LLMs ในการดูแลสุขภาพ: เส้นทางที่วัดได้จากผลกระทบ

ต่อไปนี้เป็นบทความของแขกโดย Julien Dubuis หัวหน้าเจ้าหน้าที่การค้าที่ NYM

ความตื่นเต้นรอบ ๆ แบบจำลองภาษาขนาดใหญ่ (LLMs) และ AI กำเนิดในการดูแลสุขภาพนั้นชัดเจน การทำนายมากมายการประกาศยุคใหม่ที่เทคโนโลยีเหล่านี้ช่วยเปลี่ยนการดูแลผู้ป่วยกระบวนการบริหารและการวิจัยทางการแพทย์ แต่เช่นเดียวกับวันแรก ๆ ของ AI ในภาคอื่น ๆ การดูแลสุขภาพของ LLMS ได้จุดประกายคลื่นเริ่มต้นของการประเมินค่าสูงเกินไป ในขณะที่ศักยภาพการเปลี่ยนแปลงของพวกเขานั้นยิ่งใหญ่การเดินทางไปสู่การตระหนักว่ามันจะยาวนานต้องใช้ทั้งการเจริญเติบโตทางเทคโนโลยีและการปรับตัวเฉพาะภาค

โอกาส $ 1 ล้านล้าน

McKinsey การประมาณการว่า AI กำเนิดรวมถึง LLMs สามารถปลดล็อคมูลค่าสูงถึง $ 1 ล้านล้านสำหรับภาคการดูแลสุขภาพ ค่านี้สามารถปรากฏขึ้นได้หลายวิธีตั้งแต่การปรับปรุงผลลัพธ์ทางคลินิกและลดความไร้ประสิทธิภาพในการปฏิบัติงานไปจนถึงการปรับปรุงงานด้านการบริหาร อย่างไรก็ตามการดูแลสุขภาพนั้นแตกต่างจากการเงินหรือการค้าปลีกซึ่งการยอมรับ AI ได้รับการพัฒนาอย่างรวดเร็ว มันเป็นฟิลด์ที่เกิดข้อผิดพลาดเดียวอาจมีผลชีวิตหรือตาย นอกจากนี้ความปลอดภัยของผู้ป่วยความเป็นส่วนตัวและการพิจารณาทางจริยธรรมยังนำเสนอความท้าทายที่สำคัญสำหรับการรวม AI ที่ราบรื่น

ความหลากหลายของการดูแลสุขภาพเพิ่มความท้าทายเพิ่มเติม แต่ละวินัยมีเวิร์กโฟลว์ที่เป็นเอกลักษณ์โครงสร้างข้อมูลและข้อบังคับ LLM จำนวนมากได้รับการฝึกฝนและปรับแต่งข้อมูลทางคลินิกแต่ละรายการมีดัชนีชี้วัดประสิทธิภาพของตัวเอง บางคนเหมาะสมกว่าสำหรับงานด้านการดูแลสุขภาพที่เฉพาะเจาะจงเช่นการช่วยเหลือในการค้นพบยาในขณะที่คนอื่น ๆ เก่งในการสื่อสารผู้ป่วยอัตโนมัติหรือตีความภาพทางการแพทย์ การพัฒนาระบบ AI ที่ตอบสนองความต้องการที่หลากหลายนี้ได้อย่างมีประสิทธิภาพนั้นต้องการความเข้าใจอย่างลึกซึ้งเกี่ยวกับความซับซ้อนของแต่ละภาคย่อย ในภูมิทัศน์นี้โซลูชัน“ ขนาดเดียวเหมาะกับทุกคน” ไม่มีอยู่จริง

ชัยชนะครั้งแรกในประสิทธิภาพการบริหาร

แม้จะมีอุปสรรคเหล่านี้ LLM ก็เริ่มที่จะแกะสลักบทบาทที่มีความหมายโดยเฉพาะอย่างยิ่งในการบริหารการดูแลสุขภาพ การประมวลผลการเรียกร้องค่าประกันภัยการติดต่อผู้ป่วยและงานการเรียกเก็บเงินมักจะใช้ทรัพยากรที่มีค่าซึ่งอาจใช้ในการดูแลผู้ป่วยได้ดีขึ้น การลดภาระการบริหารดังกล่าวคือที่ LLM สามารถส่องแสงได้

