Algoritam razvijen na Sveučilištu u Kaliforniji u San Franciscu (UCSF) može 20 puta brže od ljudi izvlačiti ključne podatke iz medicinskih kartona temeljenih na izvještajima o slikovnim pretragama, pokazalo je istraživanje.

Istraživači su usporedili točnost algoritma s točnošću liječnika koji su izvlačili iste podatke i koji su u svrhe istraživanja smatrani "zlatnim standardom". Algoritam se najbolje pokazao u identifikaciji metastatske bolesti iz izvještaja o slikovnim pretragama s točnošću od 99% i najlošije u identifikaciji veličine tumora iz izvještaja, s točnošću od 89%.

"Općenito, algoritam se bolje pokazao u jednostavnijim zadacima koji uključuju klasifikaciju nego u složenijima koji zahtijevaju usporedbu ili matematičke operacije", rekao je Ge.

Za izvlačenje svih podataka iz kartona liječnicima je bilo potrebno 28 sati, dok je za jezični model bilo potrebno samo dva sata, izvijestili su autori.

Iako algoritam trenutno nije odobren za kliničku upotrebu, jedna od mogućih primjena mogla bi biti određivanje je li pacijent prikladan za transplantaciju jetre na temelju ukupne količine otkrivenog raka u tijelu, napisali su autori. Općenitije primjene izvan raka jetre mogle bi uključivati modeliranje predviđanja temeljeno na tekstu, poboljšanu podršku u kliničkim odlukama te chatbote usmjerene na pacijente i pružatelje zdravstvenih usluga, naveli su.

Studija je jedna od prvih koje uspoređuju upotrebu umjetne inteligencije i ručnog pregleda kartona za ekstrakciju podataka kvalitete istraživanja iz medicinskih kartona, istaknuo je Ge. Jedna od mogućih slabosti, rekao je, jest korištenje ručnog pregleda kartona kao "zlatnog standarda".

"Moguće je da su ljudi manje točni, a strojevi su zapravo bolji u nekim od ovih zadataka", rekao je Ge. Umjetna inteligencija, poznata kao modeliranje velikih jezika (LLM), ista tehnologija koja stoji iza ChatGPT-a, jednog dana bi mogla poboljšati skrb o bolesnicima s rakom jetre bržim izvlačenjem važnih podataka iz medicinskih kartona nego što to čine ljudi, pokazalo je nedavno istraživanje Sveučilišta u Kaliforniji u San Franciscu.

Modeli velikih jezika (LLM) koriste duboko učenje i velike skupove podataka kako bi razumjeli, sažimali, generirali i predviđali sadržaj.

Studija, koju je vodio gastroenterolog i transplantacijski hepatolog s UCSF-a, Jin Ge, MD, objavljena u časopisu Gastroenterology, otkrila je da je općenamjenski LLM za izvlačenje podataka iz kartona o tumorima jetre bio točan u 93% slučajeva u usporedbi s ručnim izvlačenjem podataka od strane ljudi. Točnost se povećala na 99% kada je LLM izvlačio određene vrste podataka, a proces je bio 20 puta brži.

Model, stvoren na UCSF-u i primijenjen na zaštićene podatke o zdravstvenom stanju (PHI), analizirao je osam elemenata iz otprilike 1.100 izvještaja o slikovnim pretragama 753 pacijenta. Elementi su uključivali broj i veličinu tumora jetre pacijenata, stupanj njihovih tumora, postojanje dokaza o metastatskoj bolesti u abdomenu i postojanje recidiva tumora.

Istraživači su usporedili točnost modela s točnošću liječnika koji su izvlačili iste podatke, a koji su za potrebe studije smatrani "zlatnim standardom". Model se najbolje pokazao u identifikaciji metastatske bolesti iz izvještaja o slikovnim pretragama s ukupnom točnošću od 99% i najlošije u identifikaciji veličine tumora iz izvještaja, s točnošću od 89%.

"Općenito, model se bolje pokazao u jednostavnijim zadacima koji uključuju klasifikaciju nego u složenijima koji zahtijevaju usporedbu ili matematičke operacije", rekao je Ge.

Za izvlačenje svih podataka iz kartona liječnicima je bilo potrebno 28 sati, dok je za LLM bilo potrebno samo dva sata, izvijestili su autori.

Iako model trenutno nije odobren za kliničku upotrebu, jedna od mogućih primjena mogla bi biti određivanje je li pacijent prikladan za transplantaciju jetre na temelju ukupne količine otkrivenog raka u tijelu, napisali su autori. Općenitije primjene izvan raka jetre mogle bi uključivati modeliranje predviđanja temeljeno na tekstu, poboljšanu podršku u kliničkim odlukama te chatbote usmjerene na pacijente i pružatelje zdravstvenih usluga, naveli su.

Studija je jedna od prvih koje uspoređuju upotrebu umjetne inteligencije i ručnog pregleda kartona za ekstrakciju podataka kvalitete istraživanja iz medicinskih kartona, istaknuo je Ge. Jedna od mogućih slabosti, kako je rekao, jest u korištenju ručnog pregleda kartona kao "zlatnog standarda".

"Moguće je da su ljudi manje točni, a strojevi zapravo bolji u nekim od ovih zadataka", rekao je Ge.

Izvor: University of California