Καθώς ο παγκόσμιος πληθυσμός συνεχίζει να αυξάνεται και να γερνά, το σύστημα υγειονομικής περίθαλψης σε διαφορετικές γεωγραφίες πλησιάζει όλο και πιο κοντά στο χείλος της κατάρρευσης. Σύμφωνα με την Παγκόσμιος Οργανισμός Υγείας, ο τρέχων αριθμός εργαζομένων στον τομέα της υγείας, συμπεριλαμβανομένων γιατρών, ακτινολόγων και άλλων επαγγελματιών, δεν επαρκεί για να χειριστεί τον αυξανόμενο φόρτο υποθέσεων. Επιπλέον, το αυξημένο άγχος και η εξάντληση που προκύπτουν από την αύξηση των κρουσμάτων ωθεί πολλούς να βγουν από το γήπεδο, μειώνοντας περαιτέρω τον αριθμό των ασκούμενων εργαζομένων. Οι εκτιμήσεις της Becker Health δείχνουν ότι σχεδόν 72.000 Αμερικανοί γιατροί εγκατέλειψαν το εργατικό δυναμικό μεταξύ 2021 και 2022 και περίπου 30.000 που θα ενταχθούν στο εργατικό δυναμικό δεν θα είναι αρκετοί για να καλύψουν την αυξανόμενη ζήτηση.
Στον πυρήνα, και οι δύο αυτές προκλήσεις – ο αυξανόμενος φόρτος υποθέσεων και η μείωση του εργατικού δυναμικού – αφήνουν έναν σημαντικό αντίκτυπο: μειωμένη ποιότητα της φροντίδας των ασθενών. Εδώ μπορεί να έρθει η πολυσυζητημένη γενετική τεχνητή νοημοσύνη, εξοικονομώντας πολύτιμο χρόνο και πόρους στο προσωπικό υγείας και δίνοντάς τους τη δυνατότητα να επικεντρωθούν στη βελτίωση των κλινικών αποτελεσμάτων.
Κατανόηση του Δυναμικού του Generative AI
Αρχικά, είναι σημαντικό να καταλάβουμε ότι η τεχνητή νοημοσύνη δεν είναι καινούργια στην υγειονομική περίθαλψη. Οι οργανισμοί πειραματίζονται με αλγόριθμους πρόβλεψης και όρασης υπολογιστή εδώ και λίγο καιρό, κυρίως για να προβλέψουν την επιτυχία των θεραπειών και να διαγνώσουν επικίνδυνες ασθένειες νωρίτερα από τους ανθρώπους. Ωστόσο, όσον αφορά τη γενετική τεχνητή νοημοσύνη, τα πράγματα είναι ακόμα αρκετά φρέσκα, δεδομένου ότι η τεχνολογία ήρθε στο προσκήνιο μόλις πριν από μερικά χρόνια με την κυκλοφορία του ChatGPT. Τα μοντέλα τεχνητής νοημοσύνης της γενιάς χρησιμοποιούν νευρωνικά δίκτυα για τον εντοπισμό προτύπων και δομών σε υπάρχοντα δεδομένα και τη δημιουργία νέου περιεχομένου, όπως κείμενο και εικόνες. Ισχύουν σε όλους τους τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης – όπου οι οργανισμοί παράγουν αθροιστικά περίπου 300 petabytes δεδομένων κάθε μέρα.
Τώρα, με τη δυνατότητα να μαθαίνει κανείς από τα δεδομένα και να δημιουργεί κάτι νέο, η τεχνητή νοημοσύνη της γενιάς δεν μπορεί να αντικαταστήσει πλήρως τους γιατρούς ή να κάνει τη δουλειά που κάνουν, αλλά σίγουρα μπορεί να διευκολύνει τον τεταμένο αγωγό υγειονομικής περίθαλψης αυξάνοντας ορισμένες πτυχές του συστήματος. Αυτό μπορεί να είναι οτιδήποτε, από την απλοποίηση των ταξιδιών των ασθενών και την τηλεδιαβούλευση μέχρι το χειρισμό της κλινικής τεκμηρίωσης και την παροχή σχετικών πληροφοριών όταν ο γιατρός βρίσκεται σε χειρουργική επέμβαση.
Ας δούμε τις πιο εφικτές εφαρμογές με gen AI που είναι δυνατές σήμερα.
