Color Health

Color Health⁠(નવી વિન્ડોમાં ખૂલે છે) કેન્સર દર્દીઓને સારવાર સુધી ઝડપી ઍક્સેસ અપાવવાનો નવો માર્ગ વિકસાવવા OpenAI સાથે કામ કરી રહ્યું છે. તેની નવી કોપાઇલટ એપ્લિકેશન GPT‑4o નો ઉપયોગ કરીને ગાયબ નિદાન ઓળખે છે અને અનુકૂલિત વર્કઅપ પ્લાન બનાવે છે, જેથી હેલ્થકેર પ્રોવાઇડર્સ કેન્સર સ્ક્રિનિંગ અને સારવાર વિશે પુરાવા આધારિત નિર્ણય લઈ શકે. 

Color છેલ્લા દાયકાથી હેલ્થકેર સુધીની ઍક્સેસ સુધારવા માટે કામ કરી રહ્યું છે, અને સ્થાપના પછીથી 7 મિલિયનથી વધુ દર્દીઓને સેવા આપી છે. 2023 માં, તેમણે American Cancer Society સાથે ભાગીદારી કરી જેથી નોકરીદાતાઓ અને હેલ્થ પ્લાન્સ કેન્સર પર વધુ નિયંત્રણ મેળવી શકે. કેન્સર યુનાઇટેડ સ્ટેટ્સમાં મૃત્યુનું બીજા ક્રમે સૌથી સામાન્ય કારણ છે અને અમેરિકન હેલ્થકેર ખર્ચનો મુખ્ય કારક છે.

Color Health દર્દીના તબીબી ડેટાને ક્લિનિકલ જ્ઞાન સાથે એકીકૃત કરવા OpenAI ની APIs નો ઉપયોગ કરે છે. તેનું પરિણામ એક કોપાઇલટ એપ્લિકેશન છે, જે પ્રોવાઇડર્સ સમીક્ષા કરી શકે અને દર્દીની સંભાળમાં ઉપયોગ કરી શકે એવા કસ્ટમાઇઝ્ડ, સર્વગ્રાહી સારવાર પ્લાન બનાવે છે. 

“Color નું વિઝન કેન્સર નિષ્ણાતી ત્યાં અને ત્યારે ઉપલબ્ધ કરાવવાનું છે જ્યારે તે દર્દીના હેલ્થકેર સંબંધિત નિર્ણયોમાં સૌથી વધુ અસર કરી શકે,” Color Health ના CEO ઓથમાન લારાકી કહે છે. 

“હેલ્થકેર કંપની તરીકે, ઍક્સેસ અને સમાનતા સુધારે એવી ટેકનોલોજી દર્દી સલામતી અને ગોપનીયતાને સમર્થન આપે એવી ટેકનોલોજી સાથે હાથમાં હાથ મિલાવીને ચાલવી જોઈએ. OpenAI ના HIPAA-સંગત ડેટા પ્રોટેક્શન ધોરણો મુખ્ય છે.”

કોપાઇલટ એપ્લિકેશનનું આઉટપુટ દરેક તબક્કે ક્લિનિશિયન દ્વારા વિશ્લેષિત થાય છે અને જરૂર પડે તો દર્દી સમક્ષ રજૂ કરતા પહેલાં તેમાં ફેરફાર કરવામાં આવે છે. તે આ રીતે કામ કરે છે:

