Paradigm

Los estudios clínicos son la forma en cómo descubrimos nuevas curas y pueden ser una forma de tratamiento que salva vidas. Paradigm⁠(se abre en una nueva ventana) derriba las barreras en la industria de atención médica con tecnología que acerca los estudios clínicos a más personas, como pacientes con cáncer. Al mismo tiempo, reduce la carga de papeleo para el personal médico y de enfermería, lo que mitiga el agotamiento del equipo clínico.

La evaluación de los expedientes médicos de los pacientes es un importante cuello de botella para conseguir que un paciente se inscriba a un estudio clínico que podría ofrecer la mejor opción de tratamiento posible. Los proveedores médicos rara vez tienen tiempo de buscar estudios clínicos, comprender los detalles del estudio que se lleva a cabo y posteriormente emparejar y calificar a los pacientes. El resultado es que la mayoría de los estudios clínicos se llenan con pacientes que viven cerca de donde se lleva a cabo el estudio. Esto crea un sesgo en el proceso de selección e impide que muchos pacientes accedan a la atención innovadora que podría salvar sus vidas. 

Para resolver esta situación, Paradigm implementó y optimizó modelos tradicionales de mejores prácticas específicos del dominio de la atención médica, de aprendizaje automático (ML) y de procesamiento del lenguaje natural (NLP) para extraer e interpretar datos de expedientes médicos. Estos modelos fueron entrenados y evaluados en conjuntos de datos de oro seleccionados por expertos clínicos. Sin embargo, este método fue lento y complicado.

Debido a que los modelos tradicionales funcionaban bien hasta cierto punto, los médicos debían revisar manualmente el resultado del modelo para verificar que se hubieran cumplido los estándares de calidad.

Paradigm pensaba que los grandes modelos de lenguaje (LLM), con su capacidad para resumir textos sin estructura, se podrían ajustar perfectamente a sus casos de uso y remplazar el método de construir modelos de ML de un solo uso. Exploraron dos posibles caminos: integración con un LLM personalizado, entrenado en casos de uso médico, o integración con GPT‑4 a través de la API de OpenAI. 

Paradigm creyó que necesitaría un modelo médico especializado para obtener buenos resultados. Pero, se “sorprendieron” al descubrir que GPT‑4 superó a un equipo de humanos expertos altamente capacitados en tareas de evaluación de datos complejos. 

Al final, eligieron a OpenAI por varias razones: 

• Precisión: Paradigm llevó a cabo un gran número de evaluaciones de sus conjuntos de datos de oro seleccionados por expertos. GPT‑4 fue por lo menos 10 % más exacto que los modelos de ML de última generación en una métrica combinada de precisión y exhaustividad. En algunos casos, observaron mejoras “inimaginables”. “La exactitud de OpenAI fue mejor que nuestra implementación y optimización existente de los modelos entrenados por expertos según las mejores prácticas de la industria, y algunas veces fue mejor que nuestros médicos capacitados ―afirmó Hirsch―. Cuanto más compleja era la información y más ubicaciones diferentes tuviera, mejor era el desempeño de GPT‑4”.  
• Facilidad de uso: “Desde un punto de vista del producto, todo era fácil. La API era fácil de usar y fue fácil de integrar en nuestra infraestructura”. El equipo también valoró que el soporte de OpenAI incluyó documentación de la API de alta calidad: “En comparación con la colaboración con otras organizaciones, podemos ser más autosuficientes con OpenAI”.
• Entrada multimodal y ventanas de contexto largas: ambas funciones fueron clave para los datos de expedientes médicos.
• Seguridad y cumplimiento regulatorio: “Lo que realmente nos convenció de trabajar con OpenAI fue su enfoque serio para apoyar el cumplimiento regulatorio, incluyendo el apoyo a nuestra necesidad de cumplir con la ley HIPAA. Dado que ofrecemos servicio a proveedores de atención médica y a sus pacientes, el cumplimiento regulatorio es un requerimiento no negociable para nosotros”.

• Extracción de nuevos elementos de datos en días, no en meses: GPT‑4 ha transformado la forma en que Paradigm piensa acerca de su infraestructura central, remplazando por completo el proceso de construcción de modelos de ML uno por uno para componentes de datos individuales. Esto ha acelerado enormemente el mapa de ruta de Paradigm, permitiéndoles una rápida expansión a nuevos socios proveedores y tipos de estudios. 
• Reducción del 90 % en el tiempo de validación de modelos requerido por médicos expertos: Paradigm estima que solo necesitan una décima parte de los datos para evaluar los resultados de GPT‑4, en comparación con los modelos especializados de ML anteriores. 
• Aumento de 10 % en precisión: Con datos más precisos que antes (incluso superando a humanos expertos en muchos casos), GPT‑4 ha disminuido la necesidad de intervención de humanos expertos en los resultados de los modelos. Los médicos y enfermeras en Paradigm y sus socios proveedores de atención médica pueden dedicar más tiempo a la atención de pacientes, en lugar de leer documentos. 
• Acceso más equitativo a estudios: Aunque sigue en proceso de comprobación, Paradigm cree que GPT‑4 puede seleccionar con mayor precisión a los pacientes desfavorecidos para los estudios. Estos pacientes suelen tener datos menos estructurados en sus expedientes médicos y más datos sin estructura (por ejemplo, notas), algo en lo que GPT‑4 se destaca en la extracción e interpretación.

Al pensar en el futuro, a Paradigm le emociona cómo puede aprovechar la comprensión del lenguaje natural de GPT‑4 para reducir aún más la carga para los médicos. En lugar de tener que escribir código para analizar datos, los equipos clínicos podrían tener un diálogo con ChatGPT sobre los datos de los pacientes para entender su elegibilidad para los ensayos, información faltante y los siguientes pasos a tomar.

A Paradigm le entusiasma la forma en que puede seguir aumentando la tasa de selección de pacientes. Con GPT‑4, su plataforma tiene el potencial de evaluar cientos de pacientes por minuto. En comparación, un coordinador de investigación de enfermería típico puede revisar manualmente alrededor de 50 pacientes por día. Estas mejoras en eficiencia pueden resultar en un mundo en el que los pacientes tienen un mucho mejor acceso a estudios clínicos y los médicos y enfermeras pueden dedicar más tiempo a la atención de los pacientes y menos tiempo a la documentación. Además de la probabilidad de lanzar al mercado nuevas terapias que salvan vidas a mayor velocidad.