Kunnen grote taalmodellen (LLM) neurologen helpen bij het analyseren van slachtoffers van een beroerte?

Kunstmatige intelligentie (AI) is een van de grootste technologische doorbraken van dit decennium. De lancering van ChatGPT heeft AI vooral mainstream gemaakt, met toepassingen die zich uitstrekken over verschillende sectoren, waaronder de gezondheidszorg. Met name neurologen zullen waarschijnlijk aanzienlijk profiteren van het gebruik van AI om nauwkeurig de locaties van beroertes in de hersenen te lokaliseren. blijkt uit een recente studie.

Over beroertes gesproken: ze zijn een van de belangrijkste doodsoorzaken onder Amerikanen; elke 40 seconden krijgt iemand in de VS een beroerte, en elke 3 minuten en 14 seconden sterft er iemand aan een beroerte. Naast sterfte kunnen beroertes ook langdurige handicaps veroorzaken. Daarom kan het identificeren van de locatie van de beroerte in de hersenen helpen de effecten ervan op de lange termijn te voorspellen, die sterk kunnen variëren, van het aantasten van de mobiliteit van een individu tot het beïnvloeden van taal- en spraakvermogen. Bovendien kan AI helpen de prognose van een persoon te bepalen en de beste behandeling te bepalen.

Doorgaans helpen hersenscans bij het vinden van de locatie van laesies, dit zijn gebieden met weefselschade door beroertes. Niet iedereen heeft echter toegang tot neurologen voor hersenscans. 

Om deze kloof te dichten, “wilden we bepalen of GPT-4 hersenlaesies na een beroerte accuraat kon lokaliseren op basis van de gezondheidsgeschiedenis van een persoon en een neurologisch onderzoek”, zegt studieauteur Jung-Hyun Lee, MD, lid van de American Academy of Neurologie en de State University of New York, Downstate Health Sciences University in Brooklyn. 

Andere deelnemers van de studies onder meer Eunhee Choi, MD, afdeling Interne Geneeskunde, Lincoln Medical Center, NY; Robert McDougal, MD, afdeling Biostatistiek aan de Yale School of Public Health en programma in Computational Biology en Bioinformatics aan het Wu-Tsai Instituut; en William W. Lytton, MD, afdeling Neurologie aan de State University van New York, Downstate Health Sciences University en afdeling Neurologie aan het Kings County Hospital.

Het onderzoek, gepubliceerd in het online tijdschrift Neurology® Clinical Practice van de American Academy of Neurology, toonde het vermogen van AI aan om tekst uit neurologische onderzoeken en gezondheidsgeschiedenissen te verwerken om de laesielocatie in de hersenen te identificeren. 

Hiervoor gebruikte het team het grote taalmodel (LLM) GPT-4. Deze generatieve, vooraf getrainde transformator is getraind op enorme hoeveelheden gegevens en heeft “opmerkelijke capaciteiten” getoond bij het genereren van tekstreacties op op tekst gebaseerde zoekopdrachten.

Dit streven is niet de eerste in zijn soort, aangezien de functionaliteit van LLM's eerder is onderzocht bij het beantwoorden van vrije vragen van artsen. Eerdere software ontwikkeld voor laesielokalisatie was echter eerder beperkt van omvang. Het doel van deze studie is om het vermogen van GPT-4 bij de lokalisatie van acute beroerte-laesies te evalueren op basis van de klinische presentatie, en daarmee de potentiële rol aan te tonen die AI kan spelen als klinisch hulpmiddel in de neurologie voor de toekomst.

Enorm potentieel

In deze studie verzamelden onderzoekers de gezondheidsgeschiedenis en neurologische fysieke onderzoeken van 46 gepubliceerde gevallen van degenen die een beroerte hadden gehad. Deze tekstuele gegevens werden vervolgens in GPT-4 ingevoerd. Met behulp van Zero-Shot Chain-of-Thought en Text Classification-aanwijzingstechnieken kreeg het model de taak om drie specifieke vragen over elke patiënt te beantwoorden, die drie keer werden herhaald: of een deelnemer enkele of meerdere laesies had, aan welke kant van de hersenlaesies zich bevonden en in welk deel van de hersenen de laesies werden gevonden. 

Bij het vergelijken van de GPT-4-resultaten met de hersenscans van elke deelnemer ontdekten de onderzoekers dat de resultaten behoorlijk bevredigend waren, met uitzondering van laesies in het cerebellum en het ruggenmerg.