1. તે દર્દીની માહિતી, જેમ કે કુટુંબ ઇતિહાસ અને વ્યક્તિગત જોખમ પરિબળો, સાથે ક્લિનિકલ માર્ગદર્શિકા અને વિશ્વસનીય સ્ત્રોતોમાંથી ડેટા કાઢે છે, પ્રક્રિયા કરે છે અને સામાન્યકૃત બનાવે છે. Color ટીમ ખાસ કરીને GPT‑4o ની એવી ક્ષમતાથી પ્રભાવિત થઈ હતી કે તે અસંગત માળખા અને ભાષાવાળી માહિતીના ઘણા પાનાંઓમાં છુપાયેલી માહિતી, ઘણીવાર PDFs અથવા ક્લિનિકલ નોંધો જેવા જુદા ફોર્મેટમાં, કાઢી અને સામાન્યકૃત કરી શકતું હતું. 
2. આ ડેટાનો ઉપયોગ કરીને, તે “દર્દીએ કયા સ્ક્રિનિંગ્સ કરાવવાના જોઈએ?” જેવા મુખ્ય પ્રશ્નોના જવાબ આપે છે, જેથી ગાયબ નિદાન ઓળખી શકાય અને વ્યક્તિગત સ્ક્રિનિંગ પ્લાન તૈયાર કરી શકાય. તે કોઈપણ નિદાન વર્કઅપ પૂર્ણ કરવા માટે જરૂરી દસ્તાવેજીકરણ પણ બનાવે છે, જેમ કે medical necessity દસ્તાવેજો અને ઇન્શ્યોરન્સ pre-authorizations.
3. clinician-in-the-loop સોર્સ માહિતી સહિત આઉટપુટનું મૂલ્યાંકન કરે છે. ક્લિનિશિયન કોપાઇલટના આઉટપુટમાં ફેરફાર કરી શકે છે, જે ભવિષ્યની આવૃત્તિઓને વધુ સુધારવામાં પણ મદદ કરે છે.
4. જ્યારે clinician-in-the-loop પરિણામથી સંતોષ પામે છે, ત્યારે તેઓ દર્દીના હાલના સારવાર પ્લાનમાં આ માહિતી ઉમેરી શકે છે.

કેન્સર માટેનું સ્ક્રિનિંગ, નિદાન અને સારવાર ખૂબ જ જટિલ અને સમયખાઉ હોવા માટે જાણીતું છે. અને દરેક વિલંબ ફરક પેદા કરે છે. જેમના સારવારમાં ફક્ત ચાર અઠવાડિયાનો વિલંબ થાય છે એવા દર્દીઓને મૃત્યુનું 6–13% વધારે જોખમ⁠(નવી વિન્ડોમાં ખૂલે છે) રહે છે.

સ્ક્રિનિંગની જરૂરિયાતો પણ ઘણીવાર ખૂબ વ્યક્તિગત હોય છે. ઉદાહરણ તરીકે, Color ના એક તૃતીયાંશ કરતાં વધુ દર્દીઓને વ્યક્તિગત જોખમ પરિબળોના આધારે વહેલા અથવા અલગ સ્ક્રિનિંગ અભિગમોની જરૂર પડે છે, જે સ્ટાન્ડર્ડ માર્ગદર્શિકામાં આવરી લેવામાં આવ્યા નથી. “મારા હાઇ-રિસ્ક દર્દીઓ માટે વ્યક્તિગત કેન્સર સ્ક્રિનિંગ પ્લાન વિકસાવવાની જટિલતાઓ મેં પોતાની આંખે જોઈ છે,” Color ના પ્રાથમિક કાળજી તબીબ ડૉ. કીગન ડુચિસેલા કહે છે. “માર્ગદર્શિકાઓ સતત બદલાતી રહે છે, અને વ્યક્તિગત જોખમ પરિબળો હંમેશા તરત સ્પષ્ટ હોતા નથી.” 

સ્ક્રિનિંગની બહાર, નિદાન સંબંધિત વર્કઅપ વધુ પડકારો ઉભા કરે છે. એક જ દર્દીનું નિદાન વર્કઅપ દસ્તાવેજીકરણ અને પૂર્ણ કરવામાં અઠવાડિયા લાગી શકે છે, અને મોટા ભાગના દર્દીઓ તેમની પ્રથમ ઓન્કોલોજી મુલાકાતે સંપૂર્ણ વર્કઅપ વિના પહોંચે છે. “આજે, દર્દીને પ્રારંભિક નિદાન ક્યાં મળે છે તેના આધારે ઓન્કોલોજી કાળજીમાં વાસ્તવિક ખાડાઓ છે,” સ્ટાનફોર્ડ યુનિવર્સિટી સ્કૂલ ઑફ મેડિસિનના પ્રોફેસર અને ક્લિનિકલ રીતે સક્રિય ઓન્કોલોજિસ્ટ ડૉ. એલિસન કુરિયન કહે છે. “મારા ઘણા દર્દીઓને યોગ્ય સારવાર આપી શકાય તે માટે જરૂરી તમામ ટેસ્ટ્સ અને મૂલ્યાંકનો પૂર્ણ કરવામાં અઠવાડિયા લાગે છે, જેમાં કિંમતી સમય ગુમાય છે અને ક્લિનિશિયન્સ પર વધારાનો વહીવટી બોજ પડે છે.”

