CDS-Doktorandin Lavender Jiang diskutiert die Grenzen und Möglichkeiten von KI-Unterstützungstools für Gesundheitsdienstleister
Da die Rolle künstlicher Intelligenz (KI) im Gesundheitswesen zunimmt, wird in Langone Well being-Krankenhäusern der NYU ein neues Computerprogramm eingesetzt, um die Chancen vorherzusagen, dass ein entlassener Affected person innerhalb eines Monats wieder aufgenommen wird. NYUTrondas Giant Language Mannequin (LLM), ist in der Lage, ärztliche Aufzeichnungen zu lesen und das Sterberisiko von Patienten, die Dauer von Krankenhausaufenthalten und andere Gesundheitsfaktoren abzuschätzen.
Eine wesentliche Herausforderung bei der Integration von Computerprogrammen in Gesundheitseinrichtungen liegt in der Informationsverarbeitung. Ärzte schreiben oft in individualisierter Sprache, und die Neuorganisation der Daten, die erforderlich ist, um die Informationen in übersichtlichen Tabellen zusammenzustellen, ist zeitaufwändig. NYUTron und andere LLMs waren erfolgreich in ihrer Fähigkeit, aus Textual content zu „lernen“, ohne dass eine spezielle Formatierung erforderlich struggle.
NYUTron wurde von Forschern der NYU Grossman College of Drugs entwickelt und basiert auf Texten aus elektronischen Gesundheitsakten. Ergebnisse der Studie „Sprachmodelle im Gesundheitssystemmaßstab sind Allzweck-Vorhersagemaschinen” in der Fachzeitschrift Nature veröffentlicht, zeigen, dass das KI-Programm 80 % der Wiedereinweisungen vorhersagen kann, etwa 5 % besser als das Normal-Computermodell ohne LLM.
Um mehr darüber zu erfahren, wie NYUTron entwickelt wurde und welche Einschränkungen und Möglichkeiten KI-Unterstützungstools für Gesundheitsdienstleister bieten, sprach CDS mit Lavendel Jiang, Doktorand am NYU Middle for Knowledge Science und Hauptautor der Studie. Als medizinischer Mitarbeiter der NYU Langone Well being erforscht Lavender in seiner Arbeit klinische Vorhersagen mithilfe der Verarbeitung natürlicher Sprache. Lesen Sie unten unsere Fragen und Antworten zu Lavendel!
Könnten Sie uns erzählen, wie Sie zu dieser Forschung gekommen sind und wie die Idee für NYUTron entstanden ist?
Ich habe zum ersten Mal von der Forschungsidee während meines Doktorandeninterviews gehört, als ich den Assistenzprofessor an der Langone kennengelernt habe (und CDS-Affiliate-Professor) Eric Oermann, mein aktueller Berater. Die Idee begann zu greifen, als Eric bei Google Mind maschinelle Lerntools entwickelte, um klinische Depressionen anhand von EEG-Signalen zu erkennen. Er sah die Einschränkungen bei der Durchführung klinischer Forschung bei einem großen Technologieunternehmen aufgrund des Mangels an qualitativ hochwertigen Daten aufgrund von Datenschutzproblemen und begrenzten Einsatzmöglichkeiten. Er stellte auch fest, dass viele veröffentlichte Papiere zum Thema KI-Gesundheit aufgrund der unzureichenden Berücksichtigung des Einsatzszenarios nicht in der Praxis verwendet wurden. Als Eric Neurochirurg wurde, wurde die Idee vollständig formuliert, als er darüber nachdachte, wie nützlich es wäre, einen KI-Assistenten zu haben, der mitlesen und Ratschläge geben konnte.
Die Fortschritte im NLP (Transformer) und die Qualitätsdaten in der elektronischen Gesundheitsakte (EHR) von Langone motivierten ihn, sich NYUTron vorzustellen: ein BERT-Modell, das auf zehn Jahren EHR-Notizen vorab trainiert, auf eine Reihe von Aufgaben für den Krankenhausbetrieb abgestimmt und eingesetzt wurde in einer Krankenhausumgebung, um die möglichen Auswirkungen abzuschätzen.
Ich habe mich entschieden, dem NYUTron-Projekt beizutreten, weil es mir Spaß macht, nach Werkzeugen zu forschen, die möglicherweise in der Praxis eingesetzt werden und den Menschen zugute kommen könnten. Meine beiden Großeltern haben vor ihrem Tod viel in Krankenhäusern gelitten, daher bin ich motiviert, Patienten wie meinen Großeltern zu einer besseren Pflege zu verhelfen.
Die Ressourcen der NYU sind einzigartig und wertvoll. Wir hatten Zugriff auf große Mengen an Patientendaten und starke Unterstützung von verschiedenen Personen (Krankenhausverwalter, Ärzte, Datenmanager, Dateningenieure, Clustermanager, Datenwissenschaftler, Informatiker, NLP-Forscher, NVIDIA usw.). Die Entwicklung von NYUTron ist das Ergebnis der harten Arbeit eines großen Groups, und ich schätze die Unterstützung aller wirklich!
Welche Elemente dieses Forschungsprozesses fanden Sie am interessantesten?
Mir ist aufgefallen, wie viel Zusammenarbeit für interdisziplinäre Forschung erforderlich ist! Ich fand es spannend, von verschiedenen Disziplinen wie Medizin und Krankenhausmanagement zu lernen.
NYUTron dient als Unterstützungstool für Gesundheitsdienstleister. Welche Bedenken oder Einschränkungen gibt es bei der Integration von KI-Technologie in Krankenhäuser?
Ein paar Dinge fallen mir ein, das erste ist Equity. Es ist möglich, dass KI-Technologien Minderheitengruppen zugute kommen. Es muss mehr Forschung betrieben werden, um Voreingenommenheit zu bewerten und zu reduzieren. Ärzte könnten sich bei der Entscheidungsfindung auch zu sehr auf NYUTron verlassen. Wir müssen Protokolle und mehr HCI-Forschung (Mensch-Laptop-Interaktion) entwickeln, um dieses Drawback anzugehen. Schließlich ist die Forschung und Entwicklung von Sprachmodellen auf umfangreiche Rechenleistung angewiesen, die für Forschungsgruppen in kleineren Krankenhäusern normalerweise nicht zugänglich ist.
Welche Möglichkeiten gibt es bei der Betrachtung von Instruments wie NYUTron, wie große Sprachmodelle (LLMs) Ärzten bei der Patientenversorgung helfen können?
NYUTron könnte Ärzte möglicherweise auf Hochrisikofälle aufmerksam machen, die möglicherweise übersehen wurden. Es könnte auch Echtzeit-Inferenzen durchführen, zum Beispiel: sich mit Ratschlägen einmischen, während ein Arzt mit der Unterzeichnung eines klinischen Attests fertig ist. Künftig ist es mit klinischen Sprachmodellen möglich, die Krankengeschichte zusammenzufassen, nach ähnlichen Fällen zu suchen und Versicherungen für Patienten abzurechnen.
Gibt es Bereiche für weitere Forschung, die Ihnen dieses Projekt eröffnet hat?
Durch diese Arbeit habe ich Interesse geweckt, mehr über Konversations-KI, Interpretierbarkeit, Privatsphäre und Equity sowie Kausalität zu erfahren.
Von Meryl Phair