Βοηθοί AI για ιατρική καθοδήγηση
Μετά το COVID-19, οι περισσότεροι οργανισμοί ξεκίνησαν υπηρεσίες απομακρυσμένης συμβουλευτικής, όπου οι ασθενείς μπορούσαν να έρθουν σε επαφή με τον γιατρό χωρίς να επισκεφθούν πραγματικά το νοσοκομείο αυτοπροσώπως. Η προσέγγιση λειτούργησε, αλλά άφησε τους γιατρούς να καταπονηθούν καθώς έπρεπε να αντιμετωπίσουν τόσο διαδικτυακούς όσο και εκτός σύνδεσης ασθενείς. Με το gen AI, οι οργανισμοί υγειονομικής περίθαλψης μπορούν να λανσάρουν βοηθούς τεχνητής νοημοσύνης που υποστηρίζονται από LLM για να το αντιμετωπίσουν. Ουσιαστικά, θα μπορούσαν να συντονίσουν μοντέλα όπως το GPT-4 σε ιατρικά δεδομένα και να δημιουργήσουν βοηθούς που θα μπορούσαν να αναλάβουν βασικές ιατρικές περιπτώσεις και να καθοδηγήσουν τους ασθενείς στις καλύτερες θεραπείες με βάση τα συστήματά τους. Εάν κάποια συγκεκριμένη περίπτωση φαίνεται πιο περίπλοκη, το μοντέλο θα μπορούσε να ανακατευθύνει τον ασθενή σε γιατρό ή στον πλησιέστερο επαγγελματία υγείας. Με αυτόν τον τρόπο, όλες οι περιπτώσεις θα αντιμετωπίζονταν χωρίς να πιέζονται οι γιατροί σε τεράστια εργασιακή πίεση. Πολλοί οργανισμοί, συμπεριλαμβανομένων των Sanofi, Bayer και Novartis, ακολούθησαν αυτήν την προσέγγιση και κυκλοφόρησαν βοηθούς τεχνητής νοημοσύνης στις αντίστοιχες πλατφόρμες τους.
Πράκτορες για τον εξορθολογισμό του διοικητικού έργου
Μαζί με την αξιολόγηση των συνθηκών και την παροχή καθοδήγησης, μπορούν επίσης να κατασκευαστούν γενετικά chatbot AI για να χειρίζονται βασικές λειτουργίες υγειονομικής περίθαλψης, όπως η κράτηση ραντεβού και η υπενθύμιση στους ασθενείς σχετικά με τις προγραμματισμένες επισκέψεις τους. Αυτό μπορεί να εξοικονομήσει τις ώρες που πρέπει να υποχωρήσουν οι ανθρώπινοι χειριστές για να χειριστούν έναν ολοένα αυξανόμενο αριθμό κλήσεων και μηνυμάτων στα συστήματα υγειονομικής περίθαλψης.
Μεταξύ των παρόχων που χρησιμοποιούν συνομιλητές πράκτορες AI είναι το Mercy Health, το Baptist Health και το Intermountain Healthcare. Όλοι έχουν λανσάρει bots για την αυτοματοποίηση εργασιών όπως η εγγραφή ασθενών, η δρομολόγηση, ο προγραμματισμός, οι συχνές ερωτήσεις, η έκδοση εισιτηρίων στο γραφείο υποστήριξης πληροφορικής και η αναπλήρωση συνταγών. Επιπλέον, πολλοί έχουν αρχίσει ακόμη και να αναπτύσσουν copilots Gen AI που ακούν τη συνομιλία μεταξύ ασθενούς και ιατρού και δημιουργούν συνοπτικές κλινικές σημειώσεις, γλιτώνοντας τους γιατρούς από τον κόπο να τεκμηριώσουν και να αρχειοθετήσουν τις πληροφορίες με μη αυτόματο τρόπο σε ένα EHR. Nabla, ένας από τους παρόχους τέτοιων πιλότων, χρησιμοποιεί ακόμη και αυτές τις σημειώσεις για να δημιουργήσει ένα σύνολο οδηγιών ασθενών, εκ μέρους του γιατρού. Αυτή η ικανότητα μπορεί να αναπτυχθεί περαιτέρω σε ένα σύστημα Gen AI που κάθεται δίπλα στον γιατρό και δημιουργεί εξατομικευμένα σχέδια θεραπείας και θεραπείας με βάση τις τρέχουσες συνθήκες καθώς και προηγουμένως καταγεγραμμένες παραμέτρους, όπως γενετική σύνθεση, ιστορικό υγείας και τρόπο ζωής.
Ανάκτηση δεδομένων στη ροή εργασίας
Ένα από τα μεγαλύτερα πλεονεκτήματα των LLM είναι ότι μπορούν να βελτιωθούν με τη δημιουργία επαυξήσεων ανάκτησης (RAG) για την αξιοποίηση πρόσθετων πόρων δεδομένων χωρίς επανεκπαίδευση. Αυτό επιτρέπει στους οργανισμούς υγειονομικής περίθαλψης να δημιουργήσουν εσωτερικούς έξυπνους βοηθούς ή συστήματα αναζήτησης που θα μπορούσαν να παρέχουν τις πιο σχετικές, συμφραζόμενες απαντήσεις για κάθε δεδομένο ερώτημα. Για παράδειγμα, τα συστήματα που βασίζονται σε RAG θα μπορούσαν να βοηθήσουν τους γιατρούς με την υποστήριξη αποφάσεων, παρέχοντας συστάσεις βασισμένες σε στοιχεία για μια συγκεκριμένη πάθηση.