Color એ 2023 માં OpenAI સાથે કામ શરૂ કર્યું, હેતુ હતો કેન્સર દર્દીઓની સંભાળ અને આરોગ્ય સમાનતા સુધારવા માટે AI નો ઉપયોગ કરવાનો. કેન્સર સ્ક્રિનિંગ, નિદાન અને સારવારની પડકારોને ધ્યાનમાં રાખીને, Color એવી સોલ્યુશન શોધી રહી હતી જે:

• અસંગત રીતે ફોર્મેટ કરાયેલા દર્દી ડેટાનું અર્થઘટન કરી શકે
• જટિલ હેલ્થકેર માર્ગદર્શિકાઓનું વિશ્લેષણ કરી શકે
• દર્દી ડેટાની ગોપનીયતા સુરક્ષિત રાખી શકે
• દર્દી સલામતી સુનિશ્ચિત કરવા clinician-in-the-loop વર્કફ્લો ડિઝાઇનને સમર્થન આપી શકે
• ઇલેક્ટ્રોનિક હેલ્થ રેકોર્ડ્સ (EHRs) અને હોસ્પિટલની મુખ્ય સિસ્ટમો સાથે એકીકૃત થઈ શકે

શરૂઆતની તપાસ દરમિયાન, Color એ ઝડપી પ્રયોગ માટે પોતાની પદ્ધતિ ગોઠવી, જેમાં GPT‑4 અને GPT‑4o ના પ્રદર્શનનું પરીક્ષણ પણ સામેલ હતું. ખાસ કરીને કેન્સર નિદાન માટેની ક્લિનિકલ માર્ગદર્શિકાના PDFs માંથી માહિતી કાઢવા જેવા જટિલ કામોમાં. આવા PDFs ઘણી વાર સૈંકડો પાનાંના જટિલ આલેખો ધરાવે છે, જે નિદાન પ્રક્રિયા આધારે કાળજીના માર્ગ દર્શાવે છે. OpenAI અને Color એ મળીને GPT‑4 Vision ને આ આલેખોના સ્ક્રીનશોટ્સ વર્ણવવા માટે પૂછવાની એવી પદ્ધતિ વિકસાવી, જે આઉટપુટની ચોકસાઇ જાળવવામાં સૌથી અસરકારક હતી.

OpenAI એ Color ટીમને સ્ટાન્ડર્ડ ChatGPT ઇન્ટરફેસનો ઉપયોગ કરીને ક્લિનિકલ વર્કફ્લોના પ્રોટોટાઇપ બનાવવા અને કસ્ટમ GPT દ્વારા નમૂના કેસ જનરેટ કરવા માટે પણ માર્ગદર્શન આપ્યું, જેથી વિશાળ એન્જિનિયરિંગ સંસાધનો લગાડતા પહેલાં અસરકારક પ્રૂફ ઑફ કોન્સેપ્ટ પ્રાપ્ત થઈ શકે.

OpenAI ના નિષ્ણાત માર્ગદર્શન, શક્તિશાળી મોડલ્સ અને HIPAA-સંગત ડેટા પ્રોટેક્શન ધોરણોથી Color જટિલ તબીબી નિર્ણય પ્રક્રિયાને તબક્કાવાર સમજવામાં, પ્રોમ્પ્ટ્સ સુધારવામાં અને clinician-in-the-loop વર્કફ્લો ડિઝાઇન કરવામાં ધ્યાન કેન્દ્રિત કરી શક્યું, જેથી કોપાઇલટનું પ્રારંભિક સંસ્કરણ તૈયાર થઈ શકે.

ઉદાહરણ તરીકે, OpenAI ના એન્જિનિયર્સે આઉટપુટની ગુણવત્તા વધારવા અને ChatGPT દ્વારા સરળ પ્રક્રિયા માટે ક્લિનિકલ દસ્તાવેજીકરણ ફરી લખવા model fine-tuning ને બદલે retrieval-augmented generation (RAG) ઉપયોગ કરવા Color ને માર્ગદર્શન આપ્યું. અંતે, પ્રયોગો પછી, Color એ OpenAI ને પોતાની AI સોલ્યુશન્સ પ્રોવાઇડર તરીકે પસંદ કર્યું, જેમાં તેની અદ્યતન કોપાઇલટ એપ્લિકેશનના કેન્દ્રમાં GPT‑4o છે.