GPT-4 vertoonde in de meeste gevallen een hoge mate van nauwkeurigheid bij het identificeren van de locatie van de hersenlaesies, waarbij een specificiteit van 87% (percentage correct geïdentificeerde negatieven) en een gevoeligheid van 74% (percentage daadwerkelijke positieven correct geïdentificeerd) werd bereikt. Het model behaalde ook een specificiteit van 94% en een gevoeligheid van 85% bij het bepalen van de meest getroffen hersengebieden.

Uit de studie bleek verder dat het model consistent het aantal hersenlaesies identificeerde bij 76% van de deelnemers, de locatie van de laesies bij 83% en de specifieke hersengebieden die betrokken waren bij 87% van de gevallen. Bij het evalueren van de antwoorden van het model op alle drie de vragen over drie pogingen voor elke deelnemer, nam de consistentie ervan echter drastisch af, waarbij GPT-4 slechts voor 41% van de deelnemers nauwkeurige antwoorden kon geven. 

Dit geeft aan dat LLM’s, zoals generatieve vooraf getrainde transformatoren (GPT), ‘nog niet klaar zijn voor gebruik in de kliniek’. Niettemin zijn ze veelbelovend bij het identificeren van de locatie van laesies na een beroerte en kunnen ze de verschillen in de gezondheidszorg verkleinen, dankzij hun vermogen om in verschillende talen te functioneren. 

De studie benadrukt ook het groeiende belang van neurologische expertise voor interventies bij een beroerte, vooral nu het gebruik van telegeneeskunde toeneemt. Bovendien kan het model helpen bij tijdige beslissingen om de noodzaak van meer beeldvormende onderzoeken of zelfs neuroloogconsultatie te beoordelen. 

Volgens Lee: 

“Hun potentieel voor gebruik is bemoedigend, vooral vanwege de grote behoefte aan verbeterde gezondheidszorg in achtergestelde gebieden in meerdere landen waar de toegang tot neurologische zorg beperkt is.” 

De nauwkeurigheid van GPT-4 hangt met name af van de kwaliteit van de gegevens die eraan worden toegevoegd, en gedetailleerde informatie over de medische geschiedenis en neuro-onderzoeken is mogelijk niet altijd beschikbaar voor iedereen die een beroerte heeft gehad. 

De studie benadrukte dat de onderzoekers met een LLM hebben gewerkt zonder medische opleiding of verfijning. Bovendien werd opgemerkt dat de rapporten van atypische gevallen vaak onvoldoende gedetailleerde gezondheidsgeschiedenissen en neurologische onderzoeken ontberen. Onnauwkeurigheden kwamen dus voort uit onvoldoende informatie in de gepubliceerde gevallen, maar ook uit fouten in de logica of lacunes in de onderliggende kennisbasis.

Er is dus behoefte aan verder onderzoek op het gebied van logistiek, juridisch, patiëntveiligheid en privacy, waarbij nauwkeurigheid en consistentie worden gewaarborgd, en integratie met ziekenhuisworkflows voor een levensvatbaar gebruik van LLM in klinische omgevingen.

Klik hier om te ontdekken waarom 2023 een doorbraakjaar was voor kunstmatige intelligentie.

Toenemend belang en gebruik van LLM's in de gezondheidszorg

Het onderzoek laat geweldige resultaten zien en toont nog een voorbeeld van de groeiende rol van LLM's in de gezondheidszorg – een veld dat veel aandacht heeft gekregen. Ze veranderen de sector immers op zoveel manieren. Het gebruik ervan verschuift geleidelijk van verkenningsfasen naar praktisch gebruik, wat nu een impact heeft op klinisch onderzoek en patiëntenzorg. Hun vermogen om omvangrijke gegevens te verwerken, realtime inzichten te bieden en tekst te produceren die van menselijke kwaliteit is en met bepaalde professionele kennis, zorgt voor een revolutie in de sector.

Deze modellen zijn getraind op grote hoeveelheden complexe gegevens, waaronder tekst, afbeeldingen en video's verkregen van internet, en vinden veelzijdige toepassingen op verschillende gebieden, ook in de geneeskunde. 

Het begon voor het eerst grip te krijgen toen het door Microsoft gesteunde OpenAI in 1 zijn eerste LLM, GPT-2018, uitbracht. De wijdverbreide acceptatie ervan werd gedreven door de publieke toegankelijkheid en gemakkelijke bruikbaarheid. Deze kenmerken waren het resultaat van de integratie van het modelversterking leren van menselijke feedback (RLHF), waardoor het geloofwaardiger en menselijker resultaat kon leveren dan zijn eerdere tegenhangers.  

