5 sposobów wykorzystania generatywnej sztucznej inteligencji w opiece zdrowotnej

Opublikowany: 2023-09-26

PwC przewiduje, że koszty opieki zdrowotnej wzrosną o 7% w 2024 r. Wzrost ten wynika przede wszystkim z wypalenia zawodowego pracowników służby zdrowia, wynikających z tego niedoborów siły roboczej, sporów pomiędzy płatnikami a świadczeniodawcami oraz inflacji. Aby zapewnić efektywną opiekę nad pacjentem bez ponoszenia nadmiernych kosztów operacyjnych, branża bada innowacyjne technologie, takie jak generatywna sztuczna inteligencja w opiece zdrowotnej.

Accenture podaje, że 40% godzin pracy podmiotów świadczących opiekę zdrowotną można wydłużyć dzięki sztucznej inteligencji, a niedawny artykuł w Forbes sugeruje, że technologia ta może zaoszczędzić amerykańskiemu sektorowi medycznemu co najmniej 200 miliardów dolarów rocznych wydatków.

Generacyjna sztuczna inteligencja w opiece zdrowotnej wykorzystuje algorytmy uczenia maszynowego do analizowania nieustrukturyzowanych danych, takich jak dokumentacja zdrowia pacjenta, obrazy medyczne, nagrania dźwiękowe konsultacji itp., i tworzenia nowych treści podobnych do tych, na których została przeszkolona.

W tym artykule nasza firma zajmująca się rozwojem generatywnej sztucznej inteligencji wyjaśni, w jaki sposób ta technologia może pomóc organizacjom opieki zdrowotnej.

Przypadki użycia generatywnej sztucznej inteligencji w opiece zdrowotnej

  1. Ułatwianie szkolenia medycznego i symulacji
  2. Pomoc w diagnostyce klinicznej
  3. Przyczynianie się do rozwoju leków
  4. Automatyzacja zadań administracyjnych
  5. Generowanie syntetycznych danych medycznych

Ułatwianie szkoleń i symulacji medycznych

Generacyjna sztuczna inteligencja w opiece zdrowotnej może tworzyć realistyczne symulacje odzwierciedlające różnorodne warunki zdrowotne, umożliwiając studentom medycyny i profesjonalistom praktykę w pozbawionym ryzyka, kontrolowanym środowisku. Sztuczna inteligencja może generować modele pacjentów z różnymi chorobami lub pomóc w symulacji operacji lub innej procedury medycznej.

Tradycyjne szkolenie obejmuje wstępnie zaprogramowane scenariusze, które są restrykcyjne. Z kolei sztuczna inteligencja może szybko generować przypadki pacjentów i dostosowywać się w czasie rzeczywistym, reagując na decyzje podejmowane przez stażystów. Stwarza to bardziej wymagające i autentyczne doświadczenie edukacyjne.

Przykład z życia wzięty

Uniwersytet Michigan stworzył generatywny model sztucznej inteligencji w opiece zdrowotnej, który może tworzyć różne scenariusze symulowania leczenia sepsy.

Uniwersytet Pensylwanii wdrożył generatywny model sztucznej inteligencji, aby symulować rozprzestrzenianie się Covid-19 i przetestować różne interwencje. Pomogło to naukowcom ocenić potencjalny wpływ dystansowania społecznego i szczepień na wirusa.

Pomoc w diagnostyce klinicznej

Oto, w jaki sposób generatywna sztuczna inteligencja dla opieki zdrowotnej może przyczynić się do diagnostyki:

