Color Health
Color Health(იხსნება ახალ ფანჯარაში) მუშაობს OpenAI-თან, რათა შექმნას ახალი გზა, რომელიც დააჩქარებს კიბოს პაციენტების წვდომას მკურნალობაზე. მათი ახალი copilot აპლიკაცია GPT‑4o‑ს იყენებს გამოტოვებული დიაგნოსტიკის გამოსავლენად და მორგებული workup გეგმების შესაქმნელად, რაც ჯანდაცვის პროვაიდერებს საშუალებას აძლევს კიბოს სკრინინგისა და მკურნალობის შესახებ მტკიცებულებებზე დაფუძნებული გადაწყვეტილებები მიიღონ.
Color უკვე ათი წელია მუშაობს ჯანდაცვაზე წვდომის გასაუმჯობესებლად და დაარსების შემდეგ 7 მილიონზე მეტ პაციენტს მოემსახურა. 2023 წელს კომპანიამ ამერიკის კიბოს საზოგადოებასთან პარტნიორობა დაიწყო, რათა დამსაქმებლებსა და ჯანდაცვის გეგმებს დაეხმაროს კიბოს კონტროლში — დაავადებისა, რომელიც შეერთებულ შტატებში სიკვდილის მეორე ყველაზე გავრცელებული მიზეზია და ამერიკული ჯანდაცვის ხარჯების მთავარი მამოძრავებელი ფაქტორია.
Color Health იყენებს OpenAI-ის API-ებს, რათა პაციენტის სამედიცინო მონაცემები კლინიკურ ცოდნასთან გააერთიანოს. შედეგად მიიღება copilot აპლიკაცია, რომელიც ქმნის მორგებულ, სრულყოფილ მკურნალობის გეგმებს, რათა პროვაიდერებმა ისინი გადაამოწმონ და გამოიყენონ პაციენტებზე ზრუნვის პროცესში.
„Color-ის ხედვაა, კიბოს შესახებ ექსპერტული ცოდნა ხელმისაწვდომი გახდეს ზუსტად იმ მომენტსა და ადგილზე, როცა მას შეუძლია პაციენტის სამედიცინო გადაწყვეტილებებზე ყველაზე დიდი გავლენა მოახდინოს,“ — ამბობს Color Health-ის CEO ოსმან ლარაკი.
„როგორც ჯანდაცვის კომპანია, ტექნოლოგია, რომელიც აუმჯობესებს ხელმისაწვდომობასა და თანასწორობას, აუცილებლად უნდა მიდიოდეს ხელიხელჩაკიდებული ტექნოლოგიასთან, რომელიც მხარს უჭერს პაციენტის უსაფრთხოებასა და კონფიდენციალურობას. OpenAI-ის HIPAA-ს შესაბამისი მონაცემთა დაცვის სტანდარტები გადამწყვეტია.“
copilot აპლიკაციის შედეგს ყოველ ეტაპზე კლინიცისტი აანალიზებს და საჭიროების შემთხვევაში ცვლის, სანამ ის პაციენტს წარედგინება. პროცესი ასე მუშაობს:
- აპლიკაცია იღებს, ამუშავებს და ნორმალიზებს პაციენტის ინფორმაციას, მაგალითად ოჯახურ ისტორიას და ინდივიდუალურ რისკფაქტორებს, კლინიკურ გაიდლაინებთან და სანდო წყაროების მონაცემებთან ერთად. Color-ის გუნდზე განსაკუთრებით დიდი შთაბეჭდილება მოახდინა GPT‑4o‑ის უნარმა ამოეღო და მოეწესრიგებინა ინფორმაცია, რომელიც არათანმიმდევრულად სტრუქტურირებულ და ფორმულირებულ მრავალგვარ მასალაში იყო ჩაფლული, ხშირად სხვადასხვა ფორმატში, მაგალითად PDF-ებში ან კლინიკურ ჩანაწერებში.
- ამ მონაცემების გამოყენებით ის პასუხობს ისეთ საკვანძო კითხვებს, როგორიცაა „რა სკრინინგები უნდა უტარდებოდეს პაციენტს?“, რათა გამოავლინოს გამოტოვებული დიაგნოსტიკა და შექმნას პერსონალიზებული სკრინინგის გეგმა. ის ასევე ქმნის ნებისმიერ დიაგნოსტიკურ შეფასებასთან დაკავშირებულ აუცილებელ დოკუმენტაციას, მაგალითად სამედიცინო აუცილებლობის დოკუმენტებს და სადაზღვევო წინასწარ ავტორიზაციებს.
- კლინიცისტი-in-the-loop აფასებს შედეგს, რომელიც წყაროს ინფორმაციასაც მოიცავს. კლინიცისტს შეუძლია copilot-ის შედეგის რედაქტირება, რაც ასევე ეხმარება მომავალი იტერაციების დახვეწას.
- როდესაც კლინიცისტი-in-the-loop შედეგით კმაყოფილია, მას შეუძლია ინფორმაცია პაციენტის არსებულ მკურნალობის გეგმას დაამატოს.