Sinds de lancering van de op LLM gebaseerde chatbot-applicatie ChatGPT hebben verschillende technologiebedrijven, zoals Meta (Llama), Google (BARD), Amazon en het door Salesforce ondersteunde Anthropic (Claude), hun LLM's uitgebracht. Ondertussen heeft OpenAI's nieuwste versie, GPT-4, verbeterde mogelijkheden laten zien, zoals het overtreffen van de score voor het US Medical Licensing Exam (USMLE). 

Daarmee heeft ChatGPT zijn capaciteiten om medische redenen getoond, dus door LLM's te verfijnen en hen aanvullende training te geven, kunnen we LLM's gebruiken om de patiëntenzorg te verbeteren. Menselijke communicatie is daar een belangrijk onderdeel van. Dankzij het mensachtige vermogen van GPT is het behoorlijk effectief geworden wat betreft patiënttevredenheid en zijn optimale klinische resultaten mogelijk.

Hoewel het verwerken van enorme hoeveelheden gegevens voor mensen lastig kan zijn, kunnen LLM's dit gemakkelijk in een fractie van de tijd doen. Ze stroomlijnen dit proces door de gegevens te organiseren, waardoor we er goed gebruik van kunnen maken. Niet alleen gegevens uit het verleden; LLM's analyseren voortdurend nieuwe, binnenkomende gegevens, zoals vitale functies en patiëntsymptomen, die professionals in de gezondheidszorg enorm kunnen helpen bij het nemen van realtime en snelle beslissingen. 

Door enorme datasets uit de wetenschappelijke literatuur, klinische onderzoeken, behandelrichtlijnen en medische dossiers te analyseren, versnellen LLM's ook medisch onderzoek om nieuwe behandelingen te helpen identificeren en effectieve therapieën te ontwikkelen. Deze modellen kunnen ook helpen correlaties te leggen en patronen te ontdekken die ons begrip van ziekten kunnen vergroten en medisch onderzoek kunnen versnellen. 

Bovendien bieden deze modellen waardevolle inzichten die professionals in de gezondheidszorg helpen bij het nemen van klinische beslissingen, zoals nauwkeurige diagnoses en gepersonaliseerde behandelplanning, wat leidt tot verbeterde patiëntenzorg. Niet alleen professionals, maar LLM's geven patiënten ook meer mogelijkheden door hen te voorzien van begrijpelijke en toegankelijke informatie om hun omstandigheden beter te begrijpen en hen in staat te stellen deel te nemen aan hun zorgtraject. 

Klik hier om te leren wat AI tot een alleskunner maakt.

Het stimuleren van innovatie in de gezondheidszorg

Gezien de enorme voordelen en mogelijkheden behaalde de generatieve AI-markt voor de gezondheidszorg een waardering van meer dan $ 1 miljard in 2022 en zal naar verwachting in 22 groeien tot 2032 miljard dollar, volgens de Generative AI Tracker.

Als het gaat om het gebruik van AI in de sector van medische hulpmiddelen, cardiologie loopt voorop in deze trendVolgens GlobalData valt 57% van de door AI ondersteunde medische apparaten die in 2022 door de FDA zijn goedgekeurd onder cardiologie. Deze trend zal zich naar verwachting in de toekomst voortzetten, waarbij de uitgaven aan AI door bedrijven in medische apparatuur tussen 20.6 en 2019 naar verwachting zullen groeien met een CAGR van 2024%.

In de toekomst zouden we zelfs de integratie van AI met 3D-bioprinting kunnen zien om de creatie van volledig functionele organen mogelijk te maken die zijn afgestemd op de specifieke behoeften van elke patiënt.

Dit potentieel zorgt ervoor dat veel reguliere organisaties gespecialiseerde AI-aangedreven oplossingen voor de gezondheidszorg lanceren. Microsoft biedt bijvoorbeeld een gespecialiseerde oplossing genaamd Nuance Dragon Ambient eXperience (DAX). Het legt gesprekken tussen arts en patiënt vast, vertaalt deze in aantekeningen en integreert ze in EPD's. 

Google heeft zijn MedLM al onthuld, een op gezondheidszorg gerichte LLM die beschikbaar is via het Vertex AI-platform. Sindsdien heeft het bedrijf zijn AI-modellen voor de gezondheidszorg getraind op basis van het nieuwste onderzoek om AI toe te passen in de gezondheidszorg. Het model is door partnerorganisaties gebruikt om oplossingen te bouwen, zoals het stroomlijnen van de overdracht van verpleegkundigen en het ondersteunen van de documentatie van artsen. 

