AI w gabinecie: Stanford uczy chatboty „czytać” kartoteki pacjentów

Każdy lekarz zna ten problem: ogromna ilość czasu spędzanego na przeszukiwaniu elektronicznej dokumentacji medycznej (EMR). Choć cyfrowe kartoteki to krok naprzód w porównaniu z papierowymi, często są one nieintuicyjne i wymagają żmudnego przekopywania się przez setki stron w poszukiwaniu kluczowych informacji. Ten stracony czas to czas, którego brakuje na to, co w medycynie najważniejsze: rozmowę z pacjentem i podejmowanie trafnych decyzji klinicznych. Właśnie dlatego tak ważne jest poszukiwanie rozwiązań, które mogą usprawnić ten proces, oddając lekarzom ich najcenniejszy zasób.

Czym jest ChatEHR i jak rewolucjonizuje pracę lekarza?

Naukowcy ze Stanford Medicine opracowali innowacyjne oprogramowanie o nazwie ChatEHR, które pozwala klinicystom na interakcję z dokumentacją medyczną pacjenta w formie konwersacji – podobnie jak w przypadku popularnych chatbotów, takich jak GPT-4. To przełomowe narzędzie, obecnie w fazie pilotażowej, umożliwia lekarzom, pielęgniarkom i innym pracownikom medycznym zadawanie bezpośrednich pytań dotyczących historii medycznej pacjenta, automatyczne tworzenie podsumowań kartotek i wykonywanie wielu innych zadań.

Zamiast manualnego przeszukiwania, klinicysta może po prostu zapytać:

• „Czy ten pacjent ma jakieś alergie?”

• „Jakie są wyniki jego ostatniego badania cholesterolu?”

• „Czy miał wykonywaną kolonoskopię i czy wyniki były prawidłowe?”

ChatEHR, korzystając z informacji zawartych wyłącznie w dokumentacji medycznej danego pacjenta, udziela natychmiastowej odpowiedzi. Jak podkreśla dr Sneha Jain, jedna z pierwszych użytkowniczek technologii, „uczynienie elektronicznej dokumentacji medycznej bardziej przyjazną dla użytkownika oznacza, że lekarze mogą poświęcać mniej czasu na przeszukiwanie każdego jej zakamarka. ChatEHR pomaga uzyskać te informacje od ręki, dzięki czemu mogą skupić się na tym, co istotne – rozmowie z pacjentami i diagnozowaniu problemu”.

Kluczowe zalety: bezpieczeństwo i integracja z przepływem pracy

To, co wyróżnia ChatEHR na tle ogólnodostępnych modeli językowych, to dwa aspekty:

1. Bezpieczeństwo i kontekst medyczny: Jak wyjaśnia prof. Nigam Shah, który kierował zespołem tworzącym technologię, ChatEHR jest bezpieczny, ponieważ czerpie informacje bezpośrednio z relevantnych danych medycznych pacjenta. Nie ma tu ryzyka „halucynacji” opartych na ogólnych danych z internetu. Wszystkie odpowiedzi są ugruntowane w konkretnej, zweryfikowanej kartotece.

2. Głęboka integracja z przepływem pracy: Oprogramowanie jest wbudowane bezpośrednio w system elektronicznej dokumentacji medycznej. To kluczowa zaleta, która eliminuje potrzebę korzystania z zewnętrznych narzędzi i sprawia, że jego użycie jest proste i intuicyjne dla personelu.

Ważne jest również, że ChatEHR nie ma na celu udzielania porad medycznych. Jest to narzędzie do gromadzenia informacji, które ma przyspieszyć ten proces i zaoszczędzić czas. Wszystkie decyzje kliniczne pozostają w rękach ekspertów medycznych. AI ma wspierać, a nie zastępować.

Więcej niż wyszukiwarka: „automatyzacje” i przyszłość

Potencjał ChatEHR wykracza daleko poza proste zadawanie pytań. Zespół ze Stanford pracuje nad rozwojem tzw. „automatyzacji” – zadań oceniających, opartych na historii i dokumentacji pacjenta. Przykładem jest automatyzacja, która pomaga ocenić, czy pacjent kwalifikuje się do przeniesienia do innej placówki, co oszczędza personelowi administracyjnego trudu przeglądania dokumentacji i przyspiesza dostęp do opieki. W planach są kolejne automatyzacje, takie jak ocena kwalifikacji do opieki hospicyjnej czy rekomendowanie dodatkowej opieki po operacji.