კიბოს სკრინინგი, დიაგნოსტიკა და მკურნალობა ცნობილი სირთულითა და დროის ხარჯვით გამოირჩევა. და ყოველი დაყოვნება მნიშვნელოვანია: პაციენტები, რომელთა მკურნალობაც მხოლოდ ოთხი კვირით იგვიანებს, დგანან სიკვდილიანობის 6–13%-ით უფრო მაღალი რისკის(იხსნება ახალ ფანჯარაში) წინაშე.
სკრინინგის საჭიროებებიც ხშირად ძლიერ ინდივიდუალურია. მაგალითად, Color-ის პაციენტების მესამედზე მეტს სჭირდება უფრო ადრეული ან განსხვავებული სკრინინგის მიდგომები ინდივიდუალური რისკფაქტორების გამო, რომლებიც სტანდარტულ გაიდლაინებში არ არის ასახული. „მე საკუთარი თვალით მინახავს, რამდენად რთულია ჩემი მაღალი რისკის მქონე პაციენტებისთვის პერსონალიზებული კიბოს სკრინინგის გეგმების შემუშავება,“ — ამბობს დოქტორი კიგან დუჩიჩელა, Color-ის პირველადი ჯანდაცვის ექიმი. „გაიდლაინები მუდმივად იცვლება, და ინდივიდუალური რისკფაქტორები ყოველთვის მაშინვე ცხადი არ არის.“
სკრინინგის მიღმაც, დიაგნოსტიკური შეფასებები დამატებით სირთულეებს ქმნის. ერთი პაციენტის დიაგნოსტიკური შეფასების დოკუმენტირებასა და შესრულებას შეიძლება კვირები დასჭირდეს, და პაციენტების უმეტესობა პირველ ონკოლოგიურ ვიზიტზე არასრული შეფასებით მიდის. „დღეს ონკოლოგიურ ზრუნვაში რეალური ხარვეზებია იმის მიხედვით, თუ სად იღებს პაციენტი საწყის დიაგნოზს,“ — ამბობს დოქტორი ელისონ კურიანი, სტენფორდის უნივერსიტეტის მედიცინის სკოლის პროფესორი და პრაქტიკოსი ონკოლოგი. „ჩემი ბევრი პაციენტისთვის ყველა იმ ტესტისა და შეფასების დასრულებას, რაც სათანადო მკურნალობისთვის არის საჭირო, კვირები სჭირდება; ამ პერიოდში ძვირფასი დრო იკარგება და კლინიცისტებზე დამატებითი ადმინისტრაციული ტვირთი მოდის.“
Color-მა OpenAI-თან თანამშრომლობა 2023 წელს დაიწყო, მიზნით, რომ AI გამოეყენებინა კიბოს პაციენტებზე ზრუნვისა და ჯანდაცვაში თანასწორობის გასაუმჯობესებლად. კიბოს სკრინინგის, დიაგნოსტიკისა და მკურნალობის გამოწვევების გათვალისწინებით, Color ეძებდა გადაწყვეტას, რომელსაც შეეძლებოდა:
- არათანმიმდევრულ ფორმატებში წარმოდგენილი პაციენტის მონაცემების ინტერპრეტაცია
- მოცულობითი ჯანდაცვის გაიდლაინების ანალიზი
- პაციენტის მონაცემების კონფიდენციალურობის დაცვა
- კლინიცისტის ჩართულობით workflow-ის დიზაინის მხარდაჭერა პაციენტის უსაფრთხოების უზრუნველსაყოფად
- ელექტრონულ სამედიცინო ჩანაწერებთან (EHRs) და საავადმყოფოს ძირითად სისტემებთან ინტეგრაცია
საწყისი კვლევის ეტაპზე Color-მა მოაწყო მიდგომა სწრაფი ექსპერიმენტებისთვის, მათ შორის GPT‑4‑ისა და GPT‑4o‑ის მუშაობის ტესტირება რთულ ამოცანებში, როგორიცაა კიბოს დიაგნოსტიკის კლინიკური გაიდლაინების PDF-ებიდან ინფორმაციის ამოღება. ეს PDF-ები ხშირად მოიცავს ასობით გვერდს რთული დიაგრამებით, რომლებიც დიაგნოსტიკური შეფასების მიხედვით ზრუნვის გზებს აღწერს. OpenAI-მ და Color-მა ერთად შეიმუშავეს მეთოდი, whereby GPT‑4 Vision-ს სთხოვდნენ ამ დიაგრამების სქრინშოტების აღწერას ისე, რომ შედეგების სიზუსტე მაქსიმალურად შენარჩუნებულიყო.
OpenAI ასევე დაეხმარა Color-ის გუნდს, რომ სტანდარტული ChatGPT ინტერფეისის გამოყენებით კლინიკური workflow-ების პროტოტიპები შეექმნათ და custom GPT‑ის გამოყენებით საცდელი შემთხვევები დაეგენერირებინათ — რაც მათ მისცა ეფექტური proof of concept-ები მანამდე, სანამ მნიშვნელოვან საინჟინრო რესურსებს ჩადებდნენ.
