医療システムに負担をかける新たなライフライン

世界の人口が増加し高齢化が進むにつれ、さまざまな地域の医療制度は崩壊の危機に瀕しています。 世界保健機関医師、放射線科医、その他の専門職を含む現在の医療従事者の数は、増加する症例数を処理するのに十分ではありません。それに加えて、症例の急増に起因するストレスと燃え尽き症候群の増加により、多くの人が現場を去ることを余儀なくされ、医療従事者の数がさらに減少しています。ベッカーヘルスの推定によると、2021年から2022年の間に約72,000人のアメリカ人医師が労働力から離れ、労働力に加わる約30,000人では、増加する需要を満たすのに十分ではありません。

根本的には、これらの課題（症例数の増加と労働力の減少）の両方が、患者ケアの質の低下という大きな影響を残しています。ここで、話題のジェネレーティブ AI が役立ち、医療従事者の貴重な時間とリソースを節約し、臨床結果の向上に集中できるようになります。

生成AIの可能性を理解する

まず、AI は医療分野では目新しいものではないことを理解することが重要です。組織はこれまでしばらく予測アルゴリズムやコンピューター ビジョン アルゴリズムの実験を行ってきましたが、最も顕著なのは、治療の成功を予測し、人間よりも早く危険な病気を診断することです。しかし、生成 AI に関しては、この技術が ChatGPT のリリースで数年前に最前線に登場したことを考えると、まだかなり新しいものです。生成 AI モデルは、ニューラル ネットワークを使用して既存のデータのパターンと構造を識別し、テキストや画像などの新しいコンテンツを生成します。これらは、組織が毎日合計約 300 ペタバイトのデータを生成する医療を含む、さまざまな分野に適用できます。

現在、データから学習して何か新しいものを生み出す能力を持つジェネレーション AI は、医師に完全に取って代わったり、医師が行っている仕事を代わりに行うことはできませんが、システムの特定の側面を拡張することで、逼迫した医療パイプラインを緩和することはできます。患者の治療や遠隔診療の簡素化から、臨床文書の処理、医師が手術をしているときに関連情報を提供することまで、あらゆることが可能です。

現在実現可能な、最新 AI を使用した最も実現可能なアプリケーションを見てみましょう。

医療指導のためのAIアシスタント

COVID-19以降、ほとんどの組織が遠隔診療サービスを開始し、患者は実際に病院を訪れることなく医師と連絡を取ることができるようになりました。このアプローチはうまくいきましたが、医師はオンラインとオフラインの両方の患者に対応しなければならなかったため、過重労働になりました。gen AIを使用すると、医療機関はLLMに裏打ちされたAIアシスタントを立ち上げて、この問題に対処できます。基本的に、医療データに基づいてGPT-4などのモデルを微調整し、基本的な医療ケースを取り上げて、システムに基づいて患者を最適な治療に導くアシスタントを構築できます。特定のケースがより複雑であると思われる場合は、モデルが患者を医師または最寄りの医療専門家にリダイレクトできます。このようにして、医師に大きな仕事のプレッシャーをかけることなく、すべてのケースに対処できます。サノフィ、バイエル、ノバルティスを含む複数の組織がこのアプローチを採用し、それぞれのプラットフォームでAIアシスタントを立ち上げました。

事務作業を効率化するエージェント

状態を評価してガイダンスを提供するだけでなく、生成型 AI チャットボットを構築して、予約の登録や患者への訪問予定の通知など、基本的な医療業務を処理することもできます。これにより、医療システムで増え続ける電話やメッセージの処理に人間のオペレーターが費やす時間を節約できます。

