मेयो क्लिनिक का एआई संगम हथियार भ्रम के खिलाफ: राग के विपरीत कार्रवाई में

बड़े भाषा मॉडल डेल्स (एलएलएम) अधिक परिष्कृत और सक्षम हैं, हालांकि, वे भ्रम से पीड़ित हैं: गलत जानकारी प्रदान करते हैं, या, उन्हें अधिक कठोरता से रखने के लिए।

यह स्वास्थ्य सेवा जैसे क्षेत्रों में विशेष रूप से हानिकारक हो सकता है, जहां झूठी जानकारी के भयानक परिणाम हो सकते हैं।

मेयो क्लिनिक, अमेरिका में शीर्ष -रैंक किए गए अस्पतालों में से एक, ने इस चुनौती को पार करने के लिए एक अभिनव तकनीक अपनाई है। सफल होने के लिए, चिकित्सा सुविधा को रीओ रिलीज़-यूजी गैंटेड पीढ़ी (आरएजी) की सीमाओं को दूर करना होगा। यह वह प्रक्रिया है जिसके द्वारा बड़ी भाषा मॉडल डेल्ट (एलएलएम) विशिष्ट, संबंधित डेटा स्रोतों से जानकारी खींचते हैं। अस्पताल कार्य कर रहा है जो अनिवार्य रूप से एक चीर चीर है, जहां मॉडल संबंधित सूचना आयोजन करता है, फिर प्रत्येक डेटा बिंदु को अपने मूल स्रोत सामग्री से जोड़ता है।

गौरतलब है कि इसने गैर-निदान के उपयोग के मामलों में भ्रम के आधार पर लगभग सभी डेटा-पुन आरआईई को समाप्त कर दिया है, मेयो अपने नैदानिक ​​अभ्यास में मॉडल पर ले जा सकता है।

मैथ्यू कॉल एलस्ट्रोम ने कहा, “लिंक के माध्यम से स्रोत की जानकारी का उल्लेख करने के लिए इस दृष्टिकोण के साथ, इस डेटा का निष्कर्षण अब कोई समस्या नहीं है।”

प्रत्येक डेटा बिंदु के लिए खाता

हेल्थकेयर डेटा से निपटना एक जटिल चुनौती है – और यह समय का एक सिंक हो सकता है। यद्यपि इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) में बड़ी मात्रा में डेटा एकत्र किए जाते हैं, लेकिन डेटा का पता लगाना और विश्लेषण करना बेहद मुश्किल हो सकता है।

एआई के लिए मेयो का पहला उपयोग इन सभी आंकड़ों को ब्लिंक करने के लिए केस डिस्चार्ज सारांश (पोस्ट-केयर टिप्स के साथ रैप-अप्स पर जाएँ), इसके मॉडल पारंपरिक चीर का उपयोग करके। जैसा कि कोलस्ट्रॉम ने समझाया, यह शुरू करने के लिए एक स्वाभाविक स्थान था क्योंकि यह सरल निष्कर्षण और सारांश है, जो एलएलएम आमतौर पर सबसे अच्छा है।

“पहले चरण में, हम निदान के साथ आने की कोशिश नहीं कर रहे हैं, जहां आप एक मॉडल से पूछेंगे, ‘अभी इस रोगी के लिए अगला कदम क्या है?”, उन्होंने कहा।

उदासी का खतरा उतना ध्यान देने योग्य नहीं था जितना कि यह डॉक्टर के कटर-हेल्पफुल विचारों में होगा; यह कहने के लिए नहीं कि डेटा-पनसिटी की गलतियाँ सिर पर नहीं थीं।

“हमारे पहले कुछ पुनरावृत्ति में, हमारे पास कुछ मज़ेदार भ्रम थे जिन्हें आप स्पष्ट रूप से बर्दाश्त नहीं करेंगे – उदाहरण के लिए, रोगी की गलत उम्र,” कोलस्ट्रॉम ने कहा। “तो आपको इसे ध्यान से बनाना होगा।”