OpenAI-ის ექსპერტული ხელმძღვანელობის, ძლიერი მოდელებისა და HIPAA-ს შესაბამისი მონაცემთა დაცვის სტანდარტების დახმარებით, Color-მა შეძლო ფოკუსირება გაეკეთებინა რთული სამედიცინო გადაწყვეტილებების დაშლაზე, მოთხოვნების დახვეწასა და clinician-in-the-loop workflow-ების დიზაინზე, რათა copilot-ის საწყისი ვერსია შეექმნა.
მაგალითად, OpenAI-ის ინჟინრებმა ურჩიეს Color-ს, რომ შედეგის ხარისხის გასაზრდელად და კლინიკური დოკუმენტაციის ChatGPT‑ისთვის უფრო მარტივად დასამუშავებლად გადასაწერად გამოეყენებინა retrieval-augmented generation (RAG) და არა მოდელის fine-tuning. საბოლოოდ, ექსპერიმენტების შემდეგ, Color-მა OpenAI აირჩია თავის AI გადაწყვეტების პროვაიდერად, სადაც მისი მოწინავე copilot აპლიკაციის ბირთვს GPT‑4o წარმოადგენს.
ამ ხელსაწყოს გავლენის გასაზომად Color თანამშრომლობს კალიფორნიის უნივერსიტეტის, სან-ფრანცისკოს Helen Diller Family Comprehensive Cancer Center-თან (UCSF HDFCCC). საწყისი დანერგვისთვის Color და UCSF ჩაატარებენ რეტროსპექტულ შეფასებას, რასაც მოჰყვება მიზნობრივი rollout. შეფასების შედეგების საფუძველზე, არსებობს copilot-ის კლინიკურ workflow-ებში ინტეგრაციის პოტენციალი UCSF-ში კიბოს ყველა ახალი შემთხვევისთვის.
„UCSF მოწინავე ტექნოლოგიების დანერგვის ლიდერია პაციენტზე ზრუნვის გასაუმჯობესებლად,“ — ამბობს დოქტორი ალან ეშვორთი, PhD, FRS, UCSF HDFCCC-ის პრეზიდენტი. „პაციენტები ხშირად პირველად ონკოლოგებთან არასრული დიაგნოსტიკური შეფასებებით მიდიან, და დრო, რომელიც ამ შეფასებების შეკრებასა და მათი დასრულების ზუსტად იდენტიფიცირებას სჭირდება, პროვაიდერებს უშლის ხელს იმუშაონ თავიანთი კვალიფიკაციის მაქსიმუმზე. ჩვენ გვაინტერესებს ხელსაწყოები, რომლებსაც შეუძლიათ UCSF-ში კიბოს პაციენტებისთვის ვიზიტამდე ჩანაწერების მომზადების ეფექტიანობისა და სიზუსტის გაუმჯობესება და მკურნალობის დაწყების ძვირადღირებული დაგვიანებების თავიდან აცილება.“
ამას ეთანხმება ამერიკის კიბოს საზოგადოების CEO, დოქტორი კარენ კნუდსენი. „AI ტექნოლოგიების და ციფრულად მხარდაჭერილი კლინიკური workflow-ების გაერთიანების იდეა, რათა ეს პროცესი დაჩქარდეს, დადებითი წინსვლა იქნებოდა ყველა ჩართული მხარისთვის — პაციენტისა და მისი კლინიცისტებისთვის, ასევე გადამხდელისთვის, რომელიც მკურნალობის ხარჯს ფარავს.“
Color copilot-ის დანერგვას ფრთხილი მიდგომით ახორციელებს და უკვე დაიწყო საწყისი ეტაპობრივი ჩართვა საკუთარი კლინიცისტებისთვის, ინსტრუმენტის გამოყენებით შემთხვევების შეზღუდულ რაოდენობაზე. ეს შემთხვევები ხარისხის უზრუნველყოფის რამდენიმე დონეს გადის:
- copilot-ის გამოყენებით ჯანდაცვის პროვაიდერებს შეუძლიათ copilot-ის არმქონეებთან შედარებით 4-ჯერ მეტი გამოტოვებული ლაბორატორიული, ვიზუალიზაციის, ან ბიოფსიისა და პათოლოგიის შედეგის იდენტიფიცირება.
- copilot-ის გამოყენებისას კლინიცისტებს პაციენტის ჩანაწერების გასაანალიზებლად და ხარვეზების გამოსავლენად საშუალოდ 5 წუთი სჭირდებათ. copilot-ის გარეშე მონაცემები ფრაგმენტირებულია და შეიძლება კვირებით დაყოვნებას გამოიწვიოს.
2024 წლის მეორე ნახევრის განმავლობაში Color აპირებს copilot აპლიკაციის გამოყენებას, რათა ექიმის ზედამხედველობით 200,000-ზე მეტი პაციენტისთვის AI-ის მიერ გენერირებული პერსონალიზებული ზრუნვის გეგმები უზრუნველყოს.