Seuraava artikkeli auttaa sinua: Terveydenhuollon yritykset kulkevat erittäin varovasti generatiivisen tekoälyn kanssa
Jos seuraat tekniikan maailmaa, tiedät luultavasti tämän hetken kuumin asian generatiivinen tekoäly. Hyvässä tai pahassa, kaikki puhuvat siitä. Siksi on tärkeää tutkia, vastaavatko generatiivisen tekoälyn todelliset sovellukset terveydenhuollon kaltaisilla aloilla hypeä, varsinkin kun otetaan huomioon huoli tietojen turvallisuudesta ja mallien tulosten tarkkuudesta.
Nitin Aggarwal, joka johtaa Googlen Cloud AI -palveluita, kommentoi äskettäin LinkedInissä, että vaikka generatiivisen tekoälyn avulla on helppo luoda “vau”-tekijä, sitä ei ole niin helppoa integroida ratkaisemaan kokonaisvaltaista liiketoimintaa. ongelma. Kuluttaja-asetuksissa näitä malleja on helppo käyttää ja saada vastauksia kysymyksiin tai luoda mielikuvaa, mutta yritystoiminta on täysin erilainen pallopeli.
Aggarwal on sitä mieltä, että yksi yleinen kysymys tässä on, kuinka kypsä yritys GenAI on – ilmassa leijuu kysymyksiä siitä, missä kehotteeni on tallennettu, kuka omistaa IP-osoitteen tai tietoihini rakennetun sovitinmallin, viritetäänkö perusmallia tietoni ja niin edelleen.” Mutta kun tekoäly demokratisoituu, datasta tulee erittäin tärkeä voimavara. “Omistamasi datan monimuotoisuus ja laatu on suurin IP- ja kilpailuetu, joka sinulla on”, Aggarwal sanoi. Ja jos yritykset eivät piittaa datan hallinnasta ja vastuullisuudesta, on helppo menettää tämä erottava tekijä.
Tältä osin OpenAI ilmoitti myös suunnitelmistaan käynnistää ChatGPT Business lähikuukausina. Ominaisuus on tarkoitettu yrityksille, jotka haluavat hallita loppukäyttäjiään ja korostaa, että käyttäjien tietoja ei käytetä oletusarvoisesti heidän mallinsa kouluttamiseen. “ChatGPT Business noudattaa API:mme datankäyttökäytäntöjä”, yhtiö sanoi.
Varovainen lähestymistapa
Yksi esimerkki GenAI:ta käyttävästä terveydenhuoltoyrityksestä olisi Intian suurin sairaalaketju Apollo. Apollo loi viime vuoden lopulla tekoälysovelluksen, nimeltään Clinical Intelligence Engine (CIE), joka käyttää todennäköisyyspohjaisia algoritmeja kliinisen diagnoosin ja siihen liittyvien tietojen määrittämiseen. Tämän tekniikan sanotaan olevan paljon kuin ChatGPT tässä suhteessa. CIE on koulutettu lukuisiin lääketieteellisiin historiallisiin ja tapaustutkimuksiin, jotka on poimittu Apollon omasta kliinisestä tietokannasta sekä miljoonista Apollon anonymisoiduista, todellisista kliinisistä tiedoista. .
Yleensä lähestymistapa on ollut melko varovainen ja toteutettu niillä alueilla, joilla panokset ovat pienemmät, koska niillä on vähemmän suoraa vaikutusta potilaisiin. Esimerkiksi Syntegra, tekoälyn terveydenhuollon startup, käytti generatiivista tekoälyä synteettisen tiedon tuottamiseen. Janssen Pharmaceutical Cosin datatieteilijät validoivat synteettiset tiedot todellisia tietoja vastaan, mikä tekee niistä erityisen arvokasta tutkittaessa harvinaisempia sairauksia, joissa riittävän potilastietojen hankkiminen on haastavaa.
Janssenin datatieteilijät ovat validoineet synteettiset tiedot todellista dataa vastaan, ja ne ovat erityisen hyödyllisiä tutkittaessa vähemmän yleisiä sairauksia, joissa on vaikeampaa kerätä riittävästi potilastietoja
Kova työntö
Siitä huolimatta LLM-palveluntarjoajat vaativat ratkaisuja. Microsoft Azure OpenAI Servicen integrointi Epicin EHR (Electronic Health Record) -alustaan pyrkii automaattisesti täyttämään puuttuvat tiedot, ehdottamaan mahdollisia diagnooseja ja ennustamaan tulevia terveysvaikutuksia historiatietojen perusteella. Samoin Google aikoo tutkia MedPaLM-2:n sovelluksia ultraäänessä, sädehoidossa ja muissa diagnostisissa ja hoidon suunnitteluprosesseissa.
Meillä on myös Nvidia, joka yhdessä Segmedin ja RadImageNetin kanssa työskentelee kehittääkseen malleja, joilla voidaan luoda korkealaatuisia synteettisiä kuvia harjoitustietojen saatavuuden laajentamiseksi. Tämä auttaa parantamaan lääketieteellisiä tekoälyalgoritmeja lääketieteellisten diagnoosien tarkkuuden ja johdonmukaisuuden parantamiseksi. Lisäksi GTC:n aikana yhtiö ilmoitti myös integroivansa reuna-AI-ominaisuudet Medtronicin GI Geniukseen, tekoälyavusteiseen kolonoskopiatyökaluun, joka auttaa lääkäreitä havaitsemaan polyyppejä, jotka voivat johtaa paksusuolen syöpään.
Äskettäin tehty tutkimus osoitti myös, että uudet tekniikat, kuten luonnollisen kielen käsittely (NLP) ja tekoäly (AI), kuten ChatGPT, voivat tuottaa korkealaatuisia kliinisiä kirjeitä, jotka potilaat ymmärtävät helposti ja parantavat tehokkuutta, tarkkuutta ja potilastyytyväisyyttä. sekä säästää terveydenhuoltojärjestelmän kustannuksia.
IBM Watsonin haamuja
Ydin on, että toiveet ovat korkealla kaikkien keskuudessa. Mutta ottaen huomioon haasteet, minkä tahansa tekoälyyn keskittyvän terveydenhuollon startup-yrityksen lupauksiin tulee ottaa suolaa.
”IBM kerskui kerran, että Watson voisi jonain päivänä löytää lääkkeen syöpään. Mikään julkaistu tutkimus ei ole vielä osoittanut, että Watson olisi parantanut potilaiden tuloksia, ja IBM on sittemmin hylännyt Watsonin kaikki sovellukset terveydenhuollossa”, lukee WSJ artikla.
Myös generatiivinen AI-hype-juna saattaa saada saman kohtalon. Pittsburghin yliopiston lääketieteellisen keskuksen tohtori Robert Bart kertoi WSJ että generatiivisen tekoälyn tuleva käyttö, kuten sairauksien diagnosointi, on edelleen hyvin vähäistä. Tällä hetkellä se voi kuitenkin parantaa toimintaprosesseja, kuten potilasaikataulua ja -virtausta.
“Yhdysvaltain FDA:n sertifioimia tekoälyalgoritmeja on jo olemassa ja niitä voidaan turvallisesti käyttää lääketieteessä, mutta generatiivisen tekoälyn tapauksessa kestää useita vuosia, ennen kuin niihin voidaan luottaa. Mutta sitten meillä on edessä todella massiivinen vallankumous terveydenhuollossa”, sanoi aboutDigitalHealth.comin perustaja Artur Olesch.
