Obat

Menurut Kantor Anggaran Kongres, proses pengembangan obat baru menghabiskan biaya rata-rata $1 miliar hingga $2 miliar, termasuk obat-obatan yang gagal. Untungnya, terdapat bukti bahwa AI berpotensi memangkas waktu yang dibutuhkan untuk merancang dan menyaring obat baru hingga hampir setengahnya, sehingga menghemat biaya tahunan industri farmasi sekitar $26 miliar. Selain itu, teknologi ini dapat mengurangi biaya yang terkait dengan uji klinis sebesar $28 miliar per tahun.

Perusahaan farmasi dapat menerapkan AI generatif dalam layanan kesehatan untuk mempercepat penemuan obat dengan:

  • Merancang dan menghasilkan molekul baru dengan sifat yang diinginkan yang nantinya dapat dievaluasi oleh peneliti di laboratorium
  • Memprediksi sifat kandidat obat dan protein baru
  • Menghasilkan senyawa virtual dengan afinitas pengikatan tinggi terhadap target yang dapat diuji dalam simulasi komputer untuk mengurangi biaya
  • Memperkirakan efek samping obat baru dengan menganalisis struktur molekulnya

Anda dapat menemukan informasi lebih lanjut tentang peran AI dalam penemuan obat dan bagaimana AI memfasilitasi uji klinis di blog kami.

Contoh Kehidupan Nyata

Meningkatnya kemitraan strategis antara perusahaan bioteknologi dan startup AI merupakan tanda awal pengambilan alih industri farmasi oleh AI generatif.

Baru-baru ini, Recursion Pharmaceuticals mengakuisisi dua startup AI Kanada senilai $88 juta. Salah satunya, Valence, dikenal dengan kemampuan AI generatifnya dan akan berupaya merancang kandidat obat berdasarkan kumpulan data kecil dan berisik yang tidak memadai untuk metode penemuan obat tradisional.

Contoh menarik lainnya datang dari Universitas Toronto. Sebuah tim peneliti membangun sistem AI generatif, ProteinSGM, yang dapat menghasilkan protein baru yang realistis setelah mempelajari representasi citra dari struktur protein yang ada. Alat ini dapat menghasilkan protein dengan kecepatan tinggi, dan kemudian model AI lainnya, OmegaFold, diterapkan untuk mengevaluasi potensi protein yang dihasilkan. Para peneliti melaporkan bahwa sebagian besar rangkaian yang dihasilkan baru terlipat menjadi struktur protein nyata.

Mengotomatiskan Tugas Administratif

Ini adalah salah satu kasus penggunaan AI generatif yang paling menonjol dalam layanan kesehatan. Studi menunjukkan bahwa tingkat kelelahan di kalangan dokter di Amerika telah mencapai 62%. Dokter yang menderita kondisi ini lebih cenderung terlibat dalam insiden yang membahayakan pasiennya dan lebih rentan terhadap penyalahgunaan alkohol dan pikiran untuk bunuh diri.

Untungnya, AI generatif dalam layanan kesehatan dapat meringankan beban dokter dengan menyederhanakan tugas-tugas administratif. Hal ini sekaligus dapat mengurangi biaya administrasi, yang menurut HealthAffairs, menyumbang 15%-30% dari keseluruhan pengeluaran layanan kesehatan. Inilah yang dapat dilakukan AI generatif:

  • Ekstrak data dari catatan medis pasien dan isi daftar kesehatan yang sesuai. Microsoft berencana untuk mengintegrasikan AI generatif ke dalam EHR Epic. Alat ini akan melakukan berbagai tugas administratif, seperti membalas pesan pasien.
  • Transkripsikan dan rangkum konsultasi pasien, isi informasi ini ke dalam bidang EHR yang sesuai, dan buat dokumentasi klinis. Nuance dari Microsoft mengintegrasikan teknologi AI generatif GPT-4 ke dalam perangkat lunak transkripsi klinisnya. Dokter sudah bisa menguji versi beta.
  • Hasilkan laporan kesehatan terstruktur dengan menganalisis informasi pasien, seperti riwayat kesehatan, hasil lab, scan, dll.
  • Menghasilkan rekomendasi pengobatan
  • Jawab pertanyaan dokter
  • Temukan slot waktu optimal untuk penjadwalan janji temu berdasarkan kebutuhan pasien dan ketersediaan dokter
  • Hasilkan pengingat janji temu yang dipersonalisasi dan email tindak lanjut
  • Tinjau klaim asuransi kesehatan dan prediksi mana yang kemungkinan besar akan ditolak
  • Susun survei untuk mengumpulkan masukan pasien mengenai berbagai prosedur dan kunjungan, menganalisisnya, dan menghasilkan wawasan yang dapat ditindaklanjuti untuk meningkatkan pemberian layanan

