Color Health

Color Health⁠(s'obre en una finestra nova) treballa amb OpenAI per obrir una nova via per accelerar l’accés dels pacients amb càncer al tractament. La seva nova aplicació copilot utilitza GPT‑4o per identificar diagnòstics absents i crear plans d’estudi adaptats, cosa que permet als professionals sanitaris prendre decisions basades en l’evidència sobre el cribratge i el tractament del càncer. 

Color treballa des de fa una dècada per millorar l’accés a l’atenció sanitària i ha atès més de 7 milions de pacients des de la seva fundació. El 2023, es va associar amb l’American Cancer Society per ajudar empreses i plans de salut a controlar el càncer, la segona causa de mort més freqüent als Estats Units i el principal impulsor dels costos sanitaris nord-americans.

Color Health utilitza les API d’OpenAI per integrar dades mèdiques dels pacients amb coneixement clínic. El resultat és una aplicació copilot que crea plans de tractament personalitzats i complets perquè els professionals sanitaris els revisin i els facin servir en l’atenció als seus pacients. 

«La visió de Color és fer que l’expertesa en càncer sigui accessible en el punt i el moment en què pot tenir l’impacte més gran en les decisions sanitàries d’un pacient», diu Othman Laraki, CEO de Color Health. 

«Com a empresa sanitària, la tecnologia que millora l’accés i l’equitat ha d’anar de la mà de la tecnologia que dona suport a la seguretat i la privacitat dels pacients. Els estàndards de protecció de dades d’OpenAI conformes amb la HIPAA són clau.»

El resultat de l’aplicació copilot és analitzat per un clínic en cada pas i, si cal, modificat abans de presentar-se al pacient. Funciona així:

1. Extreu, processa i normalitza informació del pacient, com ara els antecedents familiars i els factors de risc individuals, juntament amb directrius clíniques i dades de fonts de confiança. L’equip de Color va quedar especialment impressionat per la capacitat de GPT‑4o d’extreure i normalitzar informació amagada entre pàgines d’informació estructurada i redactada de manera inconsistent, sovint en formats diferents, com ara PDF o notes clíniques. 
2. Amb aquestes dades, respon preguntes clau com ara «Quins cribratges hauria de fer-se el pacient?» per identificar diagnòstics absents i generar un pla de cribratge personalitzat. També genera la documentació necessària per completar qualsevol estudi diagnòstic, com ara documents de necessitat mèdica i preautoritzacions d’assegurança.
3. El clínic al circuit avalua el resultat, que inclou informació d’origen. El clínic pot editar el resultat del copilot, cosa que també ajuda a perfeccionar iteracions futures.
4. Un cop el clínic al circuit està satisfet amb el resultat, pot afegir la informació al pla de tractament existent del pacient.

El cribratge, el diagnòstic i el tractament del càncer són notòriament complexos i requereixen molt de temps. I cada retard marca la diferència: els pacients els tractaments dels quals es retarden només quatre setmanes s’enfronten a un risc de mortalitat un 6–13% més alt⁠(s'obre en una finestra nova).

Les necessitats de cribratge també solen estar molt individualitzades. Més d’un terç dels pacients de Color, per exemple, necessiten enfocaments de cribratge més precoços o diferents segons factors de risc individuals que les directrius estàndard no aborden. «He estat testimoni de la complexitat de desenvolupar plans personalitzats de cribratge del càncer per als meus pacients d’alt risc», diu la Dra. Keegan Duchicela, metgessa d’atenció primària a Color. «Les directrius evolucionen constantment, i els factors de risc individuals no sempre són immediatament clars.» 

Més enllà del cribratge, els estudis diagnòstics generen encara més reptes. Documentar i dur a terme l’estudi diagnòstic d’un sol pacient pot trigar setmanes, i la majoria dels pacients arriben a la seva primera visita d’oncologia sense un estudi complet. «Avui dia, hi ha llacunes reals en l’atenció oncològica en funció d’on un pacient rep el diagnòstic inicial», diu la Dra. Allison Kurian, professora a la Stanford University School of Medicine i oncòloga en actiu. «Molts dels meus pacients necessiten setmanes per completar totes les proves i avaluacions necessàries per oferir un tractament adequat; mentrestant, es perd un temps valuós i s’imposa una càrrega administrativa addicional als clínics.»

