Paradigm

კლინიკური კვლევები ის გზაა, რომლითაც ახალ სამკურნალო მეთოდებს ვპოულობთ, და ისინი მკურნალობის სიცოცხლის გადამრჩენი ფორმაც შეიძლება იყოს. Paradigm⁠(იხსნება ახალ ფანჯარაში) ტექნოლოგიით ამცირებს ბარიერებს ჯანდაცვის სფეროში, რათა კლინიკური კვლევები მეტ ადამიანს, მაგალითად კიბოს პაციენტებს, მიუწვდებოდეს, და ამავდროულად ექიმებისა და ექთნებისთვის დოკუმენტაციის ტვირთსაც ამსუბუქებს, რაც კლინიკოსების გადაღლილობის შემცირებას უწყობს ხელს.

პაციენტის სამედიცინო ჩანაწერების შეფასება ერთ-ერთი მთავარი ვიწრო ადგილია იმისთვის, რომ პაციენტი კლინიკურ კვლევაში ჩაერთოს, რომელმაც შესაძლოა მისთვის მკურნალობის საუკეთესო შესაძლო ვარიანტი უზრუნველყოს. სამედიცინო პროვაიდერებს იშვიათად აქვთ დრო, რომ კლინიკური კვლევები მოძებნონ, გაიგონ მიმდინარე კვლევის დეტალები და შემდეგ პაციენტები შეაჯერონ და დააკვალიფიცირონ. შედეგად, კლინიკური კვლევების უმეტესობა ივსება იმ პაციენტებით, რომლებიც გეოგრაფიულად ახლოს არიან კვლევის ჩატარების ადგილთან, რაც შერჩევის პროცესში მიკერძოებას ქმნის და ბევრ პაციენტს ხელს უშლის მიიღოს ინოვაციური მკურნალობა, რომელმაც შესაძლოა მათი სიცოცხლე იხსნას.

ამ პრობლემის გადასაჭრელად Paradigm-მა დანერგა და ოპტიმიზაცია გაუკეთა ტრადიციულ, საუკეთესო პრაქტიკაზე დაფუძნებულ, ჯანდაცვის სფეროსთვის სპეციფიკურ ML და NLP მოდელებს სამედიცინო ჩანაწერების მონაცემების ამოსაღებად და ინტერპრეტაციისთვის. ეს მოდელები გაწვრთნილი და შეფასებული იყო ექსპერტი კლინიკოსების მიერ კურირებულ ეტალონურ მონაცემთა ნაკრებებზე. თუმცა ეს მიდგომა ნელი და დამამძიმებელი აღმოჩნდა.

რადგან ტრადიციული მოდელები მხოლოდ შეზღუდულად მუშაობდა, კლინიკოსებს მოეთხოვებათ მოდელის შედეგების ხელით გადამოწმება, რათა დაადასტურონ, რომ ხარისხის სტანდარტები დაკმაყოფილებულია.

Paradigm მიიჩნევდა, რომ LLM-ები, არასტრუქტურირებული ტექსტის შეჯამების უნარის გამო, მათი გამოყენების შემთხვევისთვის ძალიან შესაფერისი იქნებოდა და ცალკეული ML მოდელების აგების მიდგომას ჩაანაცვლებდა. მათ ორი შესაძლო გზა განიხილეს: სამედიცინო გამოყენების შემთხვევებზე გაწვრთნილ მორგებულ LLM-თან ინტეგრაცია ან OpenAI-ის API-ის მეშვეობით GPT‑4‑თან ინტეგრაცია.

Paradigm ფიქრობდა, რომ კარგი შედეგების მისაღებად სპეციალიზებული სამედიცინო მოდელი დასჭირდებოდა. მათთვის „შოკისმომგვრელი“ აღმოჩნდა, რომ GPT‑4‑მა კომპლექსური მონაცემების შეფასების ამოცანებში მაღალი კვალიფიკაციის მქონე ადამიან ექსპერტთა გუნდს აჯობა.

საბოლოოდ, მათ OpenAI რამდენიმე მიზეზის გამო აირჩიეს:

• სიზუსტე: Paradigm-მა მკაცრი შეფასებები ჩაატარა ექსპერტების მიერ კურირებულ ეტალონურ მონაცემთა ნაკრებებზე. GPT‑4 შერეული precision/recall მეტრიკით უახლეს ML მოდელებზე სულ მცირე 10%-ით უფრო ზუსტი იყო. ზოგიერთ შემთხვევაში მათ „დაუჯერებელი“ გაუმჯობესება ნახეს. Hirsch-ის თქმით, „OpenAI-ის სიზუსტე უკეთესი იყო, ვიდრე ჩვენი არსებული დანერგვა და ოპტიმიზაცია ინდუსტრიის საუკეთესო პრაქტიკით ექსპერტების მიერ გაწვრთნილი მოდელებისა, და ზოგჯერ ჩვენს გაწვრთნილ კლინიკოსებზეც უკეთესი იყო. რაც უფრო კომპლექსური იყო ინფორმაცია და რაც უფრო მეტ სხვადასხვა ადგილას იყო ეს ინფორმაცია განთავსებული, მით უკეთესად მუშაობდა GPT‑4.“
• გამოყენების სიმარტივე: „პროდუქტის თვალსაზრისით ყველაფერი უბრალოდ მარტივი იყო. API მარტივი გამოსაყენებელი იყო და ჩვენს სტეკში ინტეგრაციაც მარტივი იყო.“ გუნდმა ასევე დააფასა, რომ OpenAI-ის მხარდაჭერა მაღალი ხარისხის API დოკუმენტაციასაც მოიცავდა: „სხვა ორგანიზაციებთან მუშაობასთან შედარებით, OpenAI-სთან უფრო თვითკმარი შეგვიძლია ვიყოთ.“
• მულტიმოდალური შეყვანა და გრძელი კონტექსტის ფანჯრები: ორივე ფუნქცია სამედიცინო ჩანაწერების მონაცემებისთვის საკვანძო იყო.
• უსაფრთხოება და რეგულაციებთან შესაბამისობა: „რაც ნამდვილად გადამწყვეტი აღმოჩნდა OpenAI-სთან თანამშრომლობისთვის, იყო თქვენი სერიოზული მიდგომა რეგულაციებთან შესაბამისობის მხარდაჭერისადმი, მათ შორის ჩვენი საჭიროების მხარდაჭერა, რომ HIPAA-ს დავემორჩილოთ. რადგან ჩვენ ჯანდაცვის პროვაიდერებსა და მათ პაციენტებს ვემსახურებით, რეგულაციებთან შესაბამისობა ჩვენთვის არათმობადი მოთხოვნაა.“

• ახალი მონაცემთა ელემენტების გამოყოფა დღეებში და არა თვეებში: GPT‑4‑მა მთლიანად შეცვალა Paradigm-ის ხედვა მის ძირითად ინფრასტრუქტურაზე და სრულად ჩაანაცვლა ცალკეული მონაცემთა კომპონენტებისთვის ML მოდელების სათითაოდ აგების პროცესი. ამან მნიშვნელოვნად დააჩქარა Paradigm-ის განვითარების გზა და მათ საშუალება მისცა სწრაფად გაფართოებულიყვნენ ახალ პროვაიდერ პარტნიორებსა და კვლევების ახალ ტიპებზე.
• მოდელის ვალიდაციისთვის საჭირო კლინიკოსი ექსპერტების დროის 90%-იანი შემცირება: Paradigm-ის შეფასებით, GPT‑4‑ის შედეგების შესაფასებლად მათ წინა სპეციალიზებულ ML მოდელებთან შედარებით მონაცემების მხოლოდ მეათედი სჭირდებათ.
• სიზუსტის 10%-იანი ზრდა: უფრო ზუსტი მონაცემებით, ვიდრე ადრე — და ბევრ შემთხვევაში ადამიან ექსპერტებზეც უკეთესი შედეგებით — GPT‑4‑მა შეამცირა მოდელის შედეგებში ადამიან ექსპერტთა ჩარევის საჭიროება. Paradigm-სა და მათი ჯანდაცვის პროვაიდერი პარტნიორების ექიმებსა და ექთნებს შეუძლიათ მეტი დრო დაუთმონ პაციენტებზე ზრუნვას და არა დოკუმენტების კითხვას.
• კვლევებზე უფრო თანასწორი წვდომა: მიუხედავად იმისა, რომ ამას ჯერ კიდევ ადასტურებენ, Paradigm მიიჩნევს, რომ GPT‑4‑ს შეუძლია არასაკმარისად მომსახურე პაციენტების კვლევებისთვის უფრო ზუსტად სკრინინგი. ამ პაციენტებს თავიანთ სამედიცინო ჩანაწერებში, როგორც წესი, ნაკლებად სტრუქტურირებული და უფრო მეტი არასტრუქტურირებული მონაცემი აქვთ (მაგალითად, ჩანაწერები), რომლის ამოღებასა და ინტერპრეტაციაშიც GPT‑4 განსაკუთრებით ძლიერია.

მომავლისთვის Paradigm აღფრთოვანებულია იმით, თუ როგორ შეუძლია GPT‑4‑ის ბუნებრივი ენის გაგებას კლინიკოსებისთვის ტვირთის კიდევ უფრო შემცირება. იმის ნაცვლად, რომ მონაცემების გასაანალიზებლად კოდის დაწერა სჭირდებოდეთ, კლინიკურ გუნდებს შეეძლებათ ChatGPT‑თან დიალოგი პაციენტის მონაცემებზე, რათა გაიგონ მისი შესაბამისობა კვლევებისთვის, რომელი ინფორმაცია აკლია და რა არის შემდეგი ნაბიჯები.

Paradigm ასევე აღფრთოვანებულია იმით, თუ როგორ შეუძლიათ პაციენტების სკრინინგის სიჩქარის შემდგომი გაზრდა. GPT‑4‑ით მათ პლატფორმას პოტენციურად შეუძლია წუთში ასობით პაციენტის შეფასება. შეადარეთ ეს ტიპურ ექთან-კვლევის კოორდინატორს, რომელსაც ხელით დაახლოებით 50 პაციენტის განხილვა შეუძლია დღეში. ეფექტიანობის ამ ზრდამ შეიძლება მიგვიყვანოს სამყარომდე, სადაც პაციენტებს კლინიკურ კვლევებზე ბევრად უკეთესი წვდომა აქვთ, ექიმებსა და ექთნებს მეტი დრო რჩებათ პაციენტებზე ზრუნვისთვის და ნაკლები — დოკუმენტაციისთვის, ხოლო სიცოცხლის გადამრჩენი ახალი თერაპიები ბაზარზე უფრო სწრაფად გამოდის.