genAIとNLPへの新たな関心がヘルスケアにもたらす意味

ChatGPT が平易な英語の質問に応答する能力を実証したとき、それは AI 開発における重要なマイルストーンとなりました。しかし、これと FDA 承認の AI アプリケーションが 700 個以上あるにもかかわらず、ヘルスケアへの導入は依然として限られています。

ロナルド・ラズミ博士は、生成AIが医療に革命を起こす可能性を秘めていると考えているが、現実世界でのパフォーマンス検証が不可欠であることを指摘し、注意を促している。ラズミ博士は、 AIドクター：ヘルスケアにおける人工知能の台頭 Zoi Capitalの共同創設者兼マネージングディレクター。

私たちは、生成 AI が医学研究の改善を加速させる方法から、別の形態の AI である自然言語処理が物語データを推定して臨床医のレポートをより適切に分析するのに役立つ方法まで、あらゆることについて貴重な洞察を得るために医師にインタビューしました。

Q. ChatGPT で使用されているような生成型 AI の導入により、ヘルスケア業界で AI が爆発的に普及したにもかかわらず、ヘルスケア業界では AI の導入が少し遅れています。現在、ヘルスケア業界ではあらゆる種類の AI の導入はどのようになっているのでしょうか。

A. の短い歴史を詳しく調べると ヘルスケアにおけるAI 実際、これまでに導入されたシステムの多くは、大きな支持を得ていないことがわかります。これには、放射線科、病理学、管理ワークフロー、患者ナビゲーションなどのシステムが含まれます。

その理由は多岐にわたり複雑ですが、デジタルヘルスの最初の10年間の教訓から、これらのテクノロジーの導入を遅らせたり妨げたりするビジネス、臨床、技術の障壁があることが分かります。

AI システムが普及するには、ミッションクリティカルなユースケースを解決し、現実世界で完全かつタイムリーなデータを受け取り、既存のワークフローに適合する必要があります。これまでに導入されたシステムの多くは、これらすべての条件を満たすのに課題を抱えています。

大規模言語モデルと生成 AI の導入以来、AI の一分野である自然言語処理 (NLP) の機能は大幅に向上しました。これにより、ドキュメント作成、事前承認ワークフロー、さまざまな形式の意思決定サポートなど、一連の新しいユースケースに AI が取り組む機会が生まれます。

これらのユースケースのいくつかは何年も開発が進められてきましたが、NLP の機能が大幅に向上したことで、実現可能性が高まっています。ユースケースは無数にあり、潜在的なメリットは最終的には現実的で影響力のあるものになるでしょうが、これらのシステムの実際のパフォーマンスを注意深く監視し、信頼性が高く一貫性のある結果を示してユーザーが満足できるようになった場合にのみ勝利を宣言することが重要です。

これまでのデジタルヘルスシステムの場合と同様に、償還の問題や購入者が限られた技術予算をより優先度の高い問題に費やすため、ユースケースの多くは短期的には普及しないでしょう。

今日は、一連のパイロットとローンチを見ます ヘルスケアにおける生成AI技術 ドキュメント作成、臨床コーディング、事前承認、リソース管理などの副操縦士などの管理および運用のユースケースに対応します。これらのユースケースは臨床ユースケースよりもリスクが低く、ユーザーと購入者にそれぞれ短期的なメリットと明確な ROI を提供することが期待されています。

これらのアプリケーションが期待どおりの成果を上げるかどうかはまだわかりませんが、初期の結果は非常に有望です。放射線科やその他の専門分野での臨床アプリケーションは、患者の転帰のメリットと安全性を確立するための大規模な臨床試験がまだ行われていないため、広く採用されるまでには時間がかかるでしょう。また、支払者はこれらの研究を参考にして、どの臨床 AI アプリケーションに保険金を払うかを決定します。

Q. 生成 AI の領域に関しては、現実世界でのパフォーマンス検証が不可欠であると指摘し、注意するようアドバイスしています。詳しく説明してください。

A. 医療の現場で使われるすべての技術は、その有効性と安全性を確立する必要があります。AI 技術も例外ではありません。生成 AI はまだ初期段階にあり、「幻覚」が現実的な問題であり、生成 AI を使用するソリューションの出力の品質を損なう可能性があることはわかっています。