Contoh Kehidupan Nyata

Navina, sebuah startup AI medis, membangun asisten AI generatif yang membantu dokter menangani tugas administratif dengan lebih efisien. Alat ini dapat mengakses data pasien, termasuk EHR, klaim asuransi, dan dokumen yang dipindai, memberikan pembaruan status, merekomendasikan pilihan perawatan, dan menjawab pertanyaan dokter. Ia bahkan dapat menghasilkan dokumen terstruktur, seperti surat rujukan dan catatan kemajuan.

Navina telah memperoleh pendanaan sebesar $44 juta, yang menunjukkan minat yang kuat dari komunitas medis.

Menghasilkan Data Medis Sintetis

Penelitian medis bergantung pada akses sejumlah besar data tentang berbagai kondisi kesehatan. Data ini sangat kurang, terutama jika menyangkut penyakit langka. Selain itu, pengumpulan data tersebut memerlukan biaya yang mahal, dan penggunaan serta pembagiannya diatur oleh undang-undang privasi.

AI generatif dalam bidang kedokteran dapat menghasilkan sampel data sintetis yang dapat menambah kumpulan data kesehatan di kehidupan nyata dan tidak tunduk pada peraturan privasi, karena data layanan kesehatan bukan milik individu tertentu. Kecerdasan buatan dapat menghasilkan data EHR, pemindaian, dll.

Contoh Kehidupan Nyata

Sebuah tim peneliti Jerman membangun model bertenaga AI, GANerAid, untuk menghasilkan data pasien sintetis untuk uji klinis. Model ini didasarkan pada pendekatan GAN dan dapat menghasilkan data medis dengan properti yang diinginkan meskipun ukuran dataset pelatihan asli terbatas.

Tim ilmuwan lain bereksperimen dengan AI generatif untuk mensintesis catatan kesehatan elektronik. Para peneliti termotivasi oleh peraturan privasi data yang ketat dan ketidakmampuan untuk berbagi data pasien antar rumah sakit secara efektif. Mereka membangun model EHR-M-GAN yang dapat memperoleh data EHR tipe campuran yang heterogen (artinya berisi nilai kontinu dan diskrit) yang secara realistis mewakili lintasan pasien.

Pertimbangan Etis dan Tantangan AI Generatif dalam Layanan Kesehatan

Meskipun raksasa teknologi dan konsultan terus berinvestasi pada AI, kita juga dapat melihat bagaimana para pakar AI terkemuka, termasuk CEO Tesla Elon Musk dan CEO OpenAI Sam Altman, memperingatkan risiko yang terkait dengan teknologi tersebut. Jadi, tantangan apa saja yang ditimbulkan oleh AI generatif terhadap layanan kesehatan?

  • Bias . Performa model AI sama bagusnya dengan kumpulan data tempat model tersebut dilatih. Jika data tidak cukup mewakili populasi sasaran, hal ini akan menimbulkan bias terhadap kelompok yang kurang terwakili. Saat alat AI generatif dilatih pada sejumlah besar data rekam medis pasien, alat tersebut akan mewarisi bias apa pun yang ada di sana, dan akan menjadi tantangan untuk mendeteksi, apalagi menghilangkannya.
  • Kurangnya peraturan . Meskipun AI menimbulkan permasalahan etika yang cukup besar, belum ada peraturan resmi yang mengatur penggunaan teknologi ini. AS dan UE sedang berupaya memformalkan kebijakan yang relevan, namun hal ini tidak akan terjadi dalam waktu dekat.
  • Masalah akurasi . AI memang membuat kesalahan, dan dalam layanan kesehatan, akibat dari kesalahan tersebut cukup tinggi. Misalnya, model bahasa besar (LLM) bisa berhalusinasi. Artinya, mereka dapat menghasilkan hasil yang mungkin terjadi secara sintaksis, namun secara faktual salah. Organisasi layanan kesehatan perlu memutuskan kapan harus menoleransi kesalahan dan kapan memerlukan model AI untuk menjelaskan kesimpulannya. Misalnya, jika AI generatif digunakan untuk membantu diagnosis kanker, kemungkinan besar dokter tidak akan mengadopsi alat tersebut jika alat tersebut tidak dapat membenarkan rekomendasinya.
  • Akuntabilitas . Siapa yang bertanggung jawab atas hasil akhir kesehatan? Apakah dokter, vendor AI, pengembang AI, atau pihak lain? Kurangnya akuntabilitas dapat berdampak negatif pada motivasi dan kinerja.

