人工知能の一形態である大規模言語モデルは、主に医療の提供と管理のさまざまな側面を変革し、改善する可能性があるため、医療業界で多くの誇大宣伝を引き起こしています。 この話題は、AI と機械学習の急速な進歩によっても促進されています。
しかし、大きな可能性がある一方で、次のような懸念や倫理的考慮事項が残っています。 データのプライバシーとセキュリティ、根強い偏見、規制の問題、データの精度など。
つまり、AI は大きなことを成し遂げる準備ができていますが、臨床医のために機能させることができるのでしょうか?
Medicomp Systems の CEO、David Lareau 氏は、業界が AI の力を活用する補完的なテクノロジーを活用すれば、それが可能であると信じています。
ヘルスケアITニュース Lareau 氏と対談し、AI、LLM、ヘルスケアの未来について語りました。
Q. 臨床の質の尺度を特定し、リスク調整のための階層的な状態カテゴリをコーディングするタスクに人工知能を設定することを提案しています。 AI はここで臨床医をどのように支援できるのでしょうか? 何ができるのでしょうか？
A. 人工知能と大規模言語モデル には、遭遇メモの下書きや、似た意味を持つ複数の単語やフレーズの識別など、テキスト コンテンツを生成するための強力な機能があります。
この例としては、LLM を使用したアンビエントリスニング技術の使用が挙げられます。これは、患者との面談中に話された内容を取り込み、それをテキストノートに変換することで、臨床面談の草稿メモを取得して提示することです。
AI と LLM により、システムは患者の「時々夜中に目が覚めて、息を整えるのが難しい」という言葉を聞き、それを「息切れ」、「呼吸困難」、「横臥位」などの特定の臨床概念と関連付けることができます。呼吸困難」および状態または症状。
これらの概念は臨床医にとって診断上の意味が異なる場合がありますが、患者の発言を、潜在的な問題や診断と臨床的に関連する特定の症状や状態に関連付けることができるため、AI/LLM を組み合わせることで、臨床医が次のことに集中できるようになります。リスク調整の対象となる条件。この場合、睡眠時無呼吸、心不全、COPD、またはその他の疾患が含まれる可能性があります。
潜在的な臨床品質評価の適用可能性を特定するためのこの強力な最初のステップは非常に重要です。 ただし、複雑で微妙な患者の包含基準と除外基準を評価するには追加のツールが必要です。 これらの基準は臨床的に正確である必要があり、追加のコンテンツと患者の医療記録からの他の情報の診断フィルタリングが含まれます。
Q. AI と CQM/HCC に関して、高度な AI ツールを使用したとしても、医療用語に固有の複雑さと同様に、データの品質とバイアスに関する課題が大きく迫っているとおっしゃっています。 いくつかの課題について説明してください。
A. 臨床現場では、性別、人種、社会経済的背景などの要因が重要な役割を果たします。 ただし、LLM は個々の医療記録を分析する際に、これらの側面を統合するのに苦労することがよくあります。 通常、LLM は幅広い情報源から引用しますが、これらの情報源は通常、大多数の集団の最も一般的な臨床症状を反映しています。
これにより次のような問題が発生する可能性があります AIの反応に偏りがある、少数派グループまたは特定の条件を持つ個人の固有の特性を見逃している可能性があります。 これらの AI システムは、正確かつ公平な医療サポートを確保するために、多様な患者の背景を考慮することが重要です。 慢性疾患の管理と文書化に AI を効果的に使用するには、データ品質が大きな課題となります。
この問題は、HCC リスク調整および CQM の対象となる数千の診断に特に関連します。 ICD、CPT、LOINC、SNOMED、RxNorm などのさまざまな標準医療コードは独自の形式を持ち、シームレスに統合されていないため、AI や自然言語処理で特定の診断に関連する患者情報をフィルタリングして表示することが困難です。
さらに、コーディングのための医療言語の解釈は複雑です。 たとえば、「風邪」という用語は、風邪をひいていること、低温に敏感であること、または口唇ヘルペスに関連している可能性があります。 また、LLM のような AI システムは、現在のコード セットのほとんどがそのようなデータを効果的に処理していないため、診断を区別するために重要な否定的な概念に苦労しています。
この制限により、医療用語や患者の表現における微妙ではあるが重要な違いを正確に解釈する LLM の能力が妨げられます。
Q. これらの課題を克服し、リスクベースの償還プログラムへの準拠を保証するために、患者のカルテからの情報を分析する機能を備えた CQM/HCC テクノロジーを提案しています。 このテクノロジーはどのようなもので、どのように機能するのでしょうか?
A. CQM は、特定の質の尺度が適用可能であることを示す一連のデータ ポイントが存在する場合に、質の高いケアが患者に提供されているかどうかを判断するための代理として機能します。 メディケア アドバンテージなどのリスク調整された償還プログラムに参加するには、医療提供者が HCC カテゴリに含まれる診断の管理、評価、評価、治療 (MEAT) プロトコルに対処すること、および文書が MEAT プロトコルをサポートしていることが求められます。
HCC カテゴリには数百の CQM と数千の診断が含まれているため、患者カルテを処理し、あらゆる状態に関連する情報とデータをフィルタリングして、臨床ユーザーが確認して行動できるようにプレゼンテーションを正規化できる臨床関連性エンジンが必要です。効果的なケアとコンプライアンスの要件となります。
と FHIRの採用、最初の QHIN の確立、および SMART-on-FHIR アプリへのシステムの開放により、企業は、CQM、HCC、臨床データの相互運用性に対処するための新機能を追加しながら、現在のシステムを維持する新たな機会を得ることができます。
これには、テキストや異種の臨床用語やコードセットを統合された計算可能なデータインフラストラクチャに変換できる臨床データ関連性エンジンの使用が必要になります。
Q. 自然言語処理は、あなたのビジョンの一部です。 この形式の AI は、医療における AI の将来においてどのような役割を果たしますか?
A. プロンプトが与えられると、LLM は臨床テキストを作成できます。 NLP で変換できる コードや用語に変換します。 この機能により、患者との面会のための文書作成の負担が軽減されます。
文書が作成されても、臨床的な意味を持つのは単語だけではなく、単語間の関係と、関連情報を迅速に見つけてそれに基づいて行動する臨床医の能力であるため、他の課題が残ります。
もちろん、これらのアクションには CQM と HCC の要件が含まれますが、より大きな課題は、臨床ユーザーが AI システムからの出力の臨床検証のために信頼できる「信頼できる情報源」を使用して LLM/NLP 出力を頭の中で処理できるようにすることです。
私たちは、AI、LLM、NLP を使用してコンテンツを生成および分析し、出力を正規化して診断や問題ごとにフィルタリングして、臨床医に実用的で臨床関連の情報を提示できるエキスパート システムを使用してコンテンツを処理することに重点を置いています。
LinkedIn で Bill の HIT 報道をフォローしてください。 ビル・シウィッキー
彼にメールを送ります: [email protected]
Healthcare IT News は HIMSS Media の出版物です。