医療データ アーキテクチャを変革する必要がある理由

医療における人工知能 (AI) の使用は、わずか数年で理論的なものから変革的なものへと移行しました。すでに AI は、管理上の負担から診断や患者の転帰に至るまで、医療のあらゆる側面を再考するのに役立っています。

たとえば、シンガポールの SingHealth では、Gen AI 文書システム、 ノートバディは、患者の訪問を 4 か国語で同時に臨床ノートに転記し、要約します。米国のメイヨークリニックでは、研究者らが「AI」ツールを開発した。 ステートビューアこれにより、臨床医は、広く利用可能な単一のスキャンを使用して、9 種類の認知症に関連する脳活動パターンをより迅速かつ正確に特定できるようになります。その間、 カナダのトロント大学にある CHARTWatch のような予測ツールにより、内科病棟での予期せぬ死亡率が 26% 減少しました。

これらの例は、とりわけ、人間の健康を改善する AI の驚くべき力を示しており、多くの人が世界の医療における AI 変革は避けられないと信じている理由です。

しかし、その必然性は壁にぶつかります。それは、数十年にわたる異種システム、互換性のないフォーマット、サイロ化された記録、レガシー インフラストラクチャに及ぶ、医療における長く複雑なデータの歴史です。時代遅れのデータ構造は、マルチモーダルな医療データの全範囲にアクセスして推論、学習、行動できるソリューションを実現するのではなく、AI をタスク固有の狭いツールに限定することでイノベーションを抑制します。より良い、よりパーソナライズされた、アクセスしやすい医療を実現するには、医療の基盤となるデータ アーキテクチャを大胆に再考する必要があります。

今日、最もデジタル化が進んだ組織や国家でさえ、次世代のデータをサポートするために必要な AI 対応データ アーキテクチャを欠いています。 エージェントおよび推論 AI システム。国民国家が受け入れの約束を果たすために 主権的健康AI カスタマイズされた文化的、歴史的、倫理的枠組みの中で、広範な規模の国家リソースとして、そのためには医療データ アーキテクチャを再考する必要があります。

最新のデータ アーキテクチャを作成するには、次の概念が重要です。

1. 統合されたデータ パイプライン

既存の医療データ構造のほとんどは、電子医療記録、検査機関、または画像からの手動入力に依存しながら、バッチ更新を提供するように構築されています。しかし、健康データはリアルタイム センサーと自動データ入力によって駆動されることが増えており、今後もそのようになるでしょう。

その結果、最新のデータ構造では、 インテリジェントで統合されたデータ パイプライン 受信データをリアルタイムでクリーニング、標準化、ラベル付けし、このデータを直接変換します。 数値表現 AIにも理解できる。このパイプラインは、データをかなり厳格なリレーショナル データベースから、リアルタイムの意味と重要なコンテキストの両方を可能にする多次元グラフ データベースに移動します。

2. データを AI 向けに準備し、理解しやすく、ナビゲートしやすくする

一度処理されたとしても、多くの重要な健康データは従来のキーワード検索を回避し、ケアを改善し、新たな発見を促進する隠れたつながりを見逃しています。

ベクトル データベース、グラフベースおよび階層型 RAG (検索拡張生成) 基盤、極端な分類器、世界モデルなど、医療で採用する必要があるデータから最大の価値を抽出する方法が新たに確立されています。たとえば、標準、検索可能、および ベクトル化されたデータ表現 データが確実に保存され、注釈が付けられ、リアルタイムで継続的に使用されます。

ベクトル化および同様の方法は、マルチモーダル データ (テキスト、画像、シグナル、ゲノム配列など) を、データ ポイント間の関係と意味を捉える多次元数値埋め込みに変換します。これにより、AI システムはコンテキスト全体でデータを理解できるようになり、たとえば、同様の臨床症例を認識したり、症状を以前の結果に関連付けたり、関連する研究結果をはるかに高い精度で取得したりすることができます。

特に課題の 1 つは、患者の病歴を構成する重要な洞察、メモ、説明である臨床文書作成です。このデータは、AI がナビゲートするのが特に困難であると同時に、AI を広く採用するために不可欠であることが証明されています。これらの高度なアプローチは、このような複雑なデータに不可欠であり、データを AI 洞察生成に使用できるようにして、将来の臨床および研究ツールに不可欠な高速検索とリアルタイムの意思決定サポートを可能にします。

