Color Health

Color Health⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် ကင်ဆာလူနာများ၏ ကုသမှုလက်လှမ်းမီမှုကို အရှိန်မြှင့်တင်ရန် နည်းလမ်းသစ်တစ်ခုကို ရှေ့ဆောင်ဖော်ဆောင်ရန် OpenAI နှင့် လုပ်ကိုင်နေသည်။ ၎င်းတို့၏ copilot application အသစ်သည် GPT‑4o ကို အသုံးပြု၍ ပျောက်ဆုံးနေသော diagnostics များကို ဖော်ထုတ်ကာ စိတ်ကြိုက် workup plans များကို ဖန်တီးပေးပြီး ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူများကို ကင်ဆာစစ်ဆေးခြင်းနှင့် ကုသမှုအတွက် အထောက်အထားအခြေပြု ဆုံးဖြတ်ချက်များ ချနိုင်စေသည်။ 

Color သည် ကျန်းမာရေးစောင့်ရှောက်မှု လက်လှမ်းမီမှုကို တိုးတက်စေရန် ဆယ်နှစ်ကြာ ကြိုးပမ်းလာခဲ့ပြီး၊ တည်ထောင်ပြီးချိန်မှစ၍ လူနာ 7 သန်းကျော်ကို ဝန်ဆောင်မှုပေးခဲ့သည်။ 2023 ခုနှစ်တွင် ၎င်းတို့သည် United States တွင် ဒုတိယအများဆုံး သေဆုံးစေသော အကြောင်းရင်းဖြစ်ပြီး အမေရိကန် ကျန်းမာရေးစောင့်ရှောက်မှု ကုန်ကျစရိတ်များကို အဓိက မောင်းနှင်နေသည့် ကင်ဆာကို ထိန်းချုပ်နိုင်ရန် employers နှင့် health plans များကို ကူညီပေးရန် American Cancer Society နှင့် ပူးပေါင်းခဲ့သည်။

Color Health သည် လူနာ၏ ဆေးဘက်ဆိုင်ရာဒေတာကို ကုသရေးဆိုင်ရာ အသိပညာနှင့် ပေါင်းစည်းရန် OpenAI ၏ APIs များကို အသုံးပြုသည်။ ရလဒ်အနေဖြင့် ပံ့ပိုးပေးသူများက ပြန်လည်သုံးသပ်ပြီး လူနာစောင့်ရှောက်မှုတွင် အသုံးချနိုင်ရန် စိတ်ကြိုက်ပြင်ဆင်ထားသော၊ ပြည့်စုံသော ကုသမှုအစီအစဉ်များကို ဖန်တီးပေးသည့် copilot application တစ်ခု ဖြစ်လာသည်။ 

“Color ၏ မျှော်မှန်းချက်မှာ ကင်ဆာဆိုင်ရာ ကျွမ်းကျင်မှုကို လူနာ၏ ကျန်းမာရေးစောင့်ရှောက်မှု ဆုံးဖြတ်ချက်များအပေါ် အကြီးမားဆုံး သက်ရောက်မှု ရှိနိုင်သည့် နေရာနှင့် အချိန်တွင် လက်လှမ်းမီစေရန် ဖြစ်သည်” ဟု Color Health ၏ CEO ဖြစ်သူ Othman Laraki က ပြောသည်။ 

“ကျန်းမာရေးစောင့်ရှောက်မှု ကုမ္ပဏီတစ်ခုအနေနဲ့ လက်လှမ်းမီမှုနဲ့ တန်းတူညီမျှမှုကို မြှင့်တင်ပေးတဲ့ နည်းပညာဟာ လူနာဘေးကင်းရေးနဲ့ ကိုယ်ရေးအချက်အလက် လုံခြုံမှုကို ပံ့ပိုးပေးတဲ့ နည်းပညာနဲ့အတူ တွဲဖက်သွားဖို့ လိုပါတယ်။ OpenAI ရဲ့ HIPAA-compliant data protection standards တွေက အဓိကကျပါတယ်။”

copilot application ၏ output ကို အဆင့်တိုင်းတွင် clinician တစ်ဦးက ခွဲခြမ်းစိတ်ဖြာပြီး လိုအပ်ပါက လူနာထံ တင်ပြမီ ပြင်ဆင်သည်။ ၎င်း၏ လုပ်ဆောင်ပုံမှာ အောက်ပါအတိုင်းဖြစ်သည်-