આ ટૂલનો પ્રભાવ માપવા માટે, Color યુનિવર્સિટી ઑફ કેલિફોર્નિયા, સાન ફ્રાન્સિસ્કો Helen Diller Family Comprehensive Cancer Center (UCSF HDFCCC) સાથે ભાગીદારી કરી રહ્યું છે. શરૂઆતના અમલીકરણ માટે, Color અને UCSF પૂર્વદૃષ્ટિ આધારિત મૂલ્યાંકન કરશે, ત્યારબાદ લક્ષિત રોલઆઉટ કરવામાં આવશે. મૂલ્યાંકનના આધારે, UCSF ખાતેના તમામ નવા કેન્સર કેસ માટે કોપાઇલટને ક્લિનિકલ વર્કફ્લોમાં એકીકૃત કરવાની સંભાવના છે. 

“દર્દી સંભાળ સુધારવા માટે અદ્યતન ટેક્નોલોજી અમલમાં મૂકવામાં UCSF અગ્રણી છે,” UCSF HDFCCC ના પ્રમુખ ડૉ. એલન ઍશ્વર્થ, PhD, FRS કહે છે. “દર્દીઓ ઘણીવાર અધૂરા નિદાન વર્કઅપ સાથે પ્રાથમિક ઓન્કોલોજિસ્ટ્સ પાસે આવે છે, અને તે વર્કઅપને ભેગું કરવા તથા ચોક્કસ રીતે પૂર્ણતા ઓળખવામાં જે સમય લાગે છે તે પ્રોવાઇડર્સને તેમની સંપૂર્ણ ક્ષમતા પ્રમાણે કામ કરવાથી અટકાવે છે. અમને એવા ટૂલ્સમાં રસ છે જે પ્રી-વિઝિટ ચાર્ટિંગની કાર્યક્ષમતા અને ચોકસાઇ સુધારી શકે અને UCSF ખાતે કેન્સર દર્દીઓ માટે સારવાર શરૂ કરવામાં થતો ખર્ચાળ વિલંબ ટાળી શકે.” 

American Cancer Society ની CEO ડૉ. કરેન ક્નુડસન પણ સહમત છે. “તે પ્રક્રિયાને ઝડપથી આગળ ધપાવવા AI ટેક્નોલોજીઓને ડિજિટલ રીતે સક્ષમ ક્લિનિકલ વર્કફ્લો સાથે જોડવાનો વિચાર સામેલ તમામ પક્ષો માટે સકારાત્મક પ્રગતિ હશે - દર્દી અને તેમના ક્લિનિશિયન્સ માટે, તેમજ સારવારનો ખર્ચ ઉઠાવતા પેયર માટે પણ.”

Color કોપાઇલટના રોલઆઉટ માટે માપેલો અભિગમ અપનાવી રહ્યું છે, અને તેના પોતાના ક્લિનિશિયન્સ માટે મર્યાદિત સંખ્યાના કેસ પર ટૂલ લાગુ કરીને પ્રારંભિક તબક્કો શરૂ કર્યો છે. આ કેસોને ગુણવત્તા ખાતરીના અનેક સ્તરો મળે છે:

• કોપાઇલટનો ઉપયોગ કરતા હેલ્થકેર પ્રોવાઇડર્સ, કોપાઇલટ વિના કામ કરનારાઓની સરખામણીએ, ગાયબ લેબ્સ, ઇમેજિંગ અથવા બાયોપ્સી અને પેથોલોજી પરિણામો 4 ગણાં વધુ ઓળખી શકે છે.
• કોપાઇલટનો ઉપયોગ કરીને, ક્લિનિશિયન્સને દર્દીના રેકોર્ડ્સનું વિશ્લેષણ કરીને ખામીઓ ઓળખવામાં સરેરાશ 5 મિનિટ લાગે છે. કોપાઇલટ વગર, ડેટા વિખરાયેલું રહે છે અને અઠવાડિયાના વિલંબનું કારણ બની શકે છે.

2024 ના બીજા અર્ધભાગ દરમિયાન, Color નું ઉદ્દેશ કોપાઇલટ એપ્લિકેશનનો ઉપયોગ કરીને 200,000 કરતાં વધુ દર્દીઓને તબીબી દેખરેખ હેઠળ AI-જનરેટેડ વ્યક્તિગત કાળજી પ્લાન પ્રદાન કરવાનો છે.