3. 生の、厳選され、強化されたデータを単一の管理された環境に統合する

多くの医療データは、さまざまなコンテナーにわたってサイロ化され、断片化されています。データを単一のコンテナーに移動すると、コストがかかり、検索が困難になる場合があります。 医療システムにはストレージの基盤としてデータ レイクハウスが必要になります。これにより、柔軟性と信頼性の両方を保証する標準化されたエクスポージャー層を通じて、分析、AI、運用への安全なアクセスが可能になります。電子医療記録、研究室、画像デバイス、ウェアラブル、さらには患者アプリからのデータは、生成時に単一の相互運用可能な環境に流れ込むことができ、1 つのプラットフォームで分析や AI に簡単にアクセスできるようになります。

4. ユーザーや用途全体でのデータの一貫性、セキュリティ、アクセスの確保

ヘルスケア分野は、セキュリティ規制や倫理の厳格さと並行して、マルチモーダルなデータの複雑さに同時に直面するという点で比較的独特です。データは (湖沼のように) 多くの組織化されたコンテナにまとめて保存されますが、AI が医療に関する洞察を明らかにするには、安全性が高く、取得可能である必要もあります。

アン インテリジェントなデータ ファブリック さまざまなコンテナーやルールに散在するデータを網羅し、データのセキュリティとプライバシーを強化します。 AI アプリケーションまたは臨床医によってデータが要求されると、最初に要求者が適切な承認とアクセス制御を持っているかどうかがチェックされて検証され、次にファブリックを介してデータが取り出され、データが統合されてエンド ユーザー向けの一貫したコンテキスト認識型の情報セットが作成されます。

5. 信頼できる臨床および管理上の洞察に基づくデータの基礎付け

Health AI には、その洞察が運用ガイドラインおよび臨床ガイドラインと確実に一致するようにするための、特定のガードレールとコンテキストが必要です。 ナレッジグラフ （重要な概念と用語の間の関係を構成するノード、エッジ、ラベルの網）は、AI の決定と出力をコンテキスト駆動の検証済みの臨床洞察として情報を提供し、根拠付ける 1 つの方法です。これにより、AI による推奨事項が信頼できるものになり、ケア チームや業務担当者がレビューできるようになります。

データ モデルをサイロ化された静的検索システムからインテリジェントな継続学習環境に移行することで、すべての新しいデータ ポイントが即座にケアに情報を提供し、研究の洞察を促進することができます。

この新しいフレームワークにより、ヘルスケア システム AI がすべての機能にわたってリアルタイムで機能することも可能になり、1 つのシステムへの入力 (検査結果やバイタル サイン モニターなど) がストリーミング更新を通じてネットワーク全体に即座に反映されます。さらに、このようなアーキテクチャから構築されたエージェント AI ツールは、 自動推論、地球規模ではるかに優れた低コストの医療を実現します。

このアーキテクチャにより、AI エージェントはビデオや音声を含むリアルタイムのセンサー データを利用して、訓練を受けた専門家でも見逃す可能性のある微妙な兆候を検出します。同様に重要なことは、これらのエージェントはあらゆる結果とフィードバック ループから学習し、運用および臨床標準のケアを維持しながらパフォーマンスを向上させることです。

研究用に訓練された他のエージェントは、同時に異常やパターンのデータを徹底的に調べて調査の質問に答え、画期的な進歩、治療法、治療法を推進し、どのデータが各研究者や研究室にとって価値があるかを継続的に学習します。

患者にとっては、健康に関する質問に答えるように訓練された AI エージェントが最新の文献を常に把握し、基本的なケアや患者教育に関する質問への回答を伝え、その他の質問についてはそれぞれの臨床医に優先順位を付けることができます。

安全で患者中心の AI のビジョンは今日でも実現可能ですが、それは最新のデータ アーキテクチャを世界的に採用することによってのみ実現されます。これを通じて、医療企業、政府、その他の医療イノベーターは、データを結果に、情報を思いやりに変えるという共通のビジョンを達成し、より多くの困っている人々に手を差し伸べることができるようになります。

メイヨー クリニックの Matthew Callstrom 博士とマイクロソフトの Peter Lee 博士もこのエッセイに貢献しました。