ตัวอย่างที่โดดเด่นเป็นพิเศษของผลกระทบของ LLMS อยู่ใน การคัดเลือกโดยรอบ– LLMS สามารถสร้างบันทึกทางคลินิกที่มีโครงสร้างโดยละเอียดโดยการฟังปฏิสัมพันธ์ระหว่างแพทย์-ผู้ป่วยลดเวลาอย่างมีนัยสำคัญในการใช้เวลาในการจดบันทึก ในขณะที่ผลกระทบ ROI และระยะยาวยังไม่ได้รับการพิสูจน์อย่างเต็มที่นวัตกรรมนี้ในเอกสารทางคลินิกนี้แสดงให้เห็นถึงสัญญาในการปรับปรุงความพึงพอใจของผู้ให้บริการและอาจลดความเหนื่อยหน่ายทำให้แพทย์สามารถมุ่งเน้นไปที่การดูแลผู้ป่วยมากขึ้น

ในการเข้ารหัสทางการแพทย์ LLMs ได้แสดงศักยภาพ แต่ตามที่เน้นใน nejm ใครLLMs นอกชั้นวางไม่ใช่ “กระสุนเงิน” NYM ใช้วิธีการที่ปรับแต่งได้มากขึ้นโดยเลือกใช้ LLM สำหรับงานเฉพาะเช่นเอกสารการแยกวิเคราะห์และดำเนินการจดจำเอนทิตีชื่อ (NER) ซึ่งเป็นกระบวนการที่ระบุข้อกำหนดทางการแพทย์ภายในข้อความ LLMs ทางคลินิกของ NYM Fine-Tunes ได้รับการฝึกฝนเกี่ยวกับวรรณคดีชีวการแพทย์เพื่อให้เก่งในงานต่าง ๆ เช่นการปฏิเสธการชั่วคราวและความเป็นส่วนตัวทำให้มั่นใจได้ว่ามีความแม่นยำสูงขึ้น เอ็นจิ้นการเข้ารหัสของ Nym จากนั้นใช้ระบบตามกฎที่มีรากฐานมาจากแนวทางการเข้ารหัสที่จัดตั้งขึ้นจาก American College of Emergency Pricanians (ACEP), American Academy of Professional Coders (AAPC) และขั้นตอนการดำเนินงานมาตรฐานสุขภาพ Scripps (SOPS) เพื่อกำหนดรหัสการเรียกเก็บเงิน กระบวนการนี้เกิดขึ้นภายในไม่กี่วินาทีและด้วยการแทรกแซงของมนุษย์เป็นศูนย์ส่งมอบความแม่นยำมากกว่า 95% การปรับปรุงเวิร์กโฟลว์ลดข้อผิดพลาดและการกู้คืนรายได้อย่างมีประสิทธิภาพ

ผู้จ่ายเงินยังใช้กระบวนการที่ขับเคลื่อนด้วย LLM เพื่อปรับปรุงการตัดสินการเรียกร้องการตัดสินเพิ่มเติมทำให้ระบบนิเวศการเรียกเก็บเงินโดยรวมเพิ่มขึ้น ระบบอัตโนมัติประเภทนี้สามารถประหยัดเวลาและเงินได้ช่วยให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถมุ่งเน้นไปที่ภารกิจหลักของพวกเขาได้มากขึ้น

นอกจากนี้ LLMS ยังแสดงสัญญาในการทำซ้ำโดยอัตโนมัติเช่น ร่างจดหมายอุทธรณ์สำหรับการเรียกร้องประกันภัย– ปัจจุบันโรงพยาบาลและคลินิกลงทุนทรัพยากรที่สำคัญในการเรียกร้องการเรียกร้องที่ถูกปฏิเสธซึ่งเป็นกระบวนการที่มักเกี่ยวข้องกับการรวบรวมเวชระเบียนด้วยตนเองสรุปเหตุผลทางคลินิกและร่างคำตอบที่ครอบคลุม ด้วยการใช้ LLM เพื่อสร้างร่างเริ่มต้นของตัวอักษรเหล่านี้องค์กรด้านการดูแลสุขภาพสามารถประหยัดเวลาลดข้อผิดพลาดและอาจกู้คืนการชำระเงินคืนได้มากขึ้นเพิ่มประสิทธิภาพการดำเนินงานของพวกเขา