जबकि आरएजी ग्राउंडिंग एलएलएम (उनकी क्षमताओं में सुधार) का एक महत्वपूर्ण घटक रहा है, तकनीक की सीमाएं हैं। मॉडल अप्रासंगिक, गलत या कम-गुणवत्ता वाले डेटा को प्राप्त कर सकते हैं; यह निर्धारित करने में विफल रहा कि क्या इंसानों से पूछने के लिए जानकारी प्रासंगिक है; या आउटपुट बनाएं जो अनुरोधित प्रारूपों से मेल नहीं खाते हैं (जैसे कि एक विस्तृत तालिका के बजाय पाठ को वापस लाना)।

जबकि इन समस्याओं के लिए कुछ कार्यप्रणाली हैं – जैसे कि एक ग्राफ राग, जो प्रदान करने के लिए ग्नोवलेज के ग्राफ को एक संदर्भ प्रदान करता है, या सुधारात्मक चीर (CRAG), जहां मूल्यांकन विधि प्राप्त दस्तावेजों की गुणवत्ता का मूल्यांकन करती है – उदासी को समाप्त नहीं किया जाता है।

प्रत्येक डेटा बिंदु का संदर्भ

यह वह जगह है जहां बैक राग प्रक्रिया आती है। विशेष रूप से, मेयो को एलएलएम और वेक्टर डेटाबेस के साथ प्रतिनिधियों (इलाज) एल्गोरिथ्म का उपयोग करके क्लस्टरिंग के रूप में जाना जाता है, जो डेटा रिकवरी को दोबारा जांचने के लिए है।

क्लस्टरिंग मशीन सीखने (एमएल) के लिए महत्वपूर्ण है क्योंकि यह उनकी समानता या पैटर्न के आधार पर डेटा बिंदुओं को समायोजित, वर्गीकृत और समूह बिंदुओं को समायोजित करता है। यह अनिवार्य रूप से “डेटा की भावना” बनाने में मदद करता है। निकटता के आधार पर एक समूह डेटा दूरी चरणों का उपयोग करते हुए, उपाय की तकनीक के साथ उपाय विशिष्ट क्लस्टरिंग से परे चलता है (विचार: एक दूसरे के निकटतम डेटा अगले लोगों की तुलना में अधिक प्रासंगिक है)। एल्गोरिथ्म में “आउटलेयर” या डेटा बिंदु खोजने की क्षमता है जो दूसरों से मेल नहीं खाते हैं।

विपरीत राग दृष्टिकोण के साथ उपाय को मिलाकर, मेयो का एलएलएम व्यक्तिगत तथ्यों में उत्पादित सारांश को विभाजित करता है, फिर यह स्रोत दस्तावेजों से मेल खाता है। दूसरे एलएलएम के बाद उन स्रोतों के साथ तथ्यों को कितनी अच्छी तरह से गठबंधन किया जाता है, खासकर अगर दोनों के बीच एक तर्क संबंध है, तो यह कितना अच्छा है।

“किसी भी डेटा बिंदु को मूल प्रयोगशाला स्रोत डेटा या इमेजिंग रिपोर्ट के लिए संदर्भित किया जाता है,” कोलस्ट्रॉम ने कहा। “सिस्टम यह सुनिश्चित करता है कि संदर्भ वास्तव में और सटीक रूप से ठीक हो गए हैं, अधिकांश वसूली-संबंधित भ्रम प्रभावी रूप से हल करता है।”

कॉल LSTROM टीम ने पहले रोगी रिकॉर्ड को निगलना करने के लिए वेक्टर डेटाबेस का उपयोग किया ताकि मॉडल को जल्दी से जानकारी मिल सके। उन्होंने शुरू में अवधारणा (POC) के साक्ष्य के लिए एक स्थानीय डेटाबेस का उपयोग किया; उत्पादन संस्करण क्योर एल्गोरिथ्म लॉजिक के साथ एक सामान्य डेटाबेस है।

“चिकित्सक बहुत संदिग्ध हैं, और वे यह सुनिश्चित करना चाहते हैं कि उन्हें ऐसी जानकारी नहीं दी जा रही है जो भरोसा नहीं करती है।” “तो हमारे लिए विश्वास का मतलब है कि किसी भी चीज़ का परीक्षण करना जो एक सामग्री के रूप में सतह पर हो सकता है।”