Siap Meningkatkan Praktik Layanan Kesehatan Anda Dengan AI Generatif?

Algoritme AI generatif menjadi semakin canggih. Robert Pearl, seorang profesor klinis di Fakultas Kedokteran Universitas Stanford, mengatakan:

“Kekuatan ChatGPT berlipat ganda setiap enam bulan hingga satu tahun. Dalam lima tahun, kekuatan teknologi ini akan menjadi 30 kali lebih kuat dibandingkan saat ini. Dalam 10 tahun, kekuatannya akan 1.000 kali lebih kuat. Apa yang ada saat ini ibarat mainan. Pada alat generasi mendatang, diperkirakan akan ada satu triliun parameter, yang menariknya merupakan perkiraan jumlah koneksi di otak manusia.”

AI dapat menjadi sekutu yang kuat, namun jika disalahgunakan, AI dapat menyebabkan kerusakan yang signifikan. Organisasi layanan kesehatan perlu mendekati teknologi ini dengan hati-hati. Jika Anda mempertimbangkan untuk menerapkan solusi berbasis AI untuk layanan kesehatan, berikut tiga tips untuk Anda mulai:

  • Siapkan data Anda . Bahkan jika Anda memutuskan untuk memilih model AI yang sudah terlatih dan siap pakai, Anda mungkin masih ingin melatihnya kembali pada kumpulan data milik Anda, yang harus berkualitas tinggi dan mewakili populasi target. Jaga keamanan data medis setiap saat dan lindungi privasi pasien. Akan berguna untuk mengungkapkan pada kumpulan data mana suatu algoritma dilatih karena hal ini membantu untuk memahami di mana algoritma tersebut akan berkinerja baik dan di mana algoritma tersebut mungkin gagal.
  • Kendalikan model AI Anda . Kembangkan konsep AI yang bertanggung jawab di organisasi Anda. Pastikan masyarakat mengetahui kapan dan bagaimana menggunakan alat tersebut dan siapa yang bertanggung jawab atas hasil akhirnya. Uji model AI generatif pada kasus penggunaan dengan dampak terbatas sebelum melakukan penskalaan ke aplikasi yang lebih sensitif. Seperti disebutkan sebelumnya, AI generatif bisa membuat kesalahan. Putuskan di mana tingkat kegagalan yang kecil dapat diterima dan di mana Anda tidak mampu menanggungnya. Misalnya, akurasi 98% sudah cukup dalam aplikasi administratif, namun hal ini tidak dapat diterima dalam praktik diagnostik dan penanganan pasien. Rancang kerangka kerja yang akan mengatur penggunaan AI generatif dalam layanan kesehatan di rumah sakit Anda.
  • Bantu karyawan Anda menerima teknologi dan menggunakannya . AI masih memerlukan bimbingan manusia, terutama di sektor layanan kesehatan yang diatur secara ketat. Human-in-the-loop tetap menjadi unsur penting dalam keberhasilan teknologi. Staf medis dan administrasi diharapkan mengawasi model AI, sehingga rumah sakit perlu fokus pada pelatihan orang untuk tugas ini. Sebaliknya, karyawan harus mampu mengubah rutinitas sehari-hari mereka, karena AI menjadi bagian darinya, untuk menggunakan waktu luang guna menghasilkan nilai.

Ingin mendapatkan manfaat dari AI generatif tetapi tidak yakin bagaimana cara melanjutkannya? Hubungi kami! Kami akan membantu Anda menyiapkan data, menerapkan alat ini, dan mengintegrasikannya ke dalam operasi Anda.

Awalnya diterbitkan di https://itrexgroup.com pada 6 September 2023.