پردازش زبان طبیعی (NLP) و مدل های زبانی بزرگ (LLMs)
ارتباط یک بیمار دیابتی با پزشک سالانه حداکثر ۱ ساعت است و به ازای هر کارشناس سلامت روان! ۱۲۰۰۰ نفر نیازمند دریافت خدمات وجود دارد لذا استفاده از هوش مصنوعی و مدل های زبانی بزرگ، ارائه خدمات بهتر به بیماران را میسر می کند.
نگاهی به کاربردهای مدل های زبانی بزرگ (LLMs)
- ایجاد چت بات های پزشکی
- بهبود کیفیت مراقبت از بیمار خصوصا در بیماری های غیرواگیر
- امکان ارتباط مستمر با بیمار
- دسترسی آسان بیماران به پاسخ های سوالات شان
- پزشکی شخصی سازی شده
- مداخلات پیشگیرانه
- مسائل حساس مثل روابط جنسی و مصرف موارد والکل
- سلامت روان و سبک زندگی
- آموزش بیمار
- مستندسازی و خلاصه سازی
- ترجمه و ارتباط با بیمار
- پایش وضعیت بیمار
- ارجاع بموقع به پزشک
کاهش زمان مستندسازی مدارک پزشکی
- بر اساس نتایج یک مطالعه (کونگ و همکاران ۲۰۲۳)، استفاده از مدل های زبانی بزرگ باعث کاهش ۳۳ درصدی در زمان صرف شده برای تکمیل مدارک و انجام وظایف غیرمستقیم مراقبت از بیمار در یک کلینیک ریوی و در نتیجه، افزایش بهره وری شده است؛ از جمله در موارد زیر:
- نوشتن نامه های اداری
- سوابق بیماران
- استفاده در چالش های تشخیصی
Goodell AJ, Chu SN, Rouholiman D, Chu LF. Augmentation of ChatGPT with Clinician-Informed Tools Improves Performance on Medical Calculation Tasks. medRxiv. 2023:2023-12.
مستندسازی در مراقبت های بیمار
- پردازش و تولید کلام به هر دو صورت نوشتاری و گفتاری
- مستندسازی و نگارش مستندات اداری: حدود ۲۵ درصد از زمان پزشکان
- تولید گزارش ها و مستندات مختصرتر و دقیق تر و استاندارد پزشکی
- ثبت اطلاعات و شرح حال بیمار
- تسهیل مستندسازی در کارآزمایی های بالینی
- تبدیل یادداشت‌های بدون ساختار به قالب های ساختاریافته
- نتیجه: صرف زمان بیشتر برای بیمار (بجای مستندسازی)
LLMها: ترجمه و خلاصه سازی
- مشارکت بیمار در تصمیم گیری های مرتبط با سلامت:
- حذف موانع زبانی و مشارکت بیمار در تصمیم گیری های سلامت
- ترجمه به زبان دیگر:
- ترجمه‌های سریع و دقیقی به بسیاری از زبان‌ها
- مفید هم برای بیمار و هم برای ارائه دهندگان خدمت
عامیانه سازی مطالب پزشکی:
- مترجم اصطلاحات پزشکی
- توانمندسازی بیماران در تصمیم گیری های مرتبط با سلامت
- بهبود پایبندی به درمان
دستیارهای مجازی / هوشمند
- یک موجودیت فیزیکی نیست
- مبتنی بر یک الگوریتم
- ارتباط با کاربران
- ارتباط با کاربر: پاسخ به سواالات و رفع نیازها
- بعضا تشخیص گفتار و تبدیل کلام به متن
دستیارهای سلامت
پلی میان بیمار، پزشک و سازمان های ارائه دهنده خدمات سلامت
دریافت اطلاعات اولیه از بیمار: پاسخ به بیمار
- برای بیماران: تبدیل زبان عامیانه به ترمینولوژی پزشکی و بالعکس
- برای پزشکان: صرفه جویی در زمان
- برای سازمان های سلامت: صرفه جویی در منابع انسانی و مالی و پاسخگویی موثرتر به نیازهای بیماران دیگر
- تجربه ما: دستیار سلامت روان
- بصورت تعاملی: تشخیص و توصیه های درمانی
روند کار دستیارهای سلامت
- دریافت اطلاعات از طریق دستیارهای هوشمند یا دستگاه های پوشیدنی
- انتقال و ثبت اطلاعات از طریق بلوتوث یا وای فای در اپلیکیشن در گوشی هوشمند
- آپلود اطلاعات در فضای ابری بواسطه اینترنت
- رایانش ابری
- ارائه بازخورد به فرد از طریف پیامک / نوتیفیکیشن / بازخورد اپلیکیشن
- ارائه مشاوره توسط پزشک
مشکلات استفاده از ChatGPT و دیگر LLM ها
- هزینه: قیمت گذاری API بر اساس تعداد توکن ها است که بودجه بندی را غیرقابل پیش بینی می کند.
- بروز نبودن: آخرین به روز رسانی دانش مدل های OpenAI در سپتامبر ۲۰۲۱ بوده است. سرعت سریع پیشرفت فناوری، به این معنی است که برخی از اطلاعات ممکن است منسوخ شده باشد.
- فقدان داده های خاص سازمانی: به عنوان مثال، صنعت داروسازی را در نظر بگیرید. مقدار زیادی از داده های اختصاصی را در بر می گیرد که ChatGPT از آن بی اطلاع است.
- انطباق و حریم خصوصی: سازمان ها ممکن است در مورد حریم خصوصی داده ها و مسائل مربوط به آن ملاحظاتی داشته باشند.
- ثبات و قابلیت اطمینان: ایجاد یک برنامه کاربردی سازمانی که صرفاً به یک API خارجی متکی باشد، خطراتی را به همراه دارد. به خصوص اگر آن API دچار خرابی یا مشکلات دیگر شود.