使用しているプロバイダーの中には 会話型AIエージェント マーシーヘルス、バプティストヘルス、インターマウンテンヘルスケアなどです。これらの医療機関はいずれも、患者登録、ルーティング、スケジュール、FAQ、ITヘルプデスクの発券、処方箋の再発行などのタスクを自動化するボットを導入しています。さらに、多くの医療機関が、患者と医師の会話を聞いて要約された臨床メモを生成するジェネレーションAIコパイロットの導入も開始しており、医師が情報を電子医療記録に手動で記録して保存する手間を省いています。 ナブラこうした副操縦士を提供する企業の 1 つである は、医師に代わってこれらのメモを使用して患者への指示書一式を作成しています。この機能は、医師の横に座り、現在の状態だけでなく、遺伝子構成、健康履歴、ライフスタイルなどの以前に記録されたパラメータに基づいて、個別の治療および療法プランを作成する gen AI システムへとさらに発展させることができます。

ワークフローにおけるデータ取得

LLM の最大の強みの 1 つは、検索拡張生成 (RAG) によって強化され、再トレーニングなしで追加のデータ リソースを利用できることです。これにより、ヘルスケア組織は、特定のクエリに対して最も関連性の高いコンテキスト回答を提供できる社内スマート アシスタントまたは検索システムを構築できます。たとえば、RAG ベースのシステムは、特定の状態に対するエビデンスに基づく推奨事項を作成することで、医師の意思決定をサポートできます。

他のケースでは、EHRシステムから事実に基づいた医療レポートや患者データを作成したり、治療のための最新の臨床ガイドラインを共有したりすることもできます。サンディエゴを拠点とする 与えた この技術を使用して、大規模言語モデル (LLM) を活用し、リアルタイムの内部データと分子シミュレーション システムにアクセスして、製薬チームの医薬品開発ワークフローを支援するアシスタントを開発しました。

データ分析、レポート生成

生成 AI のもう 1 つの注目すべき用途はデータ分析、具体的には CT スキャン、MRI、X 線などの医療画像の分析です。急速なデジタル化が進んだ後も、今日の診断機関のほとんどは、医療画像を調べて患者向けのレポートを作成するのに人間の専門家に頼っています。この作業には多くの時間と労力がかかり、固有の偏見や人間の基本的な疲労から生じるエラーも発生しやすくなります。

ジェネレーション AI 主導のアプローチにより、チームは GPT-4 ビジョンなどのモデルを微調整し、それを使用して医療データからレポートを研究および生成し、プロセス全体を自動化して加速することができます。確かにこのアイデアはまだ新しいものですが、初期の実験では、ヘルスケアにおけるジェネレーション AI の有望な応用であることが示されています。実際、JAMA Network の調査では、胸部レントゲン写真の AI 生成レポートは、人間の放射線科医が作成したレポートと同レベルの品質と精度であることがわかっています。

医薬品開発

最後に、複雑な医療データの複雑なパターンと構造を理解する能力を持つ生成 AI は、医薬品開発にも役立ちます。このテクノロジーは、特定の病気の固有のマーカーを評価し、潜在的な医薬品候補につながる可能性のある化学物質の新しい組み合わせや新しい分子構造を見つけることができます。生成された化合物をその特性に基づいてスクリーニングし、副作用や薬物相互作用を予測することもできます。

ちょうど去年、 Insilico Medicineのgen AI生成INS018_055 米国で約10万人が罹患している特発性肺線維症の治療薬が臨床試験に入り、現在、より広範囲な発売が近づいている。

注意は必須

こうした潜在的に変革をもたらすアプリケーションがあるにもかかわらず、ヘルスケア組織は、生成 AI の性能は、トレーニングや微調整に使用したデータの品質に左右されることを理解する必要があります。データが適切に準備されていなかったり、何らかの偏りがあったりすると、モデルの結果にもそれらの問題が反映され、企業の評判に悪影響を及ぼします。つまり、組織はまず、個人を特定できる情報 (PII) を削除しながら、可能な限り最善の方法でデータを準備し、その後、トレーニングや推論など、プロジェクト ライフサイクルの次の段階に進み、臨床医や管理担当者の負担を少しでも軽減する必要があります。