  • Generowanie wysokiej jakości obrazów medycznych . Szpitale mogą stosować narzędzia generatywnej sztucznej inteligencji, aby zwiększyć możliwości diagnostyczne tradycyjnej sztucznej inteligencji. Technologia ta umożliwia przekształcanie skanów o niskiej jakości w obrazy medyczne o wysokiej rozdzielczości z dużą ilością szczegółów, stosowanie algorytmów sztucznej inteligencji do wykrywania anomalii i prezentowanie wyników radiologom.
  • Diagnozowanie chorób . Naukowcy mogą trenować generatywne modele sztucznej inteligencji na podstawie obrazów medycznych, testów laboratoryjnych i innych danych pacjentów, aby wykrywać i diagnozować wczesne początki różnych schorzeń. Algorytmy te mogą wykryć raka skóry, raka płuc, ukryte złamania, wczesne objawy choroby Alzheimera, retinopatię cukrzycową i nie tylko. Ponadto modele sztucznej inteligencji mogą ujawnić biomarkery, które mogą powodować określone zaburzenia i przewidywać postęp choroby.
  • Odpowiadanie na pytania medyczne . Diagnozy mogą zwrócić się do generatywnej sztucznej inteligencji w opiece zdrowotnej, jeśli mają pytania, zamiast szukać odpowiedzi w książkach medycznych. Algorytmy AI mogą przetwarzać duże ilości danych i szybko generować odpowiedzi, oszczędzając cenny czas lekarzy.

Przykłady z życia wzięte

Zespół naukowców eksperymentował z modelami generatywnej sieci przeciwstawnej (GAN), aby wyodrębnić i ulepszyć funkcje ze skanów medycznych o niskiej jakości i przekształcić je w obrazy o wysokiej rozdzielczości. Podejście to przetestowano na skanach MRI mózgu, dermoskopii, dna oka i obrazach USG serca, wykazując większą dokładność w wykrywaniu anomalii po wzmocnieniu obrazu.

W innym przykładzie urządzenie Med-Palm 2 firmy Google wyposażone w sztuczną inteligencję zostało przeszkolone w oparciu o zbiór danych MedQA i uzyskało 85% dokładność podczas udzielania odpowiedzi na istotne pytania medyczne. Google przyznaje, że algorytm wymaga jeszcze udoskonalenia, ale to mocny początek dla generatywnej AI jako asystenta diagnostycznego.

Wkład w rozwój leków

Według Biura Budżetowego Kongresu proces opracowywania nowych leków kosztuje średnio od 1 do 2 miliardów dolarów, co obejmuje również leki, które nie sprawdziły się. Na szczęście istnieją dowody na to, że sztuczna inteligencja może skrócić czas potrzebny na projektowanie i badanie nowych leków niemal o połowę, oszczędzając przy tym przemysłowi farmaceutycznemu około 26 miliardów dolarów rocznych wydatków. Dodatkowo technologia ta może obniżyć koszty związane z badaniami klinicznymi o 28 miliardów dolarów rocznie.

Firmy farmaceutyczne mogą wdrożyć generatywną sztuczną inteligencję w opiece zdrowotnej, aby przyspieszyć odkrywanie leków poprzez:

  • Projektowanie i generowanie nowych cząsteczek o pożądanych właściwościach, które badacze mogą później ocenić w warunkach laboratoryjnych
  • Przewidywanie właściwości nowych kandydatów na leki i białek
  • Generowanie wirtualnych związków o wysokim powinowactwie wiązania z celem, które można przetestować w symulacjach komputerowych w celu zmniejszenia kosztów
  • Prognozowanie skutków ubocznych nowych leków poprzez analizę ich struktury molekularnej

Więcej informacji na temat roli sztucznej inteligencji w odkrywaniu leków i tego, jak ułatwia ona badania kliniczne, można znaleźć na naszym blogu.

Przykłady z życia wzięte

Wzrost liczby strategicznych partnerstw między firmami biotechnologicznymi a start-upami zajmującymi się sztuczną inteligencją jest wczesną oznaką przejęcia przez generatywną sztuczną inteligencję przemysłu farmaceutycznego.

Niedawno firma Recursion Pharmaceuticals przejęła dwa kanadyjskie start-upy zajmujące się sztuczną inteligencją za 88 milionów dolarów. Jeden z nich, Valence, jest znany ze swoich generatywnych możliwości w zakresie sztucznej inteligencji i będzie pracował nad projektowaniem kandydatów na leki w oparciu o małe i zaszumione zbiory danych, które nie są wystarczające w przypadku tradycyjnych metod odkrywania leków.