อีกพื้นที่หนึ่งที่แสดงความคืบหน้าคือการกำหนดเวลาการนัดหมาย LLM สามารถช่วยในการจัดการคำขอนัดหมายและการยกเลิกการปรับปรุงการสื่อสารระหว่างผู้ป่วยและผู้ให้บริการ ด้วยการโต้ตอบเหล่านี้โดยอัตโนมัติสิ่งอำนวยความสะดวกด้านการดูแลสุขภาพจะลดความเครียดจากการบริหารและปรับปรุงประสบการณ์ผู้ป่วยด้วยเวลาตอบสนองที่รวดเร็วยิ่งขึ้น

การดูแลที่สำคัญ: ความคืบหน้าในการวินิจฉัยและความปลอดภัย

ในขณะที่แอปพลิเคชันการดูแลระบบของ LLM กำลังได้รับแรงฉุด แต่การปรับใช้ในการดูแลทางคลินิกโดยตรงกำลังดำเนินไปอย่างระมัดระวังมากขึ้น ที่กล่าวว่าความคืบหน้าเกิดขึ้นในพื้นที่ที่เทคโนโลยีทำหน้าที่เป็นส่วนเสริมของความเชี่ยวชาญของมนุษย์นำเสนอเครื่องมือเพื่อเพิ่มความแม่นยำและความเร็วโดยไม่ต้องเปลี่ยนผู้มีอำนาจตัดสินใจที่สำคัญ

พยาธิวิทยาเป็นหนึ่งในสาขาที่ LLMS พิสูจน์ได้ว่ามีประโยชน์ ตามเนื้อผ้านักพยาธิวิทยาทบทวนสไลด์ของตัวอย่างเนื้อเยื่อด้วยตนเองเพื่อวินิจฉัยเงื่อนไขเช่นมะเร็ง-กระบวนการที่ใช้เวลานานและไวต่อความผิดพลาดของมนุษย์ ในการศึกษาหนึ่งที่ตีพิมพ์ใน มีดหมอLLMs ได้รับการฝึกฝนให้วิเคราะห์ภาพทางการแพทย์การตั้งค่าสถานะความผิดปกติที่อาจพลาดโดยนักพยาธิวิทยาที่มีประสบการณ์มากที่สุด LLM ไม่ได้แทนที่ผู้เชี่ยวชาญ แต่ให้“ ดวงตา” ชุดที่สอง สิ่งนี้ช่วยให้นักพยาธิวิทยาสามารถมุ่งเน้นความสนใจของพวกเขาในกรณีที่สำคัญที่สุดเร่งความเร็วกระบวนการวินิจฉัยและปรับปรุงความแม่นยำโดยรวมของการตรวจหาโรคโดยเฉพาะอย่างยิ่งในพื้นที่ที่มีปริมาณมากซึ่งความผิดพลาดของมนุษย์เป็นความเสี่ยง

แอปพลิเคชั่นที่เกิดขึ้นใหม่อยู่ในการตรวจจับข้อผิดพลาดร้านขายยา ความผิดพลาดของยาเช่นปริมาณที่ไม่ถูกต้องหรือปฏิกิริยาระหว่างยาที่เป็นอันตรายเป็นสาเหตุสำคัญของอันตรายที่ป้องกันได้ในการดูแลสุขภาพ จากการศึกษา 2024 ใน ยาธรรมชาติLLMS ถูกใช้เพื่อตรวจสอบคำสั่งใบสั่งยาสำหรับข้อผิดพลาดที่อาจเกิดขึ้นเช่นข้อห้ามหรือปริมาณที่มากเกินไปก่อนที่ยาจะถูกจ่าย ด้วยการตั้งค่าสถานะความผิดพลาดเหล่านี้ตามเวลาจริง LLM สามารถช่วยลดอุบัติการณ์ของเหตุการณ์ยาเสพติดที่ไม่พึงประสงค์และปรับปรุงความปลอดภัยของผู้ป่วย