ここでの問題は、ChatGPT に頼ると、「偽の」回答が正しい回答と同じように見える可能性があることです。つまり、ユーザーは何が本物で何が偽物か分からない可能性があります。これは、現在の形態の生成 AI を臨床用途に使用することに深刻な課題をもたらします。

時間の経過とともに、高品質の医療情報のみに基づいて構築された大規模な言語モデルがこの課題に対処するようになる可能性はあります。それまでは、この種のアプリケーションには注意が必要です。

運用上および管理上のユースケースはリスクが低く、必ずしも大規模な臨床試験で検証する必要はありませんが、使用前にその出力を許容可能なレベルのパフォーマンスまで検証する必要がないという意味ではありません。

例えば、最も切望されている用途の1つは ヘルスケアにおけるAIは臨床文書に私が医師として働いていた頃、多くの時間を臨床文書作成や事務作業に費やしていました。それは私の仕事の中でも最も楽しくない部分でした。AI が臨床スタッフのこうした作業の一部または多くを軽減できれば、大きな価値が生まれ、スタッフの職務満足度も向上するでしょう。

何年もの間、この目的に AI を使用するよう強く求められてきましたが、その結果は有望ではあるものの、広く採用されるほどには十分ではありませんでした。現在、生成 AI により、Suki や Abridge などの企業がこのユースケースに取り組んでおり、初期の結果から、システムが日常的な使用につながるレベルの熟達度に達している可能性が示唆されているようです。

生成型 AI を含むあらゆるテクノロジーが、十分な設定で適切な期間テストされる前に勝利を宣言することのリスクは、これらの製品が期待外れに終わった場合にユーザーが幻滅し、将来の反復を試すことに抵抗感を抱く可能性があることです。これは AI ですでに見られています。

私が最近執筆した本『AIドクター：医療における人工知能の台頭』を執筆していた3年間、放射線科や臨床研究でAIシステムの初期の波を試した臨床医や研究者と話をしてきました。

多くの放射線システムは、誤検知が多すぎて実際の環境では期待したパフォーマンスを発揮できず、臨床試験の患者識別システムでは無関係な患者をあまりにも多く識別しました。これらの教訓を踏まえて、生成 AI を最大限に活用して次世代の医療 AI システムを作成するよう全力で取り組む必要がありますが、各システムを広く利用できるようにする前に、各システムのパフォーマンスを厳密に検証する必要があります。

Q. あなたは AI の別の形である自然言語処理に興味を持っています。たとえば、ナラティブ データを外挿して臨床医のレポートをより適切に分析する場合、NLP はどのように役立ちますか?

A. 現代のAIは機械学習に基づいています。ディープラーニングは機械学習のサブセットであり、大量のデータを分析してパターンを見つけ、予測を行う優れた機能を備えています。ディープラーニングは、 大規模言語モデルと生成AI何よりも、LLM は自然言語処理を改善しました。

これは重要なことです。なぜなら、医療分野における NLP の以前のバージョンはパフォーマンスが著しく低かったからです。これにはさまざまな理由がありますが、主な問題として、臨床記録の標準が認められておらず、頭字語や専門分野特有の専門用語が満載であることが挙げられます。

医療データの 80% 以上が非構造化でナラティブ形式であることを考えると、AI がこのデータを活用して出力に使用できなければ、医療における AI の成功は限られるでしょう。NLP に対する新たな期待は、LLM の驚異的な能力と、臨床記録や医学文献からナラティブ データを本格的に分析し、重要な洞察を抽出できるようになるという熱意によるものです。

LLM はまだ初期段階ですが、その驚くべき能力により、これまで想像もできなかった可能性の世界が開かれています。たとえば、既存の医学文献の中には、LLM を使用して発見できる膨大な洞察が隠されていると考える専門家もいます。

患者の健康管理を支援するチャットボット、スマートスピーカーを使用した家庭用音声サポート、医師と患者の会話を聞いて臨床メモを作成するなど、AI の最も期待されているアプリケーションのいくつかは、信頼性の高い NLP があってこそ実現可能です。

LLM に基づく NLP を使用したこれらのアプリケーションの開発に投資することで、ほとんどの人に継続的に積極的なケアを提供するという夢が実現する可能性があります。現在、そのようなケアを大規模に提供するための人材が不足しているため、これは不可能です。NLP を含むテクノロジーの助けを借りてのみ、より優れたケアの提供を実現し、次世代の診断法と治療法を発見することができます。

Q. あなたは『AIドクター』という本の著者ですね。とても魅力的なタイトルですね。本の主題について少しお話しいただけますか。

A. 私は「AI Doctor」を執筆し、この変革的なテクノロジーを医療に導入するために何が必要かを360度の視点から説明しました。医療にAIが導入されて最初の数年間、第一波の医療AIシステムを構築し商品化するための多大な試みと投資が行われてきました。

残念ながら、ほぼ 10 年が経過し、数十億ドルが費やされたにもかかわらず、このテクノロジーが広く採用される様子は見られません。実際、最近の調査では、医師や看護師を含む医療従事者の 76% が、仕事で AI を使用したことがないと回答しています。このギャップはどこにあるのでしょうか。デジタル テクノロジーが医療で普及するには、いくつかの要件を満たす必要があります。

これらには、慎重に対処する必要があるビジネス、技術、臨床のさまざまな要因が含まれます。たとえば、これらのテクノロジーを購入する機関は、収益に即座に ROI をもたらすタイプのシステムを求めています。また、毎年の新テクノロジーに充てられる予算も限られています。

したがって、あなたのテクノロジーが短期的な財務実績の改善につながらない場合は、たとえ AI を名乗っていたとしても、彼らにとって最優先事項にはなりません。もう 1 つの問題は、現実世界で信頼性が高く一貫した方法でデータが利用できるかどうかです。医療データは断片化されており、エラーが含まれていることがよくあります。

AIシステムは、高品質のデータの確実な流れがなければ役に立ちません。また、臨床や研究のワークフローは長い時間をかけて確立されており、新しい技術に合わせて簡単に変更することはできません。そのため、これらのワークフローに適合する適切に設計されたシステムのみが採用される可能性が高いです。これらの要素のいずれかが欠けている場合、 ヘルスケアにおけるAIシステムただし、これらが広く採用されるかどうかは非常に疑わしい。

この本では、ユーザー、購入者、起業家、投資家が健康 AI の旅に乗り出す際に考慮すべき一連のフレームワークを紹介しています。これらのフレームワークにより、AI 製品の前述の要素を慎重に分析して、価値を提供できるかどうかを評価し、他の多くの AI 製品の成功を妨げている障壁を乗り越えることができます。

印象に残るような AI 製品が大きな成功を収められない原因の 1 つは、優れた製品を開発するために必要な部門横断的な専門知識が不足していることです。データ サイエンティストはアルゴリズムの構築方法を知っていますが、ヘルスケアのビジネス モデルやワークフローを理解していない可能性があります。臨床医はワークフローを理解していますが、一般的にデータ サイエンスや企業の構築方法を知りません。

コンピューターとデータサイエンスの訓練を受け、デジタル技術を構築し商品化した臨床医として、私は独自の視点を持っています。私はこの分野のあらゆる側面を経験しており、変化をもたらす AI 製品を構築するには、どれほどの分析と事前の検討が必要であるかを理解しています。

AI は、リソース不足、研究のペースの遅さ、非効率性など、医療における多くの問題に非常に適しています。そのため、私は自分の経験を生かして、これらの問題に対処するために AI の使用に懸命に取り組んでいるすべての人に貢献しようと努めてきました。人々が適切なフレームワークを持ち、採用される可能性の高い AI 製品を作成すれば、医療におけるこのテクノロジーの大きな可能性がより早く実現し、私たち全員がその恩恵を受けるでしょう。

LinkedIn で Bill の HIT 記事をフォローしてください: ビル・シウィッキ
彼にメールを送る: お問い合わせ
Healthcare IT News は HIMSS Media が発行する出版物です。