Vorteile der generativen KI: Wir haben gerade erst an der Oberfläche gekratzt

John Halamka, MD, Präsident der Mayo Clinic Platform

Während große Sprachmodelle wie ChatGPT, BARD und LlaMA ihre Mängel aufweisen, sind ihre Auswirkungen auf das Gesundheitswesen beispiellos. Ebenso wichtig ist die Wirkung, die sie auf IT-Entwickler hatten, die Algorithmen speziell für den medizinischen Beruf entwickeln möchten. Mittlerweile gibt es Anwendungen, die die United States Medical Licensing Examination (USMLE) bestehen, grundlegende Fragen in Patienten-E-Mails beantworten und die narrativen Notizen in einer EMR zusammenfassen können.

Aber wie unser Titel schon sagt, kratzt dies nur an der Oberfläche. Die meisten gesundheitsbezogenen Anwendungen, die derzeit die Aufmerksamkeit der Branche auf sich ziehen, basieren auf der Fähigkeit dieser Chatbots, Texte in natürlicher Sprache zu generieren. Große Sprachmodelle (LLMs) sind jedoch auch in der Lage, andere Datentypen zu analysieren, einschließlich der ICD-Codes und Zeitleisteninhalte in EHR-Datensätzen.

Um die Unterscheidung zwischen zwei großen Kategorien von LLMs zu erleichtern, unterteilen Michael Wornow von der Stanford University und seine Kollegen sie in CLaMs und FEMRs. Klinische Sprachmodelle (CLaMs) werden hauptsächlich auf klinischen und biomedizinischen Texten trainiert, die aus narrativen Notizen und Patientenfragen extrahiert werden können. Foundation-Modelle für elektronische Krankenakten (FEMRs) hingegen „werden auf der gesamten Zeitachse der Ereignisse in der Krankengeschichte eines Patienten trainiert.“ Wenn die EMR eines Patienten als Eingabe verwendet wird, gibt ein FEMR keinen klinischen Text aus, sondern eine maschinenverständliche „Darstellung“ für diesen Patienten.“ Die Dateneingabe für diese FEMRs hängt nicht nur von Text in natürlicher Sprache ab, sondern umfasst auch die Krankengeschichte des Patienten, verschiedene Codes, Laborwerte, Daten zu Versicherungsansprüchen usw.

Dieser Ansatz hat mehrere Vorteile. Es kostet in der Regel weniger als Allzweck-LLMs, wobei die Preise mehrere Millionen Dollar betragen müssen, um Milliarden von Datenquellen zu durchsuchen. Einige FEMRs wurden erfolgreich anhand öffentlicher Datensätze mit weniger als 40.000 Patienten trainiert. Es gibt auch Hinweise darauf, dass sie eine bessere Vorhersageleistung als herkömmliche Modelle des maschinellen Lernens haben, einschließlich besserer Sensitivitäts- und Spezifitätsbewertungen als Klassifikatoren.

Wornow et al. führen mehrere weitere Vorteile von FEMRs auf, darunter die Tatsache, dass sie weniger gekennzeichnete Daten erfordern und „neue Fähigkeiten aufweisen, die neue klinische Anwendungen ermöglichen“. Sie können beispielsweise Patientendarstellungen generieren, die es Entwicklern ermöglichen, Time-to-Event-Modelle für Hunderte von klinischen Ergebnissen gleichzeitig zu erstellen. Und FEMRs können auch multimodale Daten verarbeiten und die Gespräche zwischen Arzt und KI verbessern. Es ist sogar möglich, sie dazu aufzufordern, ein gewünschtes klinisches Ergebnis vorzuschlagen. In diesem Fall können sie möglicherweise ein Therapieschema zur Erreichung dieses Ziels empfehlen.

Nigam Shah, PhD, Chief Data Scientist bei Stanford Health Care, und seine Kollegen fassten das Problem zusammen, mit dem Entscheidungsträger und Entwickler derzeit konfrontiert sind, die versuchen, KI-Tools im Gesundheitswesen einzusetzen: „Indem sie nicht fragen, wie der beabsichtigte medizinische Einsatz die Ausbildung von LLMs beeinflussen kann.“ und den Chatbots oder anderen Anwendungen, die sie unterstützen, entscheiden Technologieunternehmen, was für die Medizin richtig ist. Die Ärzteschaft hat einen Fehler gemacht, indem sie die Entwicklung, Gestaltung und Einführung der meisten Informationstechnologiesysteme im Gesundheitswesen nicht mitgestaltet hat.“

Vor diesem Hintergrund sollte die medizinische Gemeinschaft die Interessengruppen auffordern, ihre Prioritäten zu überdenken und sich mit der Schlüsselfrage zu befassen: Werden die LLMs mit den relevanten Daten und der richtigen Art der Selbstüberwachung geschult?

Dieser Artikel wurde von John Halamka, MD, Präsident, und Paul Cerrato, leitender Forschungsanalyst und Kommunikationsspezialist der Mayo Clinic Platform, verfasst. Um ihren Blog anzusehen, klicken Sie hier.