Inny ciekawy przykład pochodzi z Uniwersytetu w Toronto. Zespół badawczy zbudował generatywny system sztucznej inteligencji ProteinSGM, który może generować nowe, realistyczne białka po przestudiowaniu obrazowych reprezentacji istniejących struktur białkowych. Narzędzie to może wytwarzać białka z dużą szybkością, a następnie wdrażany jest inny model sztucznej inteligencji, OmegaFold, w celu oceny potencjału powstałych białek. Naukowcy poinformowali, że większość nowo wygenerowanych sekwencji składa się w rzeczywiste struktury białkowe.

Automatyzacja zadań administracyjnych

Jest to jeden z najważniejszych przypadków wykorzystania generatywnej sztucznej inteligencji w opiece zdrowotnej. Badania pokazują, że wskaźnik wypalenia zawodowego wśród lekarzy w USA osiągnął aż 62%. Lekarze cierpiący na tę chorobę częściej uczestniczą w zdarzeniach zagrażających ich pacjentom, są bardziej skłonni do nadużywania alkoholu i myśli samobójczych.

Na szczęście generatywna sztuczna inteligencja w opiece zdrowotnej może częściowo odciążyć lekarzy, usprawniając zadania administracyjne. Może jednocześnie obniżyć koszty administracyjne, które według HealthAffairs stanowią 15–30% ogólnych wydatków na opiekę zdrowotną. Oto, co może zrobić generatywna sztuczna inteligencja:

  • Wyodrębnij dane z dokumentacji medycznej pacjentów i zapełnij odpowiednie rejestry zdrowia. Microsoft planuje zintegrować generatywną sztuczną inteligencję z EHR firmy Epic. To narzędzie będzie wykonywać różne zadania administracyjne, takie jak odpowiadanie na wiadomości pacjentów.
  • Przepisz i podsumuj konsultacje pacjentów, wypełnij te informacje w odpowiednich polach EHR i sporządź dokumentację kliniczną. Firma Nuance firmy Microsoft zintegrowała technologię generatywnej sztucznej inteligencji GPT-4 ze swoim oprogramowaniem do transkrypcji klinicznej. Lekarze mogą już testować wersję beta.
  • Generuj ustrukturyzowane raporty o stanie zdrowia, analizując informacje o pacjencie, takie jak historia choroby, wyniki badań laboratoryjnych, skany itp.
  • Przygotuj zalecenia dotyczące leczenia
  • Odpowiadaj na pytania lekarzy
  • Znajdź optymalne przedziały czasowe na planowanie wizyt w oparciu o potrzeby pacjentów i dostępność lekarzy
  • Generuj spersonalizowane przypomnienia o spotkaniach i kolejne wiadomości e-mail
  • Przejrzyj roszczenia z tytułu ubezpieczenia medycznego i przewiduj, które z nich prawdopodobnie zostaną odrzucone
  • Twórz ankiety, aby zbierać opinie pacjentów na temat różnych procedur i wizyt, analizować je i dostarczać praktycznych spostrzeżeń w celu poprawy świadczenia opieki

Przykład z życia wzięty

Navina, startup zajmujący się medyczną sztuczną inteligencją, stworzył generatywnego asystenta AI, który pomaga lekarzom efektywniej wykonywać obowiązki administracyjne. To narzędzie może uzyskać dostęp do danych pacjenta, w tym EHR, roszczeń ubezpieczeniowych i zeskanowanych dokumentów, aktualizować status, rekomendować opcje opieki i odpowiadać na pytania lekarzy. Może nawet generować dokumenty strukturalne, takie jak listy polecające i notatki z postępów.

Navina zdobyła już finansowanie w wysokości 44 milionów dolarów, co wskazuje na duże zainteresowanie społeczności medycznej.

