4 leçons que la médecine peut nous apprendre sur l’utilisation réussie de l’IA

L’année dernière n’a pas manqué de nouveaux outils, arguments et idées sur ce que l’IA générative peut, ne peut pas et ne devrait pas faire. Et malgré tout le battage médiatique, seule une poignée de projets d’entreprise réels ont appliqué avec succès cette technologie. Le secteur de la santé fait exception, avec un large éventail de cas d’utilisation de l’IA générative.

De l’utilisation de modèles linguistiques à grande échelle (LLM) pour l’aide à la décision clinique, les parcours des patients et la documentation médicale efficace à la possibilité pour les médecins de créer les meilleurs chatbots médicaux, les soins de santé font de grands progrès dans la mise en production de l’IA générative et en démontrent rapidement la valeur. . Alors, que peuvent tirer les autres praticiens des meilleures pratiques en matière de soins de santé et des enseignements tirés de l’application de l’IA ?

Voici quatre leçons tirées de l’application de l’IA dans les soins de santé.

parcours du patient

La plupart des LLM traditionnels ne prennent en compte que le diagnostic et l’âge du patient. Mais que se passerait-il si nous étendions cela à de multiples enregistrements multimodaux, y compris les données démographiques, les caractéristiques cliniques, les signes vitaux, le statut tabagique, les procédures antérieures, les médicaments et les tests de laboratoire ? L’unification de ces caractéristiques permet d’obtenir une vision beaucoup plus complète du patient, ce qui offre la possibilité d’un plan de traitement plus complet.

Des données supplémentaires peuvent améliorer considérablement les performances du modèle pour diverses tâches en aval, telles que la prédiction de la progression de la maladie et la classification des sous-types de différentes maladies. Compte tenu de ses fonctionnalités supplémentaires et de son interprétabilité, le LLM peut alors aider les médecins à prendre des décisions plus éclairées sur la trajectoire de la maladie, le diagnostic et les facteurs de risque de diverses maladies. Il est facile de voir comment cette approche pourrait être appliquée aux parcours clients pour les spécialistes du marketing et à l’évaluation des risques pour les sociétés d’assurance et financières.

Améliorer les chatbots médicaux

Il est essentiel de combiner des données structurées (dossiers médicaux électroniques, ordonnances) et des données non structurées (notes médicales, images médicales, PDF) pour créer une vue complète du patient. Ces données peuvent être utilisées pour fournir des interfaces conviviales, telles que des chatbots, pour collecter des informations sur les patients ou identifier des cohortes de patients candidats à des essais cliniques, à la santé de la population ou à des efforts de recherche. Cela semble simple, mais n’oubliez pas la confidentialité et les limites des données.

Pour tirer le meilleur parti des chatbots et répondre aux exigences réglementaires, les utilisateurs de soins de santé doivent trouver des solutions capables de déplacer les données cliniques bruyantes vers des interfaces en langage naturel capables de répondre automatiquement aux questions. Et à grande échelle, en toute confidentialité. Cela ne peut pas être réalisé simplement en appliquant les solutions LLM ou RAG LLM. Cela commence donc par un pipeline de prétraitement des données spécifiques aux soins de santé. D’autres secteurs hautement conformes, comme le droit et la finance, peuvent suivre l’exemple du secteur de la santé en préparant des données de manière privée à grande échelle sur du matériel de base et en les interrogeant à l’aide d’autres modèles.

Démocratiser l’IA générative

L’IA n’est pas aussi utile que les data scientists et les professionnels de l’informatique prenant en charge les cas d’utilisation au niveau de l’entreprise. Des solutions sans code conçues spécifiquement pour les cas d’utilisation les plus courants dans le secteur de la santé font leur apparition. Plus particulièrement, LLM est utilisé pour amorcer des modèles spécifiques à des tâches. Essentiellement, cela vous permet de commencer avec un ensemble d’invites et de fournir des commentaires pour améliorer la précision au-delà de ce que l’ingénierie des invites peut fournir. LLM peut ensuite former un modèle plus petit et affiné pour cette tâche spécifique.

Cette approche place l’IA entre les mains d’experts et aboutit à des modèles plus précis que ce que LLM seul peut fournir. Ceci est particulièrement utile pour les entreprises hautement conformes, car aucun partage de données n’est requis et les invites zéro et LLM peuvent être déployées derrière le pare-feu d’une organisation. Une gamme complète de contrôles de sécurité peut être intégrée, y compris l’accès basé sur les rôles, la gestion des versions des données et une piste d’audit complète, permettant même aux utilisateurs d’IA novices de comprendre facilement les changements et de continuer à améliorer les modèles au fil du temps.

Aborder les problèmes et les considérations éthiques

Garantir la fiabilité et l’explicabilité des résultats générés par l’IA est essentiel pour maintenir la sécurité des patients et la confiance dans les systèmes de santé. En outre, il est essentiel de lutter contre les préjugés inhérents pour garantir un accès équitable aux solutions de soins de santé basées sur l’IA pour toutes les populations de patients. Des efforts de collaboration entre cliniciens, data scientists, éthiciens et organismes de réglementation sont nécessaires pour établir des lignes directrices pour le déploiement responsable de l’IA dans les soins de santé et au-delà.

C’est pour cette raison que la CHAI (The Coalition for Health AI) a été créée. CHAI est une organisation à but non lucratif dont la mission est d’élaborer des lignes directrices et des normes spécifiques pour le développement et le déploiement responsables d’applications d’IA dans le domaine de la santé. CHAI travaille avec le gouvernement américain et la communauté des soins de santé pour créer un environnement sécurisé pour le déploiement d’applications d’IA générative dans les soins de santé, et à prendre en compte lors de la création de produits et de systèmes justes et équitables. Il couvre des risques spécifiques et les meilleures pratiques. Des groupes comme CHAI peuvent être reproduits dans tous les secteurs pour garantir une utilisation sûre et efficace de l’IA.

Les soins de santé sont à la pointe de l’IA générative, définis par la médecine de précision, les traitements personnalisés et une nouvelle ère d’améliorations qui conduisent à de meilleurs résultats et à une meilleure qualité de vie. Mais cela ne s’est pas produit du jour au lendemain. L’intégration de l’IA générative dans les soins de santé a été réfléchie, tenant compte des défis techniques, des considérations éthiques et des cadres réglementaires tout au long du processus. D’autres secteurs peuvent apprendre beaucoup de l’engagement des soins de santé en faveur d’une innovation basée sur l’IA qui profite aux patients et à la société dans son ensemble.

Les domaines ci-dessus sont au centre du Healthcare NLP Summit, un événement communautaire virtuel gratuit qui aura lieu les 2 et 3 avril.