జనరేటివ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మోడల్ ఫిజిషియన్ రికార్డులలో ఆరోగ్యం యొక్క సామాజిక నిర్ణయాధికారులను ప్రభావవంతంగా హైలైట్ చేస్తుంది

మనం నివసించే ప్రదేశం, పని, వయస్సు మరియు మనం పెరిగిన వాతావరణం మన ఆరోగ్యాన్ని ప్రభావితం చేయవచ్చు మరియు అసమానతలకు దారి తీస్తుంది, అయితే వైద్యులు మరియు పరిశోధకులు ఈ అంశాలను అర్థం చేసుకోవడం చాలా ముఖ్యం. దీన్ని ఎదుర్కోవడం కష్టం.

మసాచుసెట్స్ జనరల్ బ్రిగమ్ పరిశోధకులచే ఒక కొత్త అధ్యయనం పెద్ద-స్థాయి భాషా నమూనా (LLM), ఒక రకమైన ఉత్పాదక కృత్రిమ మేధస్సు (AI), ఆరోగ్యానికి సంబంధించిన సామాజిక నిర్ణాయకాలను (SDoH) విశ్లేషించడానికి వైద్యుల గమనికల నుండి స్వయంచాలకంగా సంగ్రహించబడుతుంది. వనరుల మద్దతు నుండి ప్రయోజనం పొందే రోగులను గుర్తించే ప్రయత్నాలు.

వద్ద సర్వే ఫలితాలు ప్రకటించారు npj డిజిటల్ మెడిసిన్ ఫైన్-ట్యూన్డ్ మోడల్ హానికరమైన SDoH ఉన్న 93.8 శాతం మంది రోగులను గుర్తించగలిగినప్పటికీ, అధికారిక రోగ నిర్ధారణ కోడ్‌లు ఈ సమాచారం కేవలం 2 శాతం కేసులలో మాత్రమే చేర్చబడిందని చూపించాయి. ఈ ప్రత్యేక నమూనాలు GPT-4 వంటి సాధారణ-ప్రయోజన నమూనాల కంటే తక్కువ పక్షపాతంతో ఉంటాయి.

“మా లక్ష్యం వనరులు మరియు సామాజిక పని మద్దతు నుండి ప్రయోజనం పొందగల రోగులను గుర్తించడం మరియు ఆరోగ్య ఫలితాలపై పేలవంగా నమోదు చేయబడిన సామాజిక కారకాల ప్రభావంపై దృష్టిని ఆకర్షించడం.” డానియల్ బిట్టర్‌మాన్, MD, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఇన్ మెడిసిన్ సంబంధిత రచయిత మరియు ఫ్యాకల్టీ సభ్యుడు అన్నారు. . మసాచుసెట్స్‌లోని బ్రిఘమ్ జనరల్ హాస్పిటల్‌లో (AIM) కార్యక్రమం మరియు బ్రిఘం మరియు ఉమెన్స్ హాస్పిటల్‌లోని రేడియేషన్ ఆంకాలజీ విభాగంలో వైద్యురాలు.

“ప్రధాన శారీరక పరీక్షలలో ఉత్తీర్ణత సాధించగల అల్గారిథమ్‌లు చాలా దృష్టిని ఆకర్షిస్తున్నాయి, అయితే వైద్యులు ప్రతిరోజూ కార్యాలయంలో వారి రోగులకు మెరుగైన శ్రద్ధ వహించాల్సిన అవసరం లేదు. “ఇది ప్రస్తుతం ఉన్న విషయాలను గమనించగల అల్గోరిథం. వైద్య రికార్డులు మరింత వైద్యపరంగా సంబంధితంగా మరియు ఆరోగ్యాన్ని మెరుగుపరచడంలో మరింత శక్తివంతంగా ఉండండి.”

ఆరోగ్య అసమానతలు SDoHకి విస్తృతంగా సంబంధితంగా ఉంటాయి, వీటిలో ఉపాధి, గృహాలు మరియు ఆరోగ్య సంరక్షణపై ప్రభావం చూపే ఇతర వైద్యేతర పరిస్థితులు ఉన్నాయి. ఉదాహరణకు, ఒక ప్రధాన వైద్య కేంద్రం నుండి క్యాన్సర్ రోగి నివసించే దూరం లేదా భాగస్వామి నుండి అతనికి లేదా ఆమెకు ఉన్న మద్దతు ఫలితాలను గణనీయంగా ప్రభావితం చేస్తుంది. వైద్యులు సందర్శన నోట్స్‌లో సంబంధిత SDoHని సంగ్రహించినప్పటికీ, ఈ ముఖ్యమైన సమాచారం ఎలక్ట్రానిక్ హెల్త్ రికార్డ్‌లలో (EHRs) చాలా అరుదుగా క్రమపద్ధతిలో నిర్వహించబడుతుంది.