Generowanie syntetycznych danych medycznych

Badania medyczne opierają się na dostępie do ogromnych ilości danych na temat różnych schorzeń. Danych tych boleśnie brakuje, zwłaszcza jeśli chodzi o choroby rzadkie. Ponadto gromadzenie takich danych jest kosztowne, a ich wykorzystanie i udostępnianie podlega przepisom dotyczącym prywatności.

Generacyjna sztuczna inteligencja w medycynie może generować syntetyczne próbki danych, które mogą poszerzyć rzeczywiste zbiory danych na temat zdrowia i nie podlegają przepisom dotyczącym prywatności, ponieważ dane dotyczące opieki zdrowotnej nie należą do konkretnych osób. Sztuczna inteligencja może generować dane EHR, skany itp.

Przykłady z życia wzięte

Zespół niemieckich badaczy zbudował model GANerAid oparty na sztucznej inteligencji, aby generować syntetyczne dane pacjentów na potrzeby badań klinicznych. Model ten opiera się na podejściu GAN i może generować dane medyczne o pożądanych właściwościach, nawet jeśli oryginalny zbiór danych szkoleniowych był ograniczony.

Inny zespół naukowców eksperymentował z generatywną sztuczną inteligencją w celu syntezy elektronicznych kart zdrowia. Motywacją badaczy były restrykcyjne przepisy dotyczące prywatności danych i brak możliwości skutecznego udostępniania danych pacjentów między szpitalami. Zbudowali model EHR-M-GAN, który umożliwia uzyskiwanie heterogenicznych danych EHR typu mieszanego (co oznacza, że ​​zawierają zarówno wartości ciągłe, jak i dyskretne), które realistycznie przedstawiają trajektorie pacjenta.

Względy etyczne i wyzwania związane z generatywną sztuczną inteligencją w opiece zdrowotnej

Chociaż giganci technologiczni i konsultingowi nadal inwestują w sztuczną inteligencję, możemy również zobaczyć, jak wybitni eksperci AI, w tym dyrektor generalny Tesli Elon Musk i dyrektor generalny OpenAI Sam Altman, ostrzegają przed zagrożeniami związanymi z tą technologią. Jakie zatem wyzwania generatywna sztuczna inteligencja stawia przed opieką zdrowotną?

  • Stronniczość . Wydajność modeli AI jest tak dobra, jak zbiór danych, na którym zostały przeszkolone. Jeżeli dane nie odzwierciedlają rzetelnie populacji docelowej, pozostawi to miejsce na stronniczość wobec mniej reprezentowanych grup. Jako narzędzia generatywnej sztucznej inteligencji wytrenowane na ogromnych ilościach danych z rejestrów pacjentów, odziedziczą wszelkie obecne w nich błędy, a ich wykrycie, a co dopiero wyeliminowanie, będzie wyzwaniem.
  • Brak przepisów . Chociaż sztuczna inteligencja budzi poważne wątpliwości etyczne, nie ma jeszcze oficjalnych przepisów regulujących korzystanie z tej technologii. USA i UE pracują nad sformalizowaniem odpowiednich polityk, ale nie nastąpi to w najbliższej przyszłości.
  • Obawy dotyczące dokładności . Sztuczna inteligencja popełnia błędy, a w służbie zdrowia cena za takie błędy jest dość wysoka. Na przykład duże modele językowe (LLM) mogą mieć halucynacje. Oznacza to, że mogą dawać syntaktycznie prawdopodobne wyniki, które są niezgodne z faktami. Organizacje opieki zdrowotnej będą musiały zdecydować, kiedy tolerować błędy, a kiedy wymagać, aby model sztucznej inteligencji wyjaśniał wyciągane wnioski. Na przykład, jeśli generatywna sztuczna inteligencja jest wykorzystywana do wspomagania diagnozowania raka, jest mało prawdopodobne, że lekarze zastosują takie narzędzie, jeśli nie będzie ono w stanie uzasadnić jego zaleceń.
  • Odpowiedzialność . Kto jest odpowiedzialny za ostateczny wynik zdrowotny? Czy jest to lekarz, dostawca sztucznej inteligencji, twórcy sztucznej inteligencji, czy jeszcze inna strona? Brak odpowiedzialności może mieć negatywny wpływ na motywację i wydajność.

