AI はどのようにして科学的根拠に基づいたケアにおけるギャップを埋めることができるか

アメリカは多様な人々の「るつぼ」として知られていますが、医療は多様性というより重要な問題に焦点を当てています。ヘルスケアは、診断から治療、医薬品や医療機器のテストに至るまで、ほぼすべての側面でデータを使用する高度な証拠に基づいた実践です。しかし、証拠の欠如により、深刻な人種格差が「標準」になっています。

毎日の医療決定のうちわずか 14% 質の高い証拠に基づいて作成されています。その証拠は米国人口の 30 パーセントから得られたものです。 米国人口の70パーセント 臨床試験からは除外されます。

女性が人口の半分を占める一方で、 女性の健康には歴史的に資金と研究が不足していました。これは部分的には次のことが原因である可能性があります 1977 年の FDA の方針、妊娠の可能性のある女性を薬物試験の初期段階から除外することを推奨しました。このため、最終的には、国立衛生研究所による女性の参加を義務付ける法律が 1994 年に発効するまで、薬物が女性にどのような影響を与えるかについてのデータが不足することになりました。

黒人、褐色人種、アジア人を含む少数派の患者も臨床試験に参加することはほとんどないため、重大な証拠のギャップが生じ、結果的に好ましい結果が得られなかったり、固定観念や偏見が偏見に基づいて強化されたりすることになります。 時代遅れで問題のあるアルゴリズム それは誤診や不適切な治療につながります。

黒人、アメリカインディアン、アラスカ先住民 (AIAN) は、 平均余命が短くなるに加えて、 妊娠関連死亡率が最も高い。一方、ハワイ先住民と太平洋諸島の人々は、格差が非常に大きいため、医療機関がまだ格差を正確に分析できていない集団です。 重大なデータギャップ。

たとえば、ハワイ先住民と太平洋諸島の住民は、マサチューセッツ州の人口に占める割合は 0.2 パーセント未満です。この層の人が緊急治療室に入院し、地元の層の典型的な治療計画に抵抗がある場合はどうなるでしょうか?残念ながら、このシナリオは思っているよりも頻繁に発生します。

このような状況では、医療チームが多様なデータのより大規模なプールにアクセスできない限り、患者は状態が悪化する可能性があります。この例では、ボストンの ER がハワイの医療システムからデータを取得し、人口統計によって治療に対する反応が異なるため、患者が最も適切で個別化されたケアを受けられるようにすることが理想的です。ただし、この方法では、臨床医が調査を精査して各患者にとってどのデータが最適であるかを判断するのに何時間もかかる場合があります。

マイノリティも一人ではありません。農村地域でも証拠収集において虚偽の報告が行われている。アクセスと認識が不足しているため、 臨床試験参加者の 3 分の 1 は農村地域の出身です。

地方の医療システムは人員不足でリソースが不足していることで有名です。そのため、米国全土の都市部の医療システムからのデータを臨床医に提供することで、より前向きな結果が得られるだけでなく、AI を活用することでケアの意思決定が迅速化され、臨床医が通常は精査に費やしていた貴重な時間を取り戻すことができるのです。研究を通じて。

これらのギャップを埋める鍵となるのは証拠であり、証拠を現実世界の洞察に変換するには AI が必要です。

証拠は医療の取引単位です。これは、どのような治療を行うかを決定し、それらの治療の利点を評価し、適切な患者に適切なケアを提供していることを確認する方法です。データアクセスにおけるこのような格差を考慮すると、少数派集団へのケアには、これらの決定を伝えるために必要な証拠が不足しています。

医療システムおよびライフサイエンス企業は、データと証拠へのアプローチを再評価し、人種、性別、地域に関係なく、臨床医により良い情報を提供し、より良い患者転帰をもたらすことができる質の高い証拠でデータのギャップを埋める必要があります。

幸いなことに、匿名の実世界証拠の生成と AI の革新における最近の進歩により、企業は既存のデータセットを再評価し、追加の外部委託データでギャップを埋めることができます。そうすることで、利用可能な証拠を増やし、過小評価されている患者であっても、個別化医療の夢を現実にすることができます。

AI は、迅速なだけでなく、大規模な証拠を生成できます。これらのツールは、数十万件の研究を同時に実行して、臨床試験やその他の研究で過小評価されていることで悪名高い、女性、子供、および併存疾患を持つ人々や疾患ベースのグループなどの他の人口統計に関する広範な証拠を生成できます。

証拠生成に対する最大の障害の 1 つは、医療記録の退屈な分析と長時間にわたる匿名化プロセスです。生成 AI は差し迫ったタスクを自動化するために存在し、その 1 つは現実世界の証拠を生成することです。 AI は、この時間のかかるプロセスを迅速化し、表現のギャップを埋める匿名化されたデータを研究者や臨床医に提供できます。これらのデータセットはコンパイルされ、より正確な研究グレードの証拠で大規模言語モデル (LLM) を強化したり、臨床上の意思決定に不足しているデータを補完したりするために使用できるため、少数派の人々がより多くの研究を利用できるようになります。

LLM に投資している企業は、モデルのデータが関連性があり、証拠に基づいていることを確認したいと考えています。出版された文献や現実世界のデータから適切な証拠を生成することで、この問題を解決できます。にもかかわらず 臨床上の意思決定に ChatGPT を使用している医師もいます、ChatGPT のような汎用 LLM は、現実世界の証拠に基づいていないため、医療分野では信頼できません。ソース元のデータは現実世界の証拠に基づいていないため、不正確な出力が生成されます。

AI ツールはデータ品質を評価および強化するようにも設計されており、医療システムおよびライフ サイエンス企業がギャップを特定し、ギャップを埋めるための実行可能な措置を講じることができ、将来の医療に関する意思決定が十分な証拠に基づいて行われるようになります。 LLM を使用して意思決定を行う臨床医にとって、データ評価ツールは、患者の背景とどの程度一致しているかに基づいて、生成されたエビデンスの品質をランク付けできます。また、将来のケアの提案を生成し、その後の使用のために更新されたデータを含めることもできます。データ評価ツールは、提供されたデータセットが医師の質問にどの程度適合しているかを医師に知らせることもでき、提案の信頼性を明らかにし、回答の矛盾を明らかにすることもできます。

AI により、ヘルスケアにおけるさらなるパーソナライゼーションの提供が可能になります。数分で証拠が生成されるため、広範なガイドラインの時代は終わり、研究者や臨床医は価値観に基づいたケアを変革できる個別化された証拠をすぐに利用できるようになるでしょう。

2025 年が近づくにつれ、AI ツールは質の高い証拠を生成することに重点を置く必要があります。透明性、質の高い方法論、臨床医から信頼に基づいた対応を得る能力を通じてこれを行う企業は、長期的に成功し、証拠に基づいたケアを変革するでしょう。

写真：Natali_Mis、ゲッティイメージズ

この投稿は、 メッドシティのインフルエンサー プログラム。誰でも、MedCity インフルエンサーを通じて MedCity News でヘルスケアにおけるビジネスとイノベーションに関する視点を公開できます。 方法を確認するにはここをクリックしてください。