1. ၎င်းသည် family history နှင့် တစ်ဦးချင်း အန္တရာယ်အချက်များကဲ့သို့ လူနာအချက်အလက်များကို၊ clinical guidelines နှင့် ယုံကြည်စိတ်ချရသော အရင်းအမြစ်များမှ ဒေတာများနှင့်အတူ ထုတ်ယူ၊ လုပ်ဆောင်ပြီး စံသတ်မှတ်ပုံစံတူအောင် ပြုလုပ်ပေးသည်။ Color အဖွဲ့သည် အထူးသဖြင့် GPT‑4o ၏ စာမျက်နှာများစွာအတွင်း မညီမညာ ဖွဲ့စည်းထားပြီး မညီမညာ စာသားဖွဲ့ထားသော အချက်အလက်များမှ—PDFs သို့မဟုတ် clinical notes ကဲ့သို့ ပုံစံအမျိုးမျိုးဖြင့် ရှိနေသော်လည်း—အချက်အလက်ကို ထုတ်ယူပြီး စံသတ်မှတ်ပုံစံတူအောင် ပြုလုပ်ပေးနိုင်စွမ်းကို အလွန် အထင်ကြီးခဲ့သည်။ 
2. ဤဒေတာကို အသုံးပြုပြီး “လူနာက ဘယ်လို screenings တွေ လုပ်သင့်သလဲ” ကဲ့သို့သော အဓိကမေးခွန်းများကို ဖြေဆိုကာ ပျောက်ဆုံးနေသော diagnostics များကို ဖော်ထုတ်ပြီး စိတ်ကြိုက် screening plan တစ်ခု ဖန်တီးပေးသည်။ ထို့အပြင် medical necessity documents နှင့် insurance pre-authorizations ကဲ့သို့ diagnostic workups များ ပြီးမြောက်စေရန် လိုအပ်သော documentation များကိုလည်း ဖန်တီးပေးသည်။
3. clinician-in-the-loop သည် source information ပါဝင်သော output ကို အကဲဖြတ်သည်။ clinician သည် copilot ၏ output ကို ပြင်ဆင်နိုင်ပြီး၊ ၎င်းက နောင်လာမည့် iterations များကို ပိုမိုကောင်းမွန်စေရန်လည်း ကူညီပေးသည်။
4. clinician-in-the-loop က ရလဒ်ကို ကျေနပ်သွားသည်နှင့် ၎င်းတို့သည် အဆိုပါ အချက်အလက်ကို လူနာ၏ ရှိပြီးသား treatment plan ထဲသို့ ထည့်သွင်းနိုင်သည်။

ကင်ဆာအတွက် စစ်ဆေးခြင်း၊ ရောဂါရှာဖွေသတ်မှတ်ခြင်းနှင့် ကုသခြင်းသည် အလွန်ရှုပ်ထွေးပြီး အချိန်ကုန်လေ့ရှိသည်။ ထို့အပြင် နှောင့်နှေးမှုတိုင်းသည် အရေးပါသည်- ကုသမှုကို လေးပတ်သာ နှောင့်နှေးသော လူနာများသည် သေဆုံးနိုင်ခြေ 6–13% ပိုမြင့်မားသည်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)။

စစ်ဆေးမှုလိုအပ်ချက်များလည်း မကြာခဏ အလွန်ပုဂ္ဂိုလ်ရေးဆန်သည်။ ဥပမာအားဖြင့် Color ၏ လူနာများအနက် သုံးပုံတစ်ပုံကျော်သည် စံလမ်းညွှန်ချက်များတွင် မဖော်ပြထားသော တစ်ဦးချင်း အန္တရာယ်အချက်များအပေါ် အခြေခံ၍ ပိုစောသော သို့မဟုတ် ကွဲပြားသော စစ်ဆေးနည်းလမ်းများကို လိုအပ်ကြသည်။ “ကျွန်မရဲ့ အန္တရာယ်မြင့် လူနာများအတွက် စိတ်ကြိုက် ကင်ဆာစစ်ဆေးမှုအစီအစဉ်များကို ရေးဆွဲရာမှာ ရှုပ်ထွေးမှုတွေကို ကိုယ်တိုင် မြင်တွေ့ခဲ့ပါတယ်” ဟု Color မှ primary care physician ဖြစ်သူ Dr. Keegan Duchicela က ပြောသည်။ “လမ်းညွှန်ချက်တွေက အမြဲတမ်း ပြောင်းလဲနေပြီး တစ်ဦးချင်း အန္တရာယ်အချက်တွေကလည်း အမြဲတမ်း ချက်ချင်း မရှင်းလင်းတတ်ပါဘူး။” 