ความท้าทายของความพอดีของตลาดผลิตภัณฑ์

แม้จะประสบความสำเร็จในช่วงต้น LLM ยังไม่ได้ส่งมอบการเปลี่ยนแปลงที่คาดการณ์ไว้ การบรรลุตลาดผลิตภัณฑ์ที่เหมาะสมในพื้นที่นี้ยังคงเป็นความท้าทายที่สำคัญ หนึ่งในอุปสรรคหลักคือการจัดการกับการใช้งานด้านการดูแลสุขภาพระยะยาว-ความถี่ต่ำสถานการณ์ที่มีความซับซ้อนสูงซึ่งต้องใช้ความรู้พิเศษและการจัดการที่เหมาะสมยิ่งขึ้น แม้ว่าจะเป็นไปได้ที่จะสร้างโซลูชันที่จัดการกับกรณีทั่วไปได้อย่างมีประสิทธิภาพ 30-50% แต่หางยาวนั้นมีปัญหาที่ไม่ซ้ำกัน เช่น เบเนดิกต์อีแวนส์ ชี้ให้เห็นว่าเทคโนโลยี AI จำนวนมากเริ่มทำงานได้ดีในแอพพลิเคชั่นแคบ ๆ แต่ต้องดิ้นรนเมื่อปรับขนาดให้เป็นกรณีการใช้งานที่ซับซ้อนมากขึ้นและเป็นจริง ในการดูแลสุขภาพที่ซึ่งเงินเดิมพันสูงปรับ LLM เพื่อจัดการกับสถานการณ์ที่หลากหลายนี้ต้องการการทดสอบอย่างกว้างขวางการปรับแต่งและการทำงานร่วมกันในสาขาวิชา

การปฏิบัติตามกฎระเบียบมีความซับซ้อนยิ่งขึ้นการยอมรับ เทคโนโลยีที่โต้ตอบกับข้อมูลผู้ป่วยจะต้องปฏิบัติตามกฎหมายความเป็นส่วนตัวและความปลอดภัยที่เข้มงวดเช่น HIPAA ในสหรัฐอเมริกายังมีความจำเป็นที่จะต้องลดอคติอัลกอริทึมซึ่งอาจทำให้ความไม่เสมอภาคด้านสุขภาพรุนแรงขึ้น การบรรลุความพอดีของตลาดผลิตภัณฑ์ที่แท้จริงนั้นไม่เพียง แต่ต้องใช้นวัตกรรมทางเทคนิค แต่ยังสอดคล้องกับผู้ให้บริการด้านการดูแลสุขภาพผู้พัฒนาเทคโนโลยีและหน่วยงานกำกับดูแล

การสร้างอนาคตที่ยั่งยืนสำหรับ LLMs ในการดูแลสุขภาพ

แม้ว่าถนนสู่การยอมรับอย่างกว้างขวางอาจช้า แต่ศักยภาพในระยะยาวของ LLMs ในการดูแลสุขภาพนั้นยิ่งใหญ่ เมื่อเทคโนโลยีเติบโตขึ้นมันอาจกลายเป็นส่วนสำคัญในพื้นที่ต่าง ๆ เช่นการแพทย์ส่วนบุคคลการวิเคราะห์การทำนายและการมีส่วนร่วมของผู้ป่วยโดยพื้นฐานการเปลี่ยนวิธีการดูแล

เพื่อให้ตระหนักถึงศักยภาพนี้ผู้มีส่วนได้ส่วนเสียจะต้องมุ่งเน้นไปที่ความปลอดภัยของผู้ป่วยความโปร่งใสทางจริยธรรมและการส่งเสริมการทำงานร่วมกันในระบบนิเวศการดูแลสุขภาพ คำสัญญาของ LLMS ไม่ได้อยู่ในการแทนที่ความเชี่ยวชาญของมนุษย์ แต่ในการเพิ่มมันสร้างระบบการดูแลสุขภาพที่มีประสิทธิภาพและแม่นยำยิ่งขึ้นในขณะที่ปกป้องความไว้วางใจและความเป็นอยู่ที่ดี

เกี่ยวกับ Julien Dubuis

Julien Dubuis เป็นหัวหน้าเจ้าหน้าที่การพาณิชย์ (CCO) ที่ NYM ซึ่งเขาเป็นผู้นำทีมขายและการตลาดเพื่อผลักดันการเติบโตเชิงพาณิชย์ ก่อนที่จะมี NYM, Julien ดำรงตำแหน่งรองประธานฝ่ายขายที่ Clarify Health และในฐานะผู้นำโครงการที่ Boston Consulting Group (BCG) ซึ่งเขามุ่งเน้นไปที่จุดตัดของเทคโนโลยีและวิทยาศาสตร์เพื่อชีวิต เขาสำเร็จการศึกษาระดับปริญญาเอกสาขาฟิสิกส์จากมหาวิทยาลัยพรินซ์ตันและปริญญาตรีสาขาวิชาฟิสิกส์จาก Ecole Normale Superieure ในฝรั่งเศส