Paradigm

ક્લિનિકલ ટ્રાયલ્સ એ રીતે આપણે નવી સારવાર શોધીએ છીએ, અને તે જીવન બચાવનાર સારવારનું સ્વરૂપ બની શકે છે. Paradigm⁠(નવી વિન્ડોમાં ખૂલે છે) એવી ટેક્નોલોજી દ્વારા હેલ્થકેર ઉદ્યોગમાં રહેલી અડચણો દૂર કરી રહ્યું છે, જે વધુ લોકોને, જેમ કે કેન્સર દર્દીઓને, ક્લિનિકલ ટ્રાયલ્સ સુધી પહોંચાડે છે, સાથે સાથે ડૉક્ટરો અને નર્સો પરના કાગળકાર્યનો બોજ ઘટાડીને ક્લિનિશિયન બર્નઆઉટને સંબોધે છે.

દર્દીના મેડિકલ રેકોર્ડ્સનું મૂલ્યાંકન એ દર્દીને એવી ક્લિનિકલ ટ્રાયલમાં નોંધાવવા માટેનું મોટું અવરોધક તબક્કું છે, જે કદાચ શ્રેષ્ઠ શક્ય સારવાર વિકલ્પ આપી શકે. મેડિકલ પ્રોવાઇડર્સ પાસે ભાગ્યે જ ક્લિનિકલ ટ્રાયલ્સ શોધવાનો, ચાલી રહેલી ટ્રાયલની વિગતો સમજવાનો અને પછી દર્દીઓને મેળવણી કરીને યોગ્ય ઠેરવવાનો સમય હોય છે. પરિણામે, મોટાભાગની ક્લિનિકલ ટ્રાયલ્સ તે જગ્યાની નજીક રહેતા દર્દીઓથી ભરાય છે જ્યાં ટ્રાયલ ચાલી રહી હોય, જે પસંદગી પ્રક્રિયામાં પક્ષપાત ઊભો કરે છે અને ઘણા દર્દીઓને એવી ક્રાંતિકારી સારવારથી વંચિત રાખે છે જે તેમનું જીવન બચાવી શકે.

આ સમસ્યા ઉકેલવા માટે, Paradigm એ મેડિકલ રેકોર્ડ ડેટા કાઢવા અને સમજવા માટે પરંપરાગત શ્રેષ્ઠ પ્રથાઓ આધારિત, હેલ્થકેર ડોમેન-વિશિષ્ટ ML અને NLP મોડલ્સ ડિપ્લોય અને ઑપ્ટિમાઇઝ કર્યા. આ મોડલ્સ નિષ્ણાત ક્લિનિશિયન્સ દ્વારા ક્યુરેટ કરાયેલા ગોલ્ડન ડેટા સેટ્સ પર ટ્રેન અને મૂલ્યાંકિત કરવામાં આવ્યા હતા. જોકે, આ અભિગમ ધીમો અને ભારરૂપ હતો.

કારણ કે પરંપરાગત મોડલ્સ માત્ર મર્યાદિત હદ સુધી જ અસરકારક હતા, ગુણવત્તા ધોરણો પૂર્ણ થયા છે તેની ખાતરી કરવા ક્લિનિશિયન્સને મોડલ આઉટપુટની મેન્યુઅલ સમીક્ષા કરવી પડે છે.

Paradigm માનતું હતું કે LLMs, તેમની અસંરચિત લખાણનું સંક્ષેપ કરવાની ક્ષમતા સાથે, તેમના ઉપયોગ-કેસ માટે ઉત્તમ રીતે અનુકૂળ થઈ શકે અને એક-એક કરીને અલગ ML મોડલ્સ બનાવવાની પદ્ધતિને બદલી શકે. તેમણે બે સંભવિત માર્ગો શોધ્યા: મેડિકલ ઉપયોગ-કેસ પર ટ્રેન કરાયેલા કસ્ટમ LLM સાથે ઇન્ટિગ્રેશન કરવું, અથવા OpenAI’s API મારફતે GPT‑4 સાથે ઇન્ટિગ્રેશન કરવું.