Kolejnym krokiem w rozwoju narzędzia jest wprowadzenie cytatów – funkcji, która będzie pokazywać klinicystom, z której dokładnie części dokumentacji pochodzi dana informacja. To dodatkowo zwiększy transparentność i wiarygodność systemu.

Projekt pilotażowy, obejmujący na razie 33 pracowników medycznych, ma na celu dalsze udoskonalanie narzędzia. Docelowo ChatEHR ma być dostępny dla wszystkich klinicystów w Stanford Health Care. Jak podsumowuje prof. Shah, wdrożenie odbywa się zgodnie z zasadami odpowiedzialnej AI, zapewniając nie tylko dokładność, ale także odpowiednie zasoby edukacyjne i wsparcie techniczne. To modelowy przykład tego, jak można w przemyślany i bezpieczny sposób integrować zaawansowaną sztuczną inteligencję z codzienną praktyką medyczną, przynosząc realne korzyści zarówno personelowi, jak i pacjentom.

Pomysł na doktorat:

Tytuł roboczy doktoratu: „Od reaktywnego wyszukiwania do proaktywnej asysty klinicznej: opracowanie i walidacja systemu AI do semantycznej analizy i syntezy elektronicznej dokumentacji medycznej w celu identyfikacji niespójności i predykcji ryzyka klinicznego”.

Główne cele badawcze:

1. Rozwój zaawansowanego modułu rozumowania dla systemu typu ChatEHR, który wykracza poza proste odpowiadanie na pytania, a zamiast tego potrafi proaktywnie analizować całościową dokumentację pacjenta w poszukiwaniu logicznych niespójności (np. sprzecznych wyników laboratoryjnych, leków przepisanych mimo udokumentowanych alergii) lub wzorców wskazujących na podwyższone ryzyko (np. pogarszające się wyniki badań na przestrzeni czasu).

   • Pytanie badawcze: Jakie architektury AI (np. modele grafowe, mechanizmy uwagi) najlepiej nadają się do modelowania złożonych, czasowych i przyczynowo-skutkowych zależności w danych EMR, aby umożliwić systemowi generowanie klinicznie istotnych alertów i rekomendacji?

2. Zbadanie wpływu interakcji z proaktywnym asystentem AI na procesy poznawcze i decyzyjne klinicystów, w tym na identyfikację potencjalnych błędów poznawczych (np. błąd zakotwiczenia na podsumowaniu AI, pomijanie danych nieujętych w alercie).

   • Pytanie badawcze: Czy korzystanie z systemu proaktywnego prowadzi do szybszego wykrywania ryzyk i lepszych decyzji, czy też może wprowadzać nowe rodzaje błędów poprzez nadmierne zaufanie do sugestii AI? Jakie elementy interfejsu (np. wizualizacja niepewności, wymóg weryfikacji) mogą te ryzyka minimalizować?

3. Walidacja kliniczna systemu w randomizowanym badaniu kontrolowanym, porównującym czas do postawienia diagnozy, liczbę przeoczonych istotnych informacji oraz trafność decyzji klinicznych w grupie korzystającej z ChatEHR z modułem proaktywnym w porównaniu do grupy z wersją podstawową oraz grupy kontrolnej (bez AI).

   • Pytanie badawcze: Jaka jest mierzalna wartość dodana proaktywnej asysty AI w warunkach klinicznych o wysokiej presji czasowej (np. na oddziale ratunkowym)?

Metodologia (proponowana): Rozwój prototypu w oparciu o zanonimizowane dane EMR. Testy użyteczności z udziałem klinicystów w warunkach laboratoryjnych. Przeprowadzenie randomizowanego badania kontrolowanego w środowisku symulowanym lub na historycznych danych pacjentów w celu oceny wpływu na jakość i szybkość decyzji.