Paradigm

Клиничка испитивања су начин на који откривамо нове лекове и могу бити облик лечења који спасава живот. Paradigm⁠(отвара се у новом прозору) руши баријере у здравственој индустрији технологијом која клиничка испитивања приближава већем броју људи, као што су пацијенти оболели од рака, док истовремено смањује административно оптерећење за лекаре и медицинске сестре како би се ублажило сагоревање клиничара.

Процена медицинске документације пацијената представља велико уско грло за укључивање пацијента у клиничко испитивање које би могло да пружи најбољу могућу опцију лечења. Пружаоци здравствених услуга ретко имају времена да претражују клиничка испитивања, разумеју детаље испитивања које је у току, а затим повежу и квалификују пацијенте. Последица је да се већина клиничких испитивања попуњава пацијентима који живе близу места где се испитивање спроводи, што уноси пристрасност у процес одабира и спречава многе пацијенте да добију приступ револуционарној нези која би им могла спасити живот.

Да би то решио, Paradigm је применио и оптимизовао традиционалне ML и NLP моделе специфичне за домен здравства, засноване на најбољим праксама, за издвајање и тумачење података из медицинске документације. Ови модели су обучени и евалуирани на референтним скуповима података које су саставили стручни клиничари. Међутим, овај приступ био је спор и оптерећујућ.

Пошто су традиционални модели имали ограничену ефикасност, клиничари морају ручно да прегледају излаз модела како би проверили да ли су испуњени стандарди квалитета.

У Paradigm-у су веровали да велики језички модели (LLM), захваљујући својој способности да сумирају неструктурисани текст, могу бити одлично решење за њихов случај употребе и да замене приступ изградње појединачних ML модела. Истраживали су два могућа пута: интеграцију са прилагођеним LLM-ом обученим за медицинске случајеве употребе или интеграцију са GPT‑4 путем OpenAI API-ја.

У Paradigm-у су веровали да ће им бити потребан специјализован медицински модел да би постигли добре резултате. Били су „шокирани” када су открили да је GPT‑4 надмашио тим високо обучених људских стручњака у сложеним задацима процене података.

На крају су изабрали OpenAI из неколико разлога:

• Прецизност: Paradigm је спровео ригорозне евалуације на својим референтним скуповима података које су саставили стручни клиничари. GPT‑4 је био најмање 10% прецизнији од најсавременијих ML модела на комбинованој метрици прецизности и одзива. У неким случајевима видели су „невероватна” побољшања. „Прецизност OpenAI решења била је боља од нашег постојећег начина примене и оптимизације стручно обучених модела који прате најбоље праксе у индустрији, а понекад је била боља и од наших обучених клиничара”, рекао је Hirsch. „Што су информације сложеније и што се налазе на више различитих места, то је GPT‑4 био бољи.”
• Једноставност употребе: „Из перспективе производа, све је једноставно функционисало. API је био једноставан за коришћење и лако га је било интегрисати у наш стек.” Тим је такође ценио што је OpenAI подршка укључивала квалитетну API документацију: „У поређењу са радом са другим организацијама, са OpenAI-јем можемо бити самосталнији.”
• Мултимодални унос и дуги контекстни прозори: Обе функције биле су кључне за податке из медицинске документације.
• Безбедност и усклађеност са прописима: „Оно што нас је заиста убедило да сарађујемо са OpenAI-јем био је ваш озбиљан приступ подршци регулаторној усклађености, укључујући подршку нашој потреби да будемо усклађени са HIPAA. Пошто пружамо услуге здравственим установама и њиховим пацијентима, регулаторна усклађеност је за нас услов о коме нема преговора.”

• Издвајање нових елемената података за неколико дана, а не месеци: GPT‑4 је из корена променио начин на који Paradigm размишља о својој основној инфраструктури, у потпуности замењујући процес изградње ML модела један по један за појединачне компоненте података. Ово је значајно убрзало план развоја компаније Paradigm и омогућило јој да се брзо прошири на нове партнере међу пружаоцима здравствених услуга и нове врсте испитивања.
• Смањење времена које стручни клиничари троше на валидацију модела за 90%: Paradigm процењује да им је потребна само десетина података за евалуацију излаза GPT‑4 у поређењу са ранијим специјализованим ML моделима.
• Повећање прецизности за 10%: Са прецизнијим подацима него раније — при чему у многим случајевима надмашује чак и људске стручњаке — GPT‑4 је смањио потребу за интервенцијом људских стручњака у резултатима модела. Лекари и медицинске сестре у Paradigm-у и код њихових партнерских пружалаца здравствених услуга могу да проводе више времена у бризи о пацијентима, а мање у читању документације.
• Правичнији приступ испитивањима: Иако то још увек потврђују, у Paradigm-у верују да GPT‑4 може прецизније да скринира недовољно заступљене пацијенте за испитивања. Ови пацијенти обично имају мање структурираних података у својој медицинској документацији и више неструктурираних података (нпр. белешки), у чијем издвајању и тумачењу је GPT‑4 посебно успешан.

Гледајући унапред, у Paradigm-у су узбуђени због начина на који могу да искористе GPT‑4 разумевање природног језика како би додатно смањили оптерећење клиничара. Уместо да морају да пишу код за анализу података, клинички тимови би могли да воде дијалог са ChatGPT о подацима пацијента, како би разумели његову подобност за испитивања, информације које недостају и следеће кораке.

У Paradigm-у су узбуђени и због тога како могу наставити да повећавају стопу скрининга пацијената. Са GPT‑4, њихова платформа потенцијално може да процени стотине пацијената у минути. Упоредите то са типичним координатором медицинске сестре за истраживања, који ручно може да прегледа око 50 пацијената дневно. Ови добици у ефикасности могу довести до света у ком пацијенти имају много бољи приступ клиничким испитивањима, лекари и медицинске сестре могу да проводе више времена у бризи о пацијентима, а мање на документацији, а нове терапије које спасавају живот брже стижу на тржиште.