Paradigm માનતું હતું કે સારા પરિણામો મેળવવા માટે તેમને વિશિષ્ટ મેડિકલ મોડલની જરૂર પડશે. તેમને એ જોઈને “આશ્ચર્ય” થયું કે GPT‑4 એ જટિલ ડેટા મૂલ્યાંકન કાર્યોમાં ઊંચી તાલીમ પ્રાપ્ત કરેલા માનવી નિષ્ણાતોની ટીમ કરતાં વધુ સારો દેખાવ કર્યો.

આખરે, તેમણે અનેક કારણોસર OpenAI પસંદ કર્યું:

• ચોકસાઈ: Paradigm એ તેમના નિષ્ણાતો દ્વારા ક્યુરેટ કરાયેલા ગોલ્ડન ડેટા સેટ્સ પર કડક મૂલ્યાંકન કર્યું. મિશ્ર precision/recall માપદંડ પર GPT‑4 અદ્યતન ML મોડલ્સ કરતાં ઓછામાં ઓછું 10% વધુ ચોકસાઈભર્યું હતું. કેટલાક કિસ્સાઓમાં તેમણે “અવિશ્વસનીય” સુધારાઓ જોયા. હિર્શે કહ્યું, “OpenAI ની ચોકસાઈ અમારા હાલના ડિપ્લોયમેન્ટ અને ઉદ્યોગની શ્રેષ્ઠ પદ્ધતિ મુજબ નિષ્ણાત-ટ્રેઇન્ડ મોડલ્સના ઑપ્ટિમાઇઝેશન કરતાં સારી હતી, અને ક્યારેક તો અમારા ટ્રેઇન્ડ ક્લિનિશિયન્સ કરતાં પણ સારી હતી. માહિતી જેટલી વધુ જટિલ હતી, અને તે માહિતી જેટલી વધુ અલગ અલગ જગ્યાએ હતી, GPT‑4 એટલું વધુ સારું હતું.”
• ઉપયોગમાં સરળતા: “ઉત્પાદનના દૃષ્ટિકોણથી, બધું જ સરળ હતું. API વાપરવી સરળ હતી, અને તેને અમારા સ્ટેકમાં ઇન્ટિગ્રેટ કરવી પણ સરળ હતી.” ટીમે એ પણ વખાણ્યું કે OpenAI ના સપોર્ટમાં ઉચ્ચ ગુણવત્તાવાળું API ડોક્યુમેન્ટેશન સામેલ હતું: “અન્ય સંસ્થાઓ સાથે કામ કરવાની સરખામણીએ, OpenAI સાથે અમે વધુ આત્મનિર્ભર બની શકીએ છીએ.”
• મલ્ટીમોડલ ઇનપુટ અને લાંબી કન્ટેક્સ્ટ વિન્ડોઝ: બંને સુવિધાઓ મેડિકલ રેકોર્ડ ડેટા માટે મહત્વપૂર્ણ હતી.
• સુરક્ષા અને નિયમનકારી અનુપાલન: “OpenAI સાથે કામ કરવા માટે અમને ખરેખર જે બાબતે વિશ્વાસ આવ્યો તે હતી નિયમનકારી અનુપાલનને ટેકો આપવા માટેનો તમારો ગંભીર અભિગમ, જેમાં HIPAAનું અનુપાલન કરવાની અમારી જરૂરિયાતને ટેકો આપવો પણ સામેલ છે. કારણ કે અમે હેલ્થકેર પ્રોવાઇડર્સ અને તેમના દર્દીઓને સેવા આપીએ છીએ, નિયમનકારી અનુપાલન અમારા માટે બિન-વાટાઘાટીય આવશ્યકતા છે.”