SDoH గురించి సమాచారాన్ని సేకరించగల LMని రూపొందించడానికి, పరిశోధకులు బ్రిగ్‌హామ్ మరియు ఉమెన్స్ హాస్పిటల్‌లోని రేడియేషన్ ఆంకాలజీ విభాగంలో రేడియేషన్ థెరపీని పొందిన 770 మంది క్యాన్సర్ రోగుల నుండి 800 వైద్యుల గమనికలను చేతితో స్కాన్ చేసారు. నేను దానిని సమీక్షించాను. వారు ఆరు ముందే నిర్వచించిన SDoH షరతులలో ఒకటి లేదా అంతకంటే ఎక్కువ కలిగి ఉన్నారు: ఉద్యోగ స్థితి, గృహ, రవాణా, తల్లిదండ్రుల స్థితి (రోగికి 18 ఏళ్లలోపు పిల్లలు ఉన్నట్లయితే), సంబంధాలు మరియు సామాజిక మద్దతు ఉండటం. ట్యాగ్ చేయబడిన వాక్యాలు పేర్కొనబడ్డాయి.

ఈ “ఉల్లేఖన” డేటాసెట్‌ని ఉపయోగించి, క్లినిషియన్ నోట్స్‌లో SDoHకి సంబంధించిన సూచనలను గుర్తించగలిగేలా పరిశోధకులు ఇప్పటికే ఉన్న LMకి శిక్షణ ఇచ్చారు. డానా-ఫార్బర్ క్యాన్సర్ ఇన్‌స్టిట్యూట్‌లో ఇమ్యునోథెరపీతో చికిత్స పొందిన రోగులు మరియు బెత్ ఇజ్రాయెల్ డీకనెస్ మెడికల్ సెంటర్‌లోని క్రిటికల్ కేర్ యూనిట్‌లో చేరిన రోగుల నుండి 400 క్లినిక్ నోట్‌లను ఉపయోగించి వారు తమ నమూనాను రూపొందించారు.

ఫైన్-ట్యూన్ చేయబడిన LM, ప్రత్యేకంగా Flan-T5 LM, వైద్యుల గమనికలలో SDoH గురించి అరుదైన సూచనలను స్థిరంగా గుర్తించగలిగిందని పరిశోధకులు కనుగొన్నారు. ఈ మోడల్‌ల యొక్క “అభ్యాస సామర్థ్యం” శిక్షణ సెట్‌లోని SDoH పత్రాల అరుదుగా పరిమితం చేయబడింది, క్లినిషియన్ నోట్స్‌లో కేవలం 3 వాక్యాలు మాత్రమే SDoH యొక్క ప్రస్తావనలను కలిగి ఉన్నాయని పరిశోధకులు కనుగొన్నారు. నేను % అని కనుగొన్నాను.

ఈ సమస్యను పరిష్కరించడానికి, పరిశోధకులు మరొక LM, ChatGPTని ఉపయోగించారు, అదనపు శిక్షణ డేటాసెట్‌గా ఉపయోగించబడే SDoH వాక్యాల యొక్క అదనపు 900 సింథటిక్ ఉదాహరణలను రూపొందించారు.

ఆరోగ్య సంరక్షణలో ఉత్పాదక AI నమూనాల యొక్క ప్రధాన విమర్శ ఏమిటంటే, అవి పక్షపాతాన్ని కొనసాగించగలవు మరియు ఆరోగ్య అసమానతలను విస్తృతం చేయగలవు. ప్రముఖ LM, OpenAI యొక్క GPT-4 కంటే ఫైన్-ట్యూన్ చేయబడిన LM ఒక వ్యక్తి యొక్క జాతి/జాతి మరియు లింగం ఆధారంగా SDoH నిర్ణయాలను మార్చే అవకాశం తక్కువగా ఉందని పరిశోధకులు కనుగొన్నారు.

మానవ మరియు కంప్యూటర్ మోడల్‌లలో పక్షపాతాలు ఎలా ఏర్పడతాయో మరియు విచ్ఛిన్నం చేయబడతాయో అర్థం చేసుకోవడం కష్టమని పరిశోధకులు అంటున్నారు. అల్గోరిథమిక్ బయాస్ యొక్క మూలాలను అర్థం చేసుకోవడం పరిశోధకులకు కొనసాగుతున్న ప్రయత్నం.

“పెద్ద-స్థాయి భాషా నమూనాలను అభివృద్ధి చేసేటప్పుడు మరియు అమలు చేస్తున్నప్పుడు మేము అల్గోరిథమిక్ బయాస్‌ను పర్యవేక్షించకపోతే, ఇప్పటికే ఉన్న ఆరోగ్య అసమానతలు ఇప్పుడు ఉన్నదానికంటే మరింత ఘోరంగా మారవచ్చు” అని బిట్టర్‌మాన్ చెప్పారు. “అల్గోరిథం బయాస్‌ను తగ్గించడానికి LMని చక్కగా ట్యూన్ చేయడం ఒక వ్యూహం అని ఈ అధ్యయనం నిరూపించింది, అయితే ఈ ప్రాంతంలో మరింత పరిశోధన అవసరం.”