По мере роста и старения населения мира здравоохранительная система в различных географиях приближается к краю коллапса. По данным Всемирной организации здравоохранения, текущего количества медицинских работников, включая врачей, радиологов и других специалистов, недостаточно для обработки растущей нагрузки. Более того, увеличенный стресс и выгорание, вызванные всплеском случаев, заставляют многих покидать сферу, что еще больше сокращает число работающих. По оценкам Becker Health, примерно 72 000 американских врачей покинули рынок труда между 2021 и 2022 годами, и приблизительно 30 000, кто вступит в профессию, будет недостаточно для удовлетворения растущего спроса.
В центре этих двух вызовов – увеличение нагрузки и сокращение трудовых ресурсов – лежит одно главное влияние: снижение качества медицинского обслуживания. Именно здесь на сцену выходит многообещающее генеративное искусственное интеллект, спасающее ценное время и ресурсы здравоохраняющего персонала и позволяющее им сосредоточиться на улучшении клинических результатов.
Прежде всего важно понимать, что искусственный интеллект не нов в сфере здравоохранения. Организации экспериментируют с прогностическими и компьютерными зрительными алгоритмами уже довольно долгое время, в частности, для прогнозирования успешности лечения и диагностики опасных заболеваний раньше, чем это делают люди. Однако, когда дело доходит до генеративного искусственного интеллекта, ситуация все еще довольно свежа, поскольку технология вышла на передний план всего пару лет назад с запуском ChatGPT. Модели Ген ИИ используют нейронные сети для определения паттернов и структур в существующих данных и генерации нового контента, такого как текст и изображения. Они применимы в различных секторах, включая здравоохранение, где организации ежедневно накапливают около 300 петабайт данных.
Теперь, обладая способностью учиться на данных и создавать что-то новое, ген ИИ не может полностью заменить врачей или выполнять их работу, но он действительно может облегчить напряженный поток здравоохранения, усиливая определенные аспекты системы. Это может быть что угодно, начиная от упрощения путешествий пациентов и телеконсультации до обработки клинической документации и предоставления актуальной информации во время операции врача.
Давайте рассмотрим наиболее перспективные приложения с генеративным ИИ, которые возможны уже сегодня. После COVID-19 многие организации запустили услуги удаленной консультации, где пациенты могут связаться с врачом, не посещая больницу лично. Этот подход сработал, но заставил врачей перерабатывать, так как им приходилось иметь дело как с онлайн-, так и с офлайн-пациентами. С помощью генеративного ИИ здравоохранительные организации могут запускать AI-ассистентов на основе LLM, чтобы справиться с этим. По сути, они могут настроить модели, например, GPT-4 на медицинские данные и создать ассистентов, которые могли бы принимать базовые медицинские случаи и направлять пациентов на лучшее лечение на основе их симптомов. Если какой-то случай кажется более сложным, модель может направить пациента к врачу или ближайшему медицинскому работнику. Таким образом, все случаи будут решены без перегрузки врачей. Многие организации, включая Sanofi, Bayer и Novartis, пользуются этим подходом и запустили AI-ассистентов на своих соответствующих платформах.
Помимо оценки состояний и предоставления рекомендаций, генеративные AI-чатботы также могут быть созданы для обработки основных медицинских операций, таких как запись на прием и напоминание пациентам о своих запланированных визитах. Это может сократить количество часов, которые должны уделять человеческие операторы для обработки все большего числа звонков и сообщений в системах здравоохранения.
Среди поставщиков, использующих агентов конверсационного AI, Mercy Health, Baptist Health и Intermountain Healthcare. Они все запустили ботов для автоматизации задач, таких как регистрация пациентов, маршрутизация, планирование, часто задаваемые вопросы (FAQ), тикеты службы поддержки информационных технологий и заказы на лекарственные средства. Более того, многие уже начали использовать генеративные AI-сопровождающие, которые слушают беседу между пациентом и врачом и генерируют краткие клинические записи, что экономит докторам хлопоты по документированию и заполнению информации вручную в электронной медицинской карте. Компания Nabla, один из поставщиков таких сопровождающих, даже использует эти заметки для создания набора инструкций для пациентов от имени врача. Эта возможность может быть дальше развита в систему генеративного ИИ, который сидит рядом с врачом и создает персонализированные планы лечения и терапии на основе текущих условий, а также ранее записанных параметров, включая генетическую структуру, медицинскую историю и образ жизни.
Одним из ключевых преимуществ языковых моделей с большим объемом данных является их способность дополняться ретриевом увеличения поколения (RAG) для доступа к дополнительным источникам данных без повторного обучения. Это позволяет здравоохранительным организациям создавать внутренние интеллектуальные ассистенты или поисковые системы, которые могли бы предоставлять наиболее актуальные ответы на любой запрос. Например, системы на основе RAG могут помочь врачам в поддержке принятия решений, производя рекомендации на основе доказательств для конкретного состояния. В других случаях они могут создавать фактологические медицинские отчеты/данные пациентов из систем электронной медицинской документации (EHR) или делиться последними клиническими указаниями для лечения. Например, компания Nanome из Сан-Диего использовала эту технику для разработки ассистента, использующего модели с большим объемом данных и доступ к внутренним данным в реальном времени и системам молекулярного моделирования для помощи фармацевтическим командам в их рабочих процессах по разработке лекарств. Другим заметным приложением генеративного ИИ является анализ данных, в частности анализ медицинских изображений, таких как КТ-сканы, МРТ и рентгенограммы. Даже после быстрой цифровизации большинство диагностических агентств и сегодня полагаются на специалистов-людей для изучения медицинских изображений и написания отчетов для пациентов. Работа занимает много времени и усилий и даже подвержена ошибкам, происходящим из врожденных предубеждений или просто усталости человека. С помощью подхода на основе генеративного ИИ команды могут настраивать модели, такие как ГПТ-4 Видение для изучения и создания отчетов на основе медицинских данных, автоматизируя и ускоряя весь процесс. Да, идея все еще свежая, но ранние эксперименты показывают, что это многообещающее применение генеративного ИИ в здравоохранении. Фактически, исследование JAMA Network обнаружило, что автоматически созданные ИИ-отчеты для рентгенограмм грудной клетки имели такой же уровень качества и точности, что и те, которые были произведены радиологами. Наконец, благодаря его способности понимать сложные паттерны и структуры в сложных медицинских данных, генеративный ИИ также может помочь в разработке лекарств. Технология может оценить уникальные маркеры конкретного заболевания и предложить новые комбинации химических веществ или новые структуры молекул, которые могли бы привести к потенциальным кандидатам в лекарства. Он даже может отсеивать сгенерированные соединения на основе их характеристик и предсказывать побочные эффекты и взаимодействия лекарств. Вот уже на прошлой неделе ген ИИ-генерированное лекарство INS018_055 от индифицированной фиброзной полиомиелита, которое затрагивает около 100 000 человек в США, прошло клинические испытания на людях и теперь приближается к широкому внедрению. Несмотря на эти потенциально трансформационные приложения, здравоохранительные организации должны понимать, что генеративный ИИ будет хорош только настолько, насколько хороши данные, на которых он был обучен/доведен до совершенства. Если данные не были правильно подготовлены или содержат какие-либо виды предвзятостей, результаты моделей также будут отражать эти проблемы, ударив по репутации бизнеса. Это означает, что организации должны сперва подготовить данные наилучшим образом – удалив из них информацию, позволяющую идентифицировать личность (PII) – и затем переходить к следующим этапам жизненного цикла проекта, включая обучение и вывод, чтобы помочь врачам и администраторам перенести нагрузку на плечи в разы меньшую.