• મહિના નહીં, દિવસોમાં નવા ડેટા એલિમેન્ટ્સ કાઢવા: GPT‑4 એ Paradigm તેના મૂળભૂત ઇન્ફ્રાસ્ટ્રક્ચર વિશે કેવી રીતે વિચારે છે તે સંપૂર્ણપણે બદલી નાખ્યું છે, જેમાં વ્યક્તિગત ડેટા ઘટકો માટે એક પછી એક ML મોડલ્સ બનાવવાની પ્રક્રિયાને સંપૂર્ણપણે બદલી દેવામાં આવી છે. આ કારણે Paradigm નો રોડમૅપ ઘણી હદ સુધી ઝડપી બન્યો છે, જેથી તેઓ નવા પ્રોવાઇડર ભાગીદારો અને ટ્રાયલના પ્રકારોમાં ઝડપથી વિસ્તરણ કરી શકે છે.
• મોડલ વેલિડેશન માટે જરૂરી નિષ્ણાત ક્લિનિશિયન સમયમા 90% ઘટાડો: Paradigm અંદાજ આપે છે કે અગાઉના વિશિષ્ટ ML મોડલ્સની સરખામણીએ GPT‑4 ના આઉટપુટનું મૂલ્યાંકન કરવા માટે તેમને ફક્ત 1/10 જેટલા ડેટાની જ જરૂર પડે છે.
• ચોકસાઈમાં 10% વધારો: પહેલાં કરતાં વધુ ચોક્કસ ડેટા સાથે, અને ઘણા કિસ્સાઓમાં માનવી નિષ્ણાતોને પણ પાછળ છોડતા, GPT‑4 એ મોડલ પરિણામોમાં નિષ્ણાત માનવી હસ્તક્ષેપની જરૂરિયાત ઘટાડી છે. Paradigm અને તેમના હેલ્થકેર પ્રોવાઇડર ભાગીદારોના ડૉક્ટરો અને નર્સો દસ્તાવેજો વાંચવા કરતાં દર્દી સંભાળ પર વધુ સમય આપી શકે છે.
• ટ્રાયલ્સ સુધી વધુ સમાન પહોંચ: હજી તેઓ આને સાબિત કરી રહ્યા છે, છતાં Paradigm માને છે કે GPT‑4 અવગણાયેલા દર્દીઓને ટ્રાયલ્સ માટે વધુ ચોક્કસ રીતે સ્ક્રીન કરી શકે છે. આવા દર્દીઓના મેડિકલ રેકોર્ડમાં સામાન્ય રીતે ઓછો સંરચિત ડેટા અને વધુ અસંરચિત ડેટા હોય છે, જેમ કે નોંધો, જેને GPT‑4 કાઢવામાં અને સમજવામાં વિશેષ સક્ષમ છે.

આગળ જોયે તો, Paradigm ઉત્સાહિત છે કે તેઓ GPT‑4 ની નૅચરલ લેંગ્વેજ સમજણનો ઉપયોગ કરીને ક્લિનિશિયન્સ પરનો બોજ વધુ કેવી રીતે ઘટાડે. ડેટાનું વિશ્લેષણ કરવા કોડ લખવાની જરૂર પડવાને બદલે, ક્લિનિકલ ટીમો દર્દીના ડેટા વિશે ChatGPT સાથે સંવાદ કરી શકે, જેથી ટ્રાયલ્સ માટે તેમની પાત્રતા, ગૂમ માહિતી અને આગળના પગલાં સમજાવી શકાય.

Paradigm એ બાબતે પણ ઉત્સાહિત છે કે તેઓ દર્દી સ્ક્રીનિંગનો દર કેવી રીતે વધારતા રહી શકે. GPT‑4 સાથે, તેમનું પ્લેટફોર્મ સંભવિત રીતે દર મિનિટે સેંકડો દર્દીઓનું મૂલ્યાંકન કરી શકે છે. તેની સરખામણીએ, એક સામાન્ય નર્સ રિસર્ચ કોઓર્ડિનેટર મેન્યુઅલી દરરોજ લગભગ 50 દર્દીઓની સમીક્ષા કરી શકે છે. કાર્યક્ષમતામાં આ વધારા એવા વિશ્વ તરફ દોરી શકે છે જ્યાં દર્દીઓને ક્લિનિકલ ટ્રાયલ્સ સુધી ઘણી વધુ સારી પહોંચ હોય, તબીબો અને નર્સો દર્દી સંભાળ પર વધુ સમય અને દસ્તાવેજીકરણ પર ઓછો સમય ખર્ચી શકે, અને નવી જીવન બચાવનારી થેરાપીઓ વધુ વહેલી બજારમાં આવી શકે.