စစ်ဆေးမှုအပြင် ရောဂါရှာဖွေစစ်ဆေးလုပ်ငန်းစဉ်များသည် ပိုမိုသော စိန်ခေါ်မှုများကို ဖန်တီးစေသည်။ လူနာတစ်ဦး၏ ရောဂါရှာဖွေစစ်ဆေးမှုကို မှတ်တမ်းတင်ပြီး ဆောင်ရွက်ရန် ရက်သတ္တပတ်များ ကြာနိုင်ကာ၊ လူနာအများစုသည် ပထမဆုံး oncology appointment သို့ ပြည့်စုံသော workup မပြီးစီးဘဲ ရောက်လာကြသည်။ “ယနေ့မှာ လူနာတစ်ဦးက စတင်ရောဂါရှာဖွေခံရသည့် နေရာအပေါ် မူတည်ပြီး oncology care မှာ အမှန်တကယ် ကွာဟချက်တွေ ရှိနေပါတယ်” ဟု Stanford University School of Medicine မှ ပါမောက္ခနှင့် လက်တွေ့ကုသမှုပေးနေသော oncologist ဖြစ်သူ Dr. Allison Kurian က ပြောသည်။ “ကျွန်မရဲ့ လူနာအများစုက သင့်လျော်သော ကုသမှု ပေးနိုင်ဖို့ လိုအပ်တဲ့ စမ်းသပ်မှုတွေနဲ့ အကဲဖြတ်မှုအားလုံးကို ပြီးမြောက်ရန် ရက်သတ္တပတ်များ လိုအပ်ပြီး၊ အဲဒီအတွင်း အဖိုးတန် အချိန်တွေ ဆုံးရှုံးသွားသလို clinicians တွေအပေါ် စီမံခန့်ခွဲရေး ဝန်ထုပ်ဝန်ပိုးလည်း ပိုတင်စေပါတယ်။”

Color သည် 2023 ခုနှစ်တွင် OpenAI နှင့် စတင်လုပ်ကိုင်ခဲ့ပြီး၊ AI ကို အသုံးပြုကာ ကင်ဆာလူနာ စောင့်ရှောက်မှုနှင့် ကျန်းမာရေး တန်းတူညီမျှမှုကို တိုးတက်စေရန် ရည်ရွယ်ခဲ့သည်။ ကင်ဆာ စစ်ဆေးခြင်း၊ ရောဂါရှာဖွေသတ်မှတ်ခြင်းနှင့် ကုသမှုတို့၏ စိန်ခေါ်မှုများကို ထည့်သွင်းစဉ်းစားပြီး Color သည် အောက်ပါအရာများကို လုပ်ဆောင်နိုင်မည့် ဖြေရှင်းချက်တစ်ခုကို ရှာဖွေနေခဲ့သည်-

• ပုံစံမညီသော လူနာဒေတာကို အဓိပ္ပာယ်ဖော်ထုတ်ပေးရန်
• အချက်အလက်သိပ်သည်းသော ကျန်းမာရေးစောင့်ရှောက်မှု လမ်းညွှန်ချက်များကို ခွဲခြမ်းစိတ်ဖြာရန်
• လူနာဒေတာ၏ ကိုယ်ရေးလုံခြုံမှုကို ကာကွယ်ရန်
• လူနာဘေးကင်းရေးကို သေချာစေရန် clinician-in-the-loop workflow design ကို ပံ့ပိုးရန်
• အီလက်ထရွန်နစ်ကျန်းမာရေးမှတ်တမ်းများ (EHRs) နှင့် အဓိက ဆေးရုံစနစ်များနှင့် ပေါင်းစည်းရန်