मेयो के अभ्यास में ‘अविश्वसनीय रुचि’

नए रोगी रिकॉर्ड के संश्लेषण के लिए उपाय तकनीक भी उपयोगी साबित हुई है। बाहर के रिकॉर्ड जो रोगियों की जटिल समस्याओं का विवरण देते हैं, वे विभिन्न प्रारूपों में डेटा सामग्री के “रिम्स” हो सकते हैं, कोलस्ट्रॉम ने समझाया। इसकी समीक्षा और संक्षेप में किया जाना चाहिए ताकि चिकित्सक पहली बार रोगी को देखने से पहले खुद को परिचित कर सके।

उन्होंने कहा, “मैं हमेशा एक स्प्रेडशीट की तरह बाहर के मेडिकल रिकॉर्ड का वर्णन करूंगा: आपको पता नहीं है कि हर सेल में क्या है, आपको सामग्री को खींचने के लिए सभी को देखना होगा।”

लेकिन अब, एलएलएम निष्कर्षण, सामग्री को वर्गीकृत करता है, और रोगी का अवलोकन बनाता है। विशेष रूप से, यह कार्य व्यवसायी दिवस से 90 या अधिक मिनट ले सकता है – लेकिन एआई लगभग 10 कर सकता है, कोलस्ट्रॉम ने कहा।

उन्होंने प्रशासनिक बोझ और हताशा को कम करने में मदद करने के लिए मेयो के अभ्यास में क्षमता के विस्तार में “अविश्वसनीय रुचि” का वर्णन किया।

“हमारा लक्ष्य सामग्री की प्रक्रिया को सरल बनाना है – मैं क्षमताओं को कैसे बढ़ा सकता हूं और चिकित्सक के कार्य को आसान बना सकता हूं?” उसने कहा।

एआई के साथ अधिक जटिल समस्याओं का सामना करना

बेशक, कोलस्ट्रॉम और इसकी टीम अधिक उन्नत क्षेत्रों में एआई के लिए एक बड़ी संभावना देखती है। उदाहरण के लिए, वे एक जीनोमिक मॉडल बनाने के लिए सेरेब्रस सिस्टम के साथ जुड़े हुए हैं जो रोगी के लिए सबसे अच्छा गठिया उपचार की भविष्यवाणी करता है, और छवि एनकोडर और इमेजिंग फाउंडेशन मॉडल पर माइक्रोस .ft के साथ भी काम कर रहा है।

Micros .ft के साथ उनकी पहली इमेजिंग प्रोजेक्ट छाती का एक्स-रे है। उन्होंने अब तक 1.5 मिलियन एक्स-रे को बदल दिया है और अगले दौर में 11 मिलियन से अधिक बनाने की योजना बनाई है। कॉल LStrom ने बताया कि एक छवि एनकोडर बनाना असामान्य रूप से मुश्किल नहीं है; जटिलता परिणामी छवियों को वास्तव में उपयोगी बनाने के लिए है।

आदर्श रूप से, लक्ष्य मेयो चिकित्सकों को छाती के एक्स-रे की समीक्षा करने और उनके विश्लेषण को बढ़ाने के तरीके को सरल बनाने के लिए हैं। उदाहरण के लिए, एआई यह पहचान सकता है कि मरीजों को सांस लेने में मदद करने के लिए उन्हें एंडोट्रेशियल ट्यूब या सेंट्रल लाइन में प्रवेश करना चाहिए। “लेकिन यह अधिक व्यापक हो सकता है,” कोलस्ट्रॉम ने कहा। उदाहरण के लिए, चिकित्सक अन्य सामग्रियों और डेटा को अवगुण कर सकते हैं, जैसे कि इजेक्शन अंश का एक सरल पूर्वानुमान – या हृदय से रक्त की मात्रा – छाती एक्स किरणों से।

“अब आप एक उपचार पूर्वानुमान की प्रतिक्रिया के बारे में सोचना शुरू कