Paradigm

Клиник туршилтаар бид шинэ эмчилгээний аргуудыг нээдэг бөгөөд энэ нь амь аврах эмчилгээний хэлбэр байж чадна. Paradigm⁠(шинэ цонхонд нээгдэнэ) нь технологийн тусламжтайгаар эрүүл мэндийн салбар дахь саадыг арилгаж, хорт хавдартай өвчтөнүүд зэрэг илүү олон хүнд клиник туршилтыг хүргэхийн зэрэгцээ эмч, сувилагчдын цаасан ажлын ачааллыг бууруулж, эмнэлгийн ажилтнуудын туйлдлыг багасгаж байна.

Өвчтөнийг хамгийн сайн боломжит эмчилгээний сонголт өгч болох клиник туршилтад хамруулахад өвчтөний эмнэлгийн бүртгэлийг үнэлэх явц гол саад болдог. Эмнэлгийн үйлчилгээ үзүүлэгчид клиник туршилтуудыг хайж, явагдаж буй туршилтын дэлгэрэнгүйг ойлгоод дараа нь өвчтөнүүдийг тааруулж, шаардлага хангасан эсэхийг тогтоох цаг ховор байдаг. Үүний үр дүнд ихэнх клиник туршилтыг туршилт явагдаж буй газарт ойрхон өвчтөнүүдээр бүрдүүлдэг бөгөөд энэ нь сонгон шалгаруулалтын үйл явцад гажуудал үүсгэж, олон өвчтөн амийг нь аварч болох дэвшилтэт тусламж үйлчилгээнд хүрэх боломжгүй болгодог.

Үүнийг шийдэхийн тулд Paradigm нь эмнэлгийн бүртгэлийн өгөгдлийг гарган авч, тайлбарлах зорилгоор уламжлалт шилдэг туршлагад суурилсан, эрүүл мэндийн салбарт тусгайлсан ML болон NLP загваруудыг нэвтрүүлж, оновчилсон. Эдгээр загварыг эмнэлгийн шинжээчдийн боловсруулсан эталон өгөгдлийн багцууд дээр сургаж, үнэлсэн. Гэвч энэ арга удаан бөгөөд төвөгтэй байсан.

Уламжлалт загваруудын гүйцэтгэл хязгаарлагдмал байсан тул чанарын шаардлага хангагдсан эсэхийг баталгаажуулахын 위해 эмнэлгийн мэргэжилтнүүд загварын гаралтыг гараар шалгах шаардлагатай болдог.

Paradigm нь бүтэцгүй текстийг хураангуйлах чадвартай Том хэлний загвар (LLM)-ууд нь өөрсдийн хэрэглээнд маш тохиромжтой бөгөөд нэг удаагийн ML загваруудыг тус тусад нь бүтээх аргыг орлож чадна гэж үзсэн. Тэд хоёр боломжит замыг судалсан: эмнэлгийн хэрэглээнд сургагдсан тусгай LLM-тэй нэгтгэх, эсвэл OpenAI-ийн API-аар дамжуулан GPT‑4‑тэй нэгтгэх.

Paradigm сайн үр дүнд хүрэхийн тулд эмнэлгийн тусгай загвар хэрэгтэй гэж бодож байв. Харин GPT‑4 нь нарийн төвөгтэй өгөгдөл үнэлэх даалгаварт өндөр бэлтгэгдсэн хүний шинжээчдийн багийг давж гарсныг олж мэдээд тэд «цочирдсон».

Эцэст нь тэд хэд хэдэн шалтгаанаар OpenAI-г сонгосон:

• Нарийвчлал: Paradigm өөрсдийн шинжээчдийн боловсруулсан эталон өгөгдлийн багцууд дээр хатуу үнэлгээ хийсэн. GPT‑4 нь precision/recall-ын хосолсон хэмжүүрээр тухайн үеийн дэвшилтэт ML загваруудаас дор хаяж 10%-иар илүү нарийвчлалтай байсан. Зарим тохиолдолд тэд «итгэмээргүй» сайжруулалт харсан. Hirsch-ийн хэлснээр, «OpenAI-ийн нарийвчлал нь манай одоогийн нэвтрүүлэлт болон салбарын шилдэг туршлагад сургагдсан шинжээч загваруудын оновчлолоос илүү байсан, заримдаа бүр манай сургагдсан эмнэлгийн мэргэжилтнүүдээс ч дээр байсан. Мэдээлэл хэдий чинээ төвөгтэй, бас олон өөр газар байрласан байх тусам GPT‑4 төдий чинээ сайн байсан.»
• Ашиглахад хялбар байдал: «Бүтээгдэхүүний үүднээс харахад бүх зүйл ердөө л амар байсан. API-г ашиглахад хялбар, мөн манай стект нэгтгэхэд ч амар байсан.» Мөн багийнхан OpenAI-ийн дэмжлэгт өндөр чанартай API баримт бичиг багтсанд талархаж байв: «Бусад байгууллагатай ажиллахтай харьцуулахад бид OpenAI-тай бол илүү бие даан ажиллаж чаддаг.»
• Олон горимт оролт ба урт контекст цонх: Эдгээр хоёр боломж хоёулаа эмнэлгийн бүртгэлийн өгөгдөлд чухал байсан.
• Аюулгүй байдал ба зохицуулалтын нийцэл: «OpenAI-тай хамтран ажиллахад биднийг үнэхээр итгүүлсэн зүйл бол HIPAA-д нийцэх хэрэгцээг маань дэмжихийг оролцуулан зохицуулалтын нийцлийг дэмжихэд хандсан танай нухацтай арга барил байсан. Бид эрүүл мэндийн үйлчилгээ үзүүлэгчид болон тэдний өвчтөнүүдэд үйлчилдэг учраас зохицуулалтын нийцэл бол бидний хувьд буулт хийх аргагүй шаардлага.»