Color va començar a treballar amb OpenAI el 2023, amb l’objectiu d’utilitzar la IA per millorar l’atenció als pacients amb càncer i l’equitat en salut. Tenint presents els reptes del cribratge, el diagnòstic i el tractament del càncer, Color buscava una solució que pogués:

• Interpretar dades de pacients amb formats inconsistents
• Analitzar directrius sanitàries denses
• Protegir la privacitat de les dades dels pacients
• Donar suport al disseny de fluxos de treball amb el clínic al circuit per garantir la seguretat del pacient
• Integrar-se amb les històries clíniques electròniques (EHR) i els sistemes centrals hospitalaris

Durant l’exploració inicial, Color va definir el seu enfocament per a l’experimentació ràpida, incloent-hi proves del rendiment de GPT‑4 i GPT‑4o en tasques complexes com l’extracció d’informació de PDF de directrius clíniques per al diagnòstic del càncer. Aquests PDF sovint tenen centenars de pàgines amb diagrames complicats que descriuen itineraris assistencials basats en l’estudi diagnòstic. Junts, OpenAI i Color van desenvolupar un mètode per demanar a GPT‑4 Vision que descrigués captures de pantalla d’aquests diagrames que fos el més eficaç per mantenir la precisió dels resultats.

OpenAI també va ajudar a orientar l’equip de Color per prototipar fluxos de treball clínics amb la interfície estàndard de ChatGPT i generar casos de mostra amb un GPT personalitzat, obtenint proves de concepte eficaces abans de comprometre amplis recursos d’enginyeria.

Amb l’orientació experta d’OpenAI, models potents i estàndards de protecció de dades conformes amb la HIPAA, Color es va poder centrar a descompondre la presa de decisions mèdiques complexes, perfeccionar indicacions i dissenyar fluxos de treball amb el clínic al circuit per crear la versió inicial del copilot.

Per exemple, els enginyers d’OpenAI van orientar Color perquè utilitzés retrieval-augmented generation (RAG) en lloc del fine-tuning del model per augmentar la qualitat dels resultats i reescriure la documentació clínica per facilitar-ne el processament per ChatGPT. En última instància, després d’experimentar, Color va seleccionar OpenAI com a proveïdor de solucions d’IA, amb GPT‑4o al nucli de la seva aplicació copilot d’avantguarda.

Per mesurar l’impacte d’aquesta eina, Color col·labora amb el University of California, San Francisco Helen Diller Family Comprehensive Cancer Center (UCSF HDFCCC). Per a la implementació inicial, Color i UCSF faran una avaluació retrospectiva, seguida d’un desplegament orientat. Segons l’avaluació, hi ha potencial per integrar el copilot en els fluxos de treball clínics de tots els nous casos de càncer a UCSF. 

«UCSF és un líder en la implementació de tecnologia d’avantguarda per millorar l’atenció al pacient», diu el Dr. Alan Ashworth, PhD, FRS, president de l’UCSF HDFCCC. «Els pacients sovint arriben als oncòlegs principals amb estudis diagnòstics incomplets, i el temps necessari per recopilar i identificar amb precisió la finalització d’aquests estudis impedeix als professionals treballar al màxim de les seves competències. Ens interessen les eines que poden millorar l’eficiència i la precisió de la documentació prèvia a la visita i evitar retards costosos en l’inici del tractament per als pacients amb càncer a UCSF.» 

La Dra. Karen Knudsen, CEO de l’American Cancer Society, hi està d’acord. «La idea de combinar tecnologies d’IA amb fluxos de treball clínics habilitats digitalment per accelerar aquest procés seria un avenç positiu per a totes les parts implicades: el pacient i els seus clínics, així com el pagador que cobreix el cost del tractament.»

Color està adoptant un enfocament mesurat en el desplegament del copilot i ha iniciat una primera implantació gradual per als seus propis clínics, aplicant l’eina a un nombre limitat de casos. Aquests casos reben diverses capes de garantia de qualitat:

• Els professionals sanitaris que utilitzen el copilot poden identificar 4 vegades més analítiques, proves d’imatge o resultats de biòpsia i anatomia patològica absents que els que no fan servir el copilot.
• Amb el copilot, els clínics triguen de mitjana 5 minuts a analitzar els historials dels pacients i identificar-ne les mancances. Sense el copilot, les dades estan fragmentades i això pot comportar setmanes de retard.

Durant la segona meitat del 2024, Color té la intenció d’utilitzar l’aplicació copilot per proporcionar plans d’atenció personalitzats generats per IA, amb supervisió mèdica, a més de 200.000 pacients.