Paradigm

Els assaigs clínics són la manera com descobrim noves cures, i poden ser una forma de tractament que salva vides. Paradigm⁠(s'obre en una finestra nova) està eliminant barreres en el sector sanitari amb tecnologia que apropa els assaigs clínics a més persones, com ara pacients amb càncer, alhora que redueix la càrrega administrativa de metges i infermers per abordar l’esgotament clínic.

L’avaluació de les històries clíniques dels pacients és un coll d’ampolla important per aconseguir que un pacient s’inscrigui en un assaig clínic que podria oferir la millor opció de tractament possible. Els proveïdors sanitaris poques vegades tenen temps per cercar assaigs clínics, entendre els detalls de l’assaig que s’està duent a terme i, després, identificar i qualificar pacients. El resultat és que la majoria dels assaigs clínics s’omplen amb pacients propers al lloc on es duen a terme, fet que introdueix biaixos en el procés de selecció i impedeix que molts pacients accedeixin a una atenció innovadora que podria salvar-los la vida.

Per resoldre-ho, Paradigm va desplegar i optimitzar models tradicionals d’ML i NLP específics del sector sanitari, basats en les millors pràctiques, per extreure i interpretar dades de les històries clíniques. Aquests models es van entrenar i avaluar amb conjunts de dades de referència seleccionats per clínics experts. Tanmateix, aquest enfocament era lent i feixuc.

Com que els models tradicionals només funcionaven fins a cert punt, els clínics han de revisar manualment la sortida del model per verificar que s’han complert els estàndards de qualitat.

Paradigm creia que els LLM, amb la seva capacitat de resumir text no estructurat, podien encaixar molt bé en el seu cas d’ús i substituir l’enfocament de crear models d’ML puntuals. Van explorar dos camins possibles: integrar-se amb un LLM personalitzat entrenat per a casos d’ús mèdics o integrar-se amb GPT‑4 mitjançant l’API d’OpenAI.

Paradigm creia que necessitaria un model mèdic especialitzat per obtenir bons resultats. Van quedar «sorpresos» en descobrir que GPT‑4 superava un equip d’experts humans altament qualificats en tasques complexes d’avaluació de dades.

Finalment, van triar OpenAI per diversos motius:

• Precisió: Paradigm va dur a terme avaluacions rigoroses amb els seus conjunts de dades de referència seleccionats per experts. GPT‑4 va ser almenys un 10% més precís que els models d’ML més avançats en una mètrica combinada de precisió/recuperació. En alguns casos, van observar millores «increïbles». «La precisió d’OpenAI era millor que la del nostre desplegament i optimització existents de models entrenats per experts segons les millors pràctiques del sector, i de vegades era millor que la dels nostres clínics formats», va dir Hirsch. «Com més complexa era la informació, i com més llocs diferents contenien aquesta informació, millor rendia GPT‑4.»
• Facilitat d’ús: «Des del punt de vista del producte, tot era fàcil. L’API era fàcil d’utilitzar i fàcil d’integrar a la nostra pila.» L’equip també va valorar que el suport d’OpenAI inclogués documentació de l’API d’alta qualitat: «En comparació amb treballar amb altres organitzacions, amb OpenAI podem ser més autosuficients.»
• Entrada multimodal i finestres de context llargues: Totes dues funcions eren clau per a les dades de les històries clíniques.
• Seguretat i compliment normatiu: «El que realment ens va convèncer de treballar amb OpenAI va ser el vostre enfocament seriós a l’hora de donar suport al compliment normatiu, inclòs el suport a la nostra necessitat de complir amb HIPAA. Com que donem servei a proveïdors sanitaris i als seus pacients, el compliment normatiu és un requisit irrenunciable per a nosaltres.»

• Extracció de nous elements de dades en dies, no mesos: GPT‑4 ha capgirat la manera com Paradigm entén la seva infraestructura central, substituint completament el procés de crear models d’ML un a un per a components de dades individuals. Això ha accelerat molt el full de ruta de Paradigm i els ha permès expandir-se ràpidament a nous socis proveïdors i a nous tipus d’assaigs.
• Reducció del 90% del temps de clínics experts necessari per validar el model: Paradigm calcula que només necessita 1/10 de les dades per avaluar la sortida de GPT‑4, en comparació amb els models d’ML especialitzats anteriors.
• Augment del 10% de la precisió: Amb dades més precises que abans —fins i tot superant els experts humans en molts casos—, GPT‑4 ha reduït la necessitat d’intervenció humana experta en els resultats del model. Els metges i infermers de Paradigm i dels seus socis proveïdors sanitaris poden dedicar més temps a l’atenció al pacient, en lloc de llegir documents.
• Accés més equitatiu als assaigs: Tot i que encara ho estan demostrant, Paradigm creu que GPT‑4 pot detectar amb més precisió pacients desatesos per als assaigs. Aquests pacients acostumen a tenir menys dades estructurades a la seva història clínica i més dades no estructurades (p. ex., notes), que GPT‑4 destaca a extreure i interpretar.

De cara al futur, a Paradigm els entusiasma com poden aprofitar la comprensió del llenguatge natural de GPT‑4 per reduir encara més la càrrega dels clínics. En lloc d’haver d’escriure codi per analitzar dades, els equips clínics podrien mantenir un diàleg amb ChatGPT sobre les dades d’un pacient per entendre la seva elegibilitat per a assaigs, la informació que falta i els passos següents.

Paradigm està entusiasmat amb com pot continuar augmentant la taxa de cribratge de pacients. Amb GPT‑4, la seva plataforma pot avaluar potencialment centenars de pacients per minut. Compareu-ho amb un infermer coordinador de recerca típic, que pot revisar manualment uns 50 pacients al dia. Aquests guanys d’eficiència poden conduir a un món en què els pacients tinguin un accés molt millor als assaigs clínics, els metges i infermers puguin dedicar més temps a l’atenció al pacient i menys a la documentació, i les noves teràpies que salven vides arribin abans al mercat.