Chcesz ulepszyć swoją praktykę opieki zdrowotnej dzięki generatywnej sztucznej inteligencji?

Algorytmy generatywne AI stają się coraz potężniejsze. Robert Pearl, profesor kliniczny w Szkole Medycznej Uniwersytetu Stanforda, powiedział:

„ChatGPT podwaja swoją moc co sześć miesięcy do roku. Za pięć lat będzie 30 razy potężniejszy niż obecnie. Za 10 lat będzie 1000 razy silniejszy. To, co istnieje dzisiaj, jest jak zabawka. Szacuje się, że w narzędziach nowej generacji będzie bilion parametrów, co, co ciekawe, odpowiada przybliżonej liczbie połączeń w ludzkim mózgu.

Sztuczna inteligencja może być potężnym sojusznikiem, ale niewłaściwie wykorzystana może spowodować znaczne szkody. Organizacje opieki zdrowotnej muszą podchodzić do tej technologii z ostrożnością. Jeśli zastanawiasz się nad wdrożeniem rozwiązań opartych na sztucznej inteligencji w służbie zdrowia, oto trzy wskazówki na początek:

  • Przygotuj swoje dane . Nawet jeśli zdecydujesz się na wstępnie wytrenowany, gotowy model sztucznej inteligencji, nadal możesz chcieć go przeszkolić na własnym zbiorze danych, który musi być wysokiej jakości i reprezentatywny dla populacji docelowej. Zawsze chroń dane medyczne i chroń prywatność pacjentów. Przydatne byłoby ujawnienie, na jakim zbiorze danych algorytm został przeszkolony, ponieważ pomaga to zrozumieć, gdzie będzie on działał dobrze, a gdzie może zawieść.
  • Przejmij kontrolę nad swoimi modelami AI . Pielęgnuj koncepcję odpowiedzialnej sztucznej inteligencji w swojej organizacji. Upewnij się, że ludzie wiedzą, kiedy i jak korzystać z narzędzi oraz kto bierze odpowiedzialność za ostateczny wynik. Przetestuj generatywne modele sztucznej inteligencji w przypadkach użycia o ograniczonym wpływie przed skalowaniem do bardziej wrażliwych aplikacji. Jak wspomniano wcześniej, generatywna sztuczna inteligencja może popełniać błędy. Zdecyduj, gdzie akceptowalna jest niewielka awaryjność, a gdzie Cię na to nie stać. Na przykład dokładność 98% może wystarczyć w zastosowaniach administracyjnych, ale jest niedopuszczalna w diagnostyce i praktykach mających kontakt z pacjentem. Opracuj ramy regulujące wykorzystanie generatywnej sztucznej inteligencji w opiece zdrowotnej w Twoim szpitalu.
  • Pomóż swoim pracownikom zaakceptować technologię i korzystać z niej . Sztuczna inteligencja nadal potrzebuje wskazówek człowieka, szczególnie w silnie regulowanym sektorze opieki zdrowotnej. Human-in-the-loop pozostaje niezbędnym składnikiem powodzenia technologii. Oczekuje się, że personel medyczny i administracyjny będzie nadzorował modele sztucznej inteligencji, dlatego szpitale muszą skupić się na szkoleniu ludzi do tego zadania. Z drugiej strony pracownicy powinni móc na nowo wymyślić swoją codzienną rutynę, teraz gdy sztuczna inteligencja jest jej częścią, aby wykorzystać uwolniony czas do wytworzenia wartości.

Chcesz skorzystać z generatywnej sztucznej inteligencji, ale nie wiesz, jak postępować? Napisz do nas! Pomożemy Ci przygotować dane, wdrożyć narzędzie i zintegrować je z Twoją działalnością.

Pierwotnie opublikowano na https://itrexgroup.com 6 września 2023 r.