ကနဦး စူးစမ်းလေ့လာမှုအတွင်း Color သည် လျင်မြန်စွာ စမ်းသပ်နိုင်ရန် ၎င်းတို့၏ နည်းလမ်းကို တည်ဆောက်ခဲ့ပြီး၊ ကင်ဆာရောဂါရှာဖွေသတ်မှတ်ရေးအတွက် clinical guidelines PDF များမှ အချက်အလက်ထုတ်ယူခြင်းကဲ့သို့ ရှုပ်ထွေးသော အလုပ်များတွင် GPT‑4 နှင့် GPT‑4o ၏ စွမ်းဆောင်ရည်ကို စမ်းသပ်ခဲ့သည်။ ဤ PDF များမှာ ရောဂါရှာဖွေစစ်ဆေးမှုအပေါ် မူတည်သော စောင့်ရှောက်မှုလမ်းကြောင်းများကို ဖော်ပြထားသည့် ရှုပ်ထွေးသော ပုံကြမ်းများ ပါဝင်ပြီး စာမျက်နှာ ရာနှင့်ချီ ရှိတတ်သည်။ OpenAI နှင့် Color တို့သည် ဤပုံကြမ်းများ၏ screenshot များကို GPT‑4 Vision ဖြင့် ဖော်ပြခိုင်းရာတွင် output တိကျမှုကို အကောင်းဆုံး ထိန်းသိမ်းနိုင်သော နည်းလမ်းတစ်ခုကို အတူတကွ ဖွံ့ဖြိုးတိုးတက်စေခဲ့သည်။

OpenAI သည်လည်း Color အဖွဲ့အား standard ChatGPT interface ကို အသုံးပြု၍ clinical workflows များကို prototype လုပ်ရန်နှင့် custom GPT တစ်ခုဖြင့် sample cases များ ဖန်တီးရန် လမ်းညွှန်ကူညီပေးခဲ့ပြီး—engineering resources အများအပြား မရင်းနှီးမီ ထိရောက်သော proofs of concept များကို ရရှိစေခဲ့သည်။

OpenAI ၏ ကျွမ်းကျင်သော လမ်းညွှန်မှု၊ အစွမ်းထက်သော မော်ဒယ်များနှင့် HIPAA-compliant data protection standards များကြောင့် Color သည် ရှုပ်ထွေးသော ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်ချမှုကို ခွဲခြမ်းဖော်ထုတ်ခြင်း၊ တုံ့ပြန်ညွှန်ကြားချက်များကို ပိုမိုကောင်းမွန်အောင် ပြင်ဆင်ခြင်းနှင့် ကနဦး copilot ဗားရှင်းကို ဖန်တီးရန် clinician-in-the-loop workflows များကို ဒီဇိုင်းဆွဲခြင်းအပေါ် အာရုံစိုက်နိုင်ခဲ့သည်။

ဥပမာအားဖြင့် OpenAI engineers များက output quality ကို တိုးမြှင့်ရန် မော်ဒယ် fine-tuning အစား retrieval-augmented generation (RAG) ကို အသုံးပြုရန်နှင့် ChatGPT အတွက် ပိုမိုလွယ်ကူစွာ process လုပ်နိုင်ရန် clinical documentation ကို ပြန်လည်ရေးသားရန် Color ကို လမ်းညွှန်ပေးခဲ့သည်။ နောက်ဆုံးတွင် စမ်းသပ်ပြီးနောက် Color သည် GPT‑4o ကို ၎င်း၏ cutting-edge copilot application ၏ အဓိကအဖြစ် ထားကာ OpenAI ကို ၎င်း၏ AI solutions provider အဖြစ် ရွေးချယ်ခဲ့သည်။

ဤကိရိယာ၏ သက်ရောက်မှုကို တိုင်းတာရန် Color သည် University of California, San Francisco Helen Diller Family Comprehensive Cancer Center (UCSF HDFCCC) နှင့် ပူးပေါင်းလုပ်ကိုင်နေသည်။ ကနဦးအကောင်အထည်ဖော်မှုအတွက် Color နှင့် UCSF တို့သည် retrospective evaluation တစ်ရပ်ကို လုပ်ဆောင်ပြီးနောက် ရည်ရွယ်ထားသော rollout ကို ဆက်လက်ပြုလုပ်မည်ဖြစ်သည်။ အကဲဖြတ်ရလဒ်အပေါ် မူတည်၍ UCSF ရှိ ကင်ဆာလူနာအသစ် အားလုံးအတွက် clinical workflows များတွင် copilot ကို ပေါင်းစည်းနိုင်ရန် အလားအလာ ရှိသည်။ 