Σε άλλες περιπτώσεις, θα μπορούσαν να παράγουν ιατρικές αναφορές/δεδομένα ασθενών που βασίζονται σε γεγονότα από συστήματα ΗΜΥ ή να μοιράζονται τις πιο πρόσφατες κλινικές οδηγίες για θεραπεία. με έδρα το Σαν Ντιέγκο Nanome χρησιμοποίησε αυτή την τεχνική για να αναπτύξει έναν βοηθό που χρησιμοποιεί μεγάλα γλωσσικά μοντέλα (LLM) και πρόσβαση σε εσωτερικά δεδομένα σε πραγματικό χρόνο και συστήματα μοριακής προσομοίωσης για να βοηθήσει τις ομάδες φαρμάκων στις ροές εργασιών ανάπτυξης φαρμάκων.
Ανάλυση δεδομένων, δημιουργία αναφορών
Μια άλλη αξιοσημείωτη εφαρμογή της γενετικής τεχνητής νοημοσύνης θα ήταν η ανάλυση δεδομένων, συγκεκριμένα η ανάλυση ιατρικών εικόνων όπως αξονικές τομογραφίες, μαγνητικές τομογραφίες και ακτινογραφίες. Ακόμη και μετά την ταχεία ψηφιοποίηση, οι περισσότεροι διαγνωστικοί φορείς σήμερα βασίζονται σε ανθρώπινους ειδικούς για τη μελέτη ιατρικών εικόνων και τη σύνταξη αναφορών για ασθενείς. Η εργασία απαιτεί πολύ χρόνο και προσπάθεια και είναι ακόμη επιρρεπής σε λάθη που προέρχονται από εγγενείς προκαταλήψεις ή απλώς βασική ανθρώπινη κούραση.
Με μια προσέγγιση που βασίζεται στην τεχνητή νοημοσύνη της γενιάς, οι ομάδες θα μπορούσαν να βελτιώσουν τα μοντέλα όπως το GPT-4 vision και να τα χρησιμοποιήσουν για να μελετήσουν και να δημιουργήσουν αναφορές από ιατρικά δεδομένα, αυτοματοποιώντας και επιταχύνοντας οριστικά ολόκληρη τη διαδικασία. Ναι, η ιδέα είναι ακόμα φρέσκια, αλλά τα πρώτα πειράματα δείχνουν ότι είναι μια πολλά υποσχόμενη εφαρμογή του Gen AI στην υγειονομική περίθαλψη. Στην πραγματικότητα, μια μελέτη από το JAMA Network διαπίστωσε ότι οι αναφορές που δημιουργήθηκαν από AI για ακτινογραφίες θώρακος είχαν το ίδιο επίπεδο ποιότητας και ακρίβειας με αυτές που παράγονται από ανθρώπινους ακτινολόγους.
Ανάπτυξη φαρμάκων
Τέλος, με την ικανότητά του να κατανοεί περίπλοκα μοτίβα και δομές σε πολύπλοκα ιατρικά δεδομένα, η γενετική τεχνητή νοημοσύνη μπορεί επίσης να βοηθήσει στην ανάπτυξη φαρμάκων. Η τεχνολογία μπορεί να αξιολογήσει μοναδικούς δείκτες μιας συγκεκριμένης ασθένειας και να καταλήξει σε νέους συνδυασμούς χημικών ουσιών ή νέες δομές μορίων που θα μπορούσαν να οδηγήσουν σε πιθανά υποψήφια φάρμακα. Μπορεί ακόμη και να ελέγξει τις παραγόμενες ενώσεις με βάση τα χαρακτηριστικά τους και να προβλέψει παρενέργειες και αλληλεπιδράσεις φαρμάκων.
Μόλις πέρυσι, INS018_055 της γενιάς AI της Insilico Medicine φάρμακο για την ιδιοπαθή πνευμονική ίνωση, το οποίο επηρεάζει περίπου 100.000 άτομα στις ΗΠΑ, ξεκίνησε κλινικές δοκιμές σε ανθρώπους και τώρα πλησιάζει σε ευρύτερη απελευθέρωση.
Η προσοχή είναι απαραίτητη
Παρά αυτές τις δυνητικά μετασχηματιστικές εφαρμογές, οι οργανισμοί υγειονομικής περίθαλψης πρέπει να κατανοήσουν ότι η γενετική τεχνητή νοημοσύνη θα είναι τόσο καλή όσο τα δεδομένα στα οποία έχει εκπαιδευτεί/βελτιωθεί. Εάν τα δεδομένα δεν έχουν προετοιμαστεί σωστά ή φέρουν κάποιου είδους προκαταλήψεις, τα αποτελέσματα των μοντέλων θα αντικατοπτρίζουν επίσης αυτά τα προβλήματα, πλήττοντας τη φήμη της επιχείρησης. Αυτό σημαίνει ότι οι οργανισμοί θα πρέπει πρώτα να προετοιμάσουν τα δεδομένα με τον καλύτερο δυνατό τρόπο – αφαιρώντας ταυτοποιήσιμες πληροφορίες προσωπικής ταυτοποίησης (PII) από αυτά – και στη συνέχεια να προχωρήσουν προς τα επόμενα στάδια του κύκλου ζωής του έργου, συμπεριλαμβανομένης της εκπαίδευσης και των συμπερασμάτων, για να καταβάλουν λίγο τις προσπάθειες των κλινικών και διοικητικών λιγότερο επιβαρυντικό.