Vorige maand nog heeft Google nieuwe mogelijkheden aan zijn model toegevoegd en gelanceerd MedLM voor röntgenfoto's van de thorax om de manier waarop radiologie werkt te veranderen. Het idee is om generatieve AI gezondheidszorgorganisaties te laten ondersteunen door te helpen bij het categoriseren van röntgenfoto's van de borstkas voor een aantal gebruiksscenario's. 

Maar dit is niet alles. Google Research werkt samen met Fitbit aan het bouwen van een groot taalmodel voor persoonlijke gezondheid dat de welzijnsfuncties in de mobiele Fitbit-app kan versterken. Er wordt aan dit model gewerkt om iedereen geïndividualiseerde coaching te bieden op basis van hun persoonlijke gezondheids- en fitnessdoelen. 

Amazon Web Services (AWS) biedt ook HealthScribe, dat consultatiegesprekken analyseert om samengevatte klinische aantekeningen te maken voor segmenten als beoordeling, geschiedenis van de huidige ziekte en behandelplan. Organisaties kunnen deze aantekeningen vervolgens integreren in klinische toepassingen om de patiëntbezoeken efficiënter samen te vatten. 

Eerder dit jaar lanceerde medisch technologiebedrijf Siemens Healthineers krachten gebundeld met het Indian Institute of Science (IISc) om het Siemens Healthineers-Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine te lanceren. De focus van het laboratorium ligt op het ontwikkelen van open-source AI-tools om de precieze segmentatie van pathologische bevindingen in neuroimaging-gegevens te automatiseren. Dit zal helpen bij de nauwkeurigere diagnose van ziekten die verband houden met neurologie en de analyse van hun klinische effect. 

Dit is nog maar het begin van de groeiende AI-trend in de medische sector. De verwachting is dat de rol van kunstmatige intelligentie veel groter zal zijn. AI wordt momenteel gebruikt om realtime, patiëntspecifieke 3D-modellen in operaties te genereren en zal zich verder ontwikkelen om interactieve gezondheidszorgervaringen te bieden om de voorlichting en betrokkenheid van patiënten te transformeren. Zelfs op het gebied van genoombewerking wordt verwacht dat AI verder gaat dan alleen het analyseren van complexe genetische gegevens om nauwkeurigere voorspellingen te doen over de associatie van genen en ziekten voor zeer op maat gemaakte genbewerking.

AI-aangedreven meeslepende virtual reality-therapiesessies voor behandeling in de geestelijke gezondheidszorg zijn een andere manier waarop de technologie in de sector kan worden gebruikt. Dan zijn er nanobots die AI kunnen inzetten om een ​​breed scala aan medische aandoeningen in een vroeg stadium te identificeren en aan te pakken.

De toepassing van LLM's in de gezondheidszorg is echter niet zonder zorg. Er zijn ethische zorgen op het gebied van privacy, transparantie en veiligheidsoverwegingen waar onderzoekers, gezondheidszorgprofessionals en medische organisaties rekening mee moeten houden. Deze modellen kunnen ook worden gebruikt om desinformatie te verspreiden vanwege een gebrek aan verantwoording, iets waarmee ook rekening moet worden gehouden. Om nog maar te zwijgen van het feit dat er een inherente beperking is aan het reproduceren van bestaande vooroordelen.

Overheden over de hele wereld werken aan het aanpakken van de problemen die AI met zich meebrengt. Europa heeft al een juridisch kader voor AI gecreëerd, terwijl het Britse ministerie van Volksgezondheid en Sociale Zorg van plan is de transparantie te verbeteren van gegevens die worden gebruikt bij de ontwikkeling van medische hulpmiddelen die gebruik maken van AI.

Klik hier voor meer informatie over de groeiende synergie van AI en neurologie.

Conclusie

LLM's zien het gebruik in de medische industrie al groeien, en er wordt verwacht dat ze verder zullen groeien in termen van adoptie en impact. Het is echter belangrijk dat deze modellen op verantwoorde wijze worden gebruikt en dat de onderliggende gegevens van de allerhoogste kwaliteit zijn, zonder enige inherente vooroordelen en verkeerde informatie, om nauwkeurigere resultaten en betere patiëntresultaten te kunnen opleveren.

Klik hier voor alles over investeren in kunstmatige intelligentie.