“UCSF သည် လူနာစောင့်ရှောက်မှုကို တိုးတက်စေရန် cutting-edge technology ကို အကောင်အထည်ဖော်ရာတွင် ဦးဆောင်သူဖြစ်သည်” ဟု UCSF HDFCCC ၏ President ဖြစ်သူ Dr. Alan Ashworth, PhD, FRS က ပြောသည်။ “လူနာများသည် မပြည့်စုံသော diagnostic workups များနှင့်အတူ primary oncologists များထံ မကြာခဏ ရောက်လာတတ်ပြီး၊ ထို workups များကို စုစည်းကာ ပြီးစီးမှုကို မှန်ကန်စွာ ဖော်ထုတ်ရန် လိုအပ်သော အချိန်ကြောင့် providers များသည် ၎င်းတို့၏ အမြင့်ဆုံး ကျွမ်းကျင်မှုအဆင့်တွင် အလုပ်မလုပ်နိုင်ကြပါ။ UCSF ရှိ ကင်ဆာလူနာများအတွက် မျက်နှာချင်းဆိုင်မတိုင်မီ charting ၏ ထိရောက်မှုနှင့် တိကျမှုကို မြှင့်တင်ပြီး ကုသမှုစတင်မှု နှောင့်နှေးစေသည့် ကုန်ကျစရိတ်မြင့်မားသော ပြဿနာများကို ရှောင်ရှားပေးနိုင်မည့် ကိရိယာများကို ကျွန်ုပ်တို့ စိတ်ဝင်စားပါသည်။” 

American Cancer Society ၏ CEO ဖြစ်သူ Dr. Karen Knudsen ကလည်း သဘောတူသည်။ “ဒီလုပ်ငန်းစဉ်ကို မြန်ဆန်စေဖို့ AI technologies တွေကို ဒစ်ဂျစ်တယ်ဖြင့် အားဖြည့်ထားသော clinical workflows များနှင့် ပေါင်းစပ်ခြင်းဆိုတဲ့ အယူအဆဟာ ပါဝင်ပတ်သက်သူ အားလုံးအတွက်—လူနာနဲ့ သူတို့ရဲ့ clinicians များသာမက ကုသမှုကုန်ကျစရိတ်ကို အာမခံပေးတဲ့ payer အတွက်ပါ—အပြုသဘောဆောင်တဲ့ တိုးတက်မှု ဖြစ်လာနိုင်ပါတယ်။”

Color သည် copilot ကို rollout လုပ်ရာတွင် သတိထားသော နည်းလမ်းကို ကျင့်သုံးနေပြီး၊ ၎င်း၏ ကိုယ်ပိုင် clinicians များအတွက် ကနဦး phase-in တစ်ရပ်ကို စတင်ကာ case အရေအတွက် ကန့်သတ်ထားသော အမှုများတွင်သာ ကိရိယာကို အသုံးချနေသည်။ ဤ case များသည် အရည်အသွေးအာမခံချက် အဆင့်များစွာကို ရရှိသည်-

• copilot ကို အသုံးပြုသည့် ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူများသည် copilot မရှိသူများထက် ပျောက်ဆုံးနေသော labs, imaging သို့မဟုတ် biopsy and pathology results များကို 4 ဆ ပိုမို ခွဲခြားသိရှိနိုင်သည်။
• copilot ကို အသုံးပြုသောအခါ clinicians များသည် လူနာမှတ်တမ်းများကို ခွဲခြမ်းစိတ်ဖြာပြီး ကွာဟချက်များကို ဖော်ထုတ်ရန် ပျမ်းမျှအားဖြင့် 5 မိနစ်သာ ကြာသည်။ copilot မရှိပါက ဒေတာသည် အစိတ်စိတ်အမွှာမွှာ ဖြစ်နေပြီး ရက်သတ္တပတ်များစွာ နှောင့်နှေးမှု ဖြစ်စေနိုင်သည်။

2024 ခုနှစ်၏ ဒုတိယနှစ်ဝက်အတွင်း Color သည် copilot application ကို အသုံးပြုကာ ဆရာဝန်၏ ကြီးကြပ်မှုဖြင့် AI-generated personalized care plans များကို လူနာ 200,000 ကျော်အတွက် ပေးအပ်ရန် ရည်ရွယ်ထားသည်။