• Саруудаар биш, хэдхэн хоногт шинэ өгөгдлийн элемент гаргаж авах: GPT‑4 нь Paradigm өөрсдийн үндсэн дэд бүтцийн талаар хэрхэн боддогийг үндсээр нь өөрчилж, өгөгдлийн бүрэлдэхүүн хэсэг бүрт ML загваруудыг нэг нэгээр нь бүтээх процессыг бүрэн орлосон. Ингэснээр Paradigm-ийн замын зураг ихээхэн хурдасч, тэд шинэ үйлчилгээ үзүүлэгч түншүүд болон шинэ төрлийн туршилтуудад хурдан тэлэх боломжтой болсон.
• Загварын баталгаажуулалтад шаардагдах эмнэлгийн шинжээчдийн цаг 90%-иар буурсан: Өмнөх тусгай ML загваруудтай харьцуулахад GPT‑4‑ийн гаралтыг үнэлэхэд ердөө 1/10 хэмжээний өгөгдөл л хэрэгтэй гэж Paradigm тооцоолж байна.
• Нарийвчлал 10%-иар өссөн: Өмнөхөөс илүү нарийвчлалтай өгөгдөлтэй болсноор, тэр бүү хэл олон тохиолдолд хүний шинжээчдийг ч давснаар, GPT‑4 нь загварын үр дүнд хүний шинжээчийн оролцоо шаардлагыг бууруулсан. Paradigm болон тэдний эрүүл мэндийн үйлчилгээ үзүүлэгч түншүүдийн эмч, сувилагчид баримт бичиг уншихын оронд өвчтөний тусламж үйлчилгээнд илүү их цаг зарцуулах боломжтой болсон.
• Туршилтад хамрагдах илүү тэгш боломж: Үүнийг одоогоор бүрэн баталж байгаа ч Paradigm-ийн үзэж байгаагаар GPT‑4 нь үйлчилгээ дутмаг хүрдэг өвчтөнүүдийг туршилтад илүү нарийвчлалтай шигшиж чадна. Эдгээр өвчтөнүүдийн эмнэлгийн бүртгэлд бүтэцтэй өгөгдөл бага, бүтэцгүй өгөгдөл (жишээ нь тэмдэглэл) илүү байдаг бөгөөд GPT‑4 ийм өгөгдлийг гарган авч, тайлбарлахдаа сайн.

Цаашдаа Paradigm нь GPT‑4‑ийн байгалийн хэл ойлгох чадварыг ашиглан эмнэлгийн мэргэжилтнүүдийн ачааллыг улам бууруулах боломждоо ихээхэн урамтай байна. Өгөгдөлд дүн шинжилгээ хийхийн тулд код бичихийн оронд клиник багууд өвчтөний өгөгдлийн талаар ChatGPT‑тай харилцан ярилцаж, тухайн хүн туршилтад хамрагдах шаардлага хангаж байгаа эсэх, ямар мэдээлэл дутуу байгаа, дараагийн алхам юу байхыг ойлгох боломжтой.

Paradigm мөн өвчтөн шигших хурдыг цаашид нэмэгдүүлж чадна гэдэгтээ итгэлтэй байна. GPT‑4‑ийн тусламжтайгаар тэдний платформ минут тутамд хэдэн зуун өвчтөн үнэлэх боломжтой. Үүнийг гараар өдөрт ойролцоогоор 50 өвчтөн хянаж чаддаг ердийн судалгааны сувилагч зохицуулагчтай өдөрт харьцуулж үзээрэй. Энэхүү үр ашгийн өсөлт нь өвчтөнүүд клиник туршилтад хавьгүй илүү сайн хамрагдах боломжтой, эмч, сувилагчид баримтжуулалтад бага, өвчтөний тусламж үйлчилгээнд илүү их цаг зарцуулдаг, мөн амь аврах шинэ эмчилгээнүүд зах зээлд илүү хурдан гардаг дэлхийг бий болгож чадна.