Generativna umjetna inteligencija u zdravstvu i biotehnologiji: Balansiranje rizika i nagrade

EPAM Hrvatska za čitatelje našeg je portala pripremio pregled korištenja generativne umjetne inteligencije u područjima u kojima rade, s korisnim primjerima iz prakse

U nijednoj drugoj industriji potencijal generativne AI (GenAI) nije obećavajuć kao u zdravstvu i biotehnologiji. Primjenom GenAI-ja možda ćemo moći brže otkriti nove lijekove, bolje razumjeti pacijenata i pružatelja usluga, pružiti samposlužna rješenja za dijeljenje medicinskih uvida ili pristup registru kliničkih ispitivanja te automatizirati procese koji troše resurse i novac. Sve u službi poboljšanja skrbi i smanjenja troškova. Također, istina je da nijedna druga industrija ne nosi toliko rizika. Zakoni i etičke obveze oko privatnosti podataka pacijenata i potencijal za štetu putem pogrešaka čine GenAI u zdravstvu i biotehnologiji (HCLS) perspektivom koja je jednako zastrašujuća koliko i uzbudljiva.

Primjena GenAI bez ljudi u procesu mogla bi ugroziti sigurnost pacijenata. Upotreba GenAI-ja kao agenta koji podržava zadatke koje obavljaju ljudi oslobađa puni potencijal GenAI-ja, istovremeno jačajući zaštitne mjere.

Generativna AI u zdravstvu i biotehnologiji: Uvod

Veliki jezični modeli (LLM) oblik su GenAI koji se trenira na masovnim količinama javnih podataka kako bi se kontekstualizirala leksička značenja. Ovo inherentno razumijevanje omogućava modelima da generiraju kontekstualno relevantne, uvjerljive, ljudima slične odgovore. Dok čovječanstvo ne bude uvjereno da AI neće pogrešno dijagnosticirati srčani udar ili halucinirati nešto što izgleda kao medicinski savjet, ne bismo trebali koristiti GenAI bez ljudskog nadzora. Zakonski, nitko ne može prakticirati medicinu bez licence, a mi još ne licenciramo robote (zasad). Iako testiranja pokazuju da GenAI pokazuje poboljšano razumijevanje i odgovor na medicinske sadržaje, još je prerano uključiti tehnologiju u zdravstvo bez bliske supervizije.

Što činiti i čega se kloniti s GenAI u HCLS

GenAI nije lijek za sve. Važno je primijeniti pristup dizajnerskog razmišljanja na svaku novu tehničku intervenciju. To znači da prvo moramo definirati problem ili izazov, razumjeti status quo i tek tada procijeniti koje tehnologije – uključujući GenAI – mogu pružiti najveći povrat ulaganja. Ako se GenAI čini kao pravi alat za problem, moramo razumjeti rizike i količinu rada prije nego što odredimo je li potencijalna nagrada vrijedna toga. Ako GenAI proizvodi halucinacije (lažne informacije) ili nudi odgovore koji nedostaju kontekst, kako će to utjecati na pacijente i dionike? Međutim, postoje područja gdje GenAI može ubrzati pristup uvidima bez pretjeranog rizika. GenAI se može koristiti s minimalnim rizikom za podršku radu gdje su stručnjaci dio vrijednosnog lanca. Primjeri upotrebe uključuju:

  • Sažimanje teksta izvađenog iz vlasničkog sadržaja koji će se dijeliti samo s internim korisnicima
  • Generiranje nacrta sadržaja koji će kasnije biti pregledan i odobren putem odgovarajućih kanala
  • Izvlačenje upita iz obrazaca i/ili rudarenje teksta za poboljšanje semantičkih programa pretraživanja i za razvoj kuriranih skupova podataka
  • Podrška zaposlenicima na poziv za širenje najboljih praksi i standardnih operativnih procedura te poboljšanje produktivnosti radnika
  • Izdvajanje metapodataka i relacijsko mapiranje, omogućujući upotrebu prirodnog jezika za pretraživanje vlasničkih podataka

Ono što ovi primjeri upotrebe imaju zajedničko, naravno, jest ljudski unos kako bi se osiguralo da su outputi validirani i sadržani. Ljudi su svjesni da su outputi generirani računalom, a poslovni proces je dizajniran tako da uključuje pregled.

S druge strane, postoje neka područja koja bi mogla biti primamljiva za GenAI, ali zahtijevaju temeljitije testiranje i validaciju. Savjetujemo sljedeće mjere opreza:

  • Ograničiti pružanje medicinskih informacija ili obrazovanja pacijentima i zdravstvenim djelatnicima zbog rizika od halucinacije
  • Ne koristite LLM-ove kao Q&A sučelje za pacijente ili zdravstvene djelatnike bez ograničenja; umjesto toga, koristite metode za poboljšanje kvalitete podataka, na primjer Retrieval-Augmented Generation (RAG).
  • Ne koristite LLM-ove za dinamičko generiranje sadržaja bez prethodnog postupka pregleda i odobrenja
  • Ne dijelite osobne podatke s LLM-om bez dobivanja dopuštenja za to. Zakoni o zaštiti podataka i dalje moraju biti uzeti u obzir dok razmišljamo o tome koje skupove podataka izlažemo GenAI aplikacijama

Kako to ostvariti

Dakle, kako sve to prevodimo u stvarni svijet? Trenutačno razvijamo resurse za klijente, dok istovremeno gradimo svoje ideje u alate spremne za budućnost. Evo pregleda nekih naših primjera upotrebe:

  • Semantički sustav pretraživanja za poboljšano stvaranje dokaza

Naše rješenje koristi obradu prirodnog jezika za izvlačenje teksta iz nestrukturiranih podataka kako bi ovi komadi bili dostupni za pretraživanje i preuzimanje. Primjena LLM-ova pruža priliku za sažimanje izvučenih uvida dok podržava longitudinalni pregled trendova tijekom vremena.

  • Generiranje podataka za obuku

U suradnji s nekoliko multinacionalnih farmaceutskih i biotehnoloških tvrtki, razvijamo samposlužna sučelja za pretraživanje ili chatbot i eksperimentiramo s upotrebom GenAI za izvlačenje parova pitanja i odgovora iz podataka u vlasništvu klijenta. Ovi dodatni zlatni skupovi podataka zatim se koriste za podršku obuci za prepoznavanje namjera.

  • Generativna AI za semantički unos dokumentā

Trenutni proces za izvlačenje informacija iz kliničkih dokumenata je da ljudi pregledaju svaki dokument, kreiraju polja za podatke i ručno unesu odgovarajuće podatke u ova definirana polja, što je skupo i vremenski zahtjevno. Razvili smo konceptualni dokaz koristeći hibridni pristup. Koristili smo LLM za izvlačenje teksta iz kliničkih dokumenata te zatim pretvorili tekst u strukturirani format automatskim dodjeljivanjem polja. Radili smo s čovjekom u petlji kako bismo pregledali što je tehnologija identificirala kao ključne nalaze.

Značajke našeg pristupa uključuju:

  • Optičko prepoznavanje znakova za parsiranje teksta u slikovnim datotekama (kada je primjenjivo)
  • LLM za razdvajanje dokumenata na pojedinačne slučajeve (kada je primjenjivo)
  • LLM za izvlačenje semantički relevantnih polja u unaprijed definirani JSON format

Akcelerator za primjenu LLM-a za vizualizaciju i klasifikaciju trendova prekida studije

Kreirali smo akcelerator koji pomaže istraživačima učinkovitije razumjeti signale sigurnosti kliničkih ispitivanja identificiranjem razloga za rano prekidanje studije s taksonomijom problema (npr. problemi s regrutacijom, pitanja učinkovitosti, odluka sponzora, poslovna odluka ili problemi s financiranjem). Ovi razlozi prekida grupirani su i izloženi na sučelju s ocjenom pouzdanosti za svaku klasifikaciju. Uz klasifikaciju razvili smo nadzornu ploču koja omogućuje korisnicima vizualizaciju podataka i detaljnije istraživanje pojedinačnih studija.

Pametna upotreba GenAI

U industriji HCLS postoje podaci koji će nam omogućiti poboljšanje života – ako ih možemo iskoristiti. GenAI, mudro korišten, pokrenut će inovacije brže i dalje nego ikad prije. Pripremite se.

Posebna zahvala, za njihove povratne informacije i suradnju, Jonathanu Riouxu, upravnom glavnom savjetniku za analitiku podataka u EPAM-u i Ericu McVittieju, menadžeru za analitiku podataka u EPAM-u.

Saznajte više o našem radu u biotehnologiji i zdravstvu.