Forskere i Storbritannia testet et AI-verktøy kalt Foresight, som skaper digitale tvillinger av pasienter for å forutsi fremtidige helse- og behandlingsresultater.
Ideen om å skape digitale tvillinger i ulike bransjer gjør det mulig for ingeniører å teste systemer i en simulering før de tas i bruk i den fysiske verden. AI-verktøy som Foresight gjør nå dette mulig for helsepersonell.
Hver gang en pasient besøker en helsearbeider, legges det til informasjon i den elektroniske pasientjournalen (EPJ). Noen av disse opplysningene er strukturerte (alder, kjønn, etnisitet), men de fleste er ustrukturerte, for eksempel testresultater eller notater som legen kan gjøre.
Foresight bruker en GPT-basert modell til å omdanne disse dataene til en modell, eller digital tvilling, av pasienten. Fordi Foresight er trent på store mengder data fra andre pasienters EPJ-er, kan den deretter forutsi helseutfall, for eksempel hva slags sykdommer en pasient sannsynligvis vil utvikle, eller hvordan pasienten vil reagere på en bestemt type behandling.
James Teo, professor ved King's College Hospital og medforfatter av studien, forklarte betydningen av dette. Teo sa på X: "I motsetning til LLM-er som bare forutsier det neste ordet, forutser Foresight mulige fremtider for pasienter, og representerer mulige multivers for å forstå sykdommer."
Man kan ta en pasients EPJ og simulere flere versjoner av pasienten for å forutsi helseforløpet deres. Tradisjonelt sett har en lege måttet lese pasientens EPJ, bestemme seg for et behandlingsalternativ og deretter evaluere resultatene etter en tid for å overvåke behandlingens effektivitet.
Med Foresight kan legen simulere flere potensielle behandlinger, og modellen kan forutse kortsiktige og langsiktige resultater av hver behandling. Dette er en langt mer kostnadseffektiv tilnærming, og pasienten slipper å oppleve at mange leger må ty til "la oss prøve dette".
Resultater
Studien, publisert i The Lancet Digital HealthI en artikkel i Foresight forklarte forskerne hvordan de trente opp tre ulike Foresight-modeller ved hjelp av sykehusdatasett fra to britiske sykehus og et offentlig tilgjengelig datasett i USA, med til sammen 811 336 pasienter.
Foresight fikk i oppgave å velge den lidelsen en pasient mest sannsynlig ville utvikle fra en liste med 10 mulige lidelser. Den forutså den neste lidelsen i 68% og 76% av tilfellene ved bruk av de to britiske datasettene, og i 88% av tilfellene ved bruk av amerikanske data.
Da Foresight fikk i oppgave å forutsi det neste nye biomedisinske "konseptet", som kan være en lidelse, et symptom, et tilbakefall eller et medikament, oppnådde Foresight en presisjon på henholdsvis 80%, 81% og 91% ved bruk av datasettene fra Storbritannia og USA.
Variasjonen i ytelse viser hvor avhengig AI-verktøyene er av å ha data av god kvalitet.
Selv om denne anvendelsen av kunstig intelligens er spennende, peker forskerne på flere utfordringer som må overvinnes. To eksempler er å finne måter å få modellen til å veie nye behandlinger og intervensjoner riktig, eller å evaluere betydningen av sannsynlighet i forhold til hvor mye det haster og hvilke konsekvenser det har.
Forskerne arbeider med å utvikle Foresight 2, som de sier vil være en mer nøyaktig modell.
Med nye legemiddeloppdagelser og konsepter som pasientmodellering, simulering og prognoser kommer kunstig intelligens til å få en betydelig innvirkning på kvaliteten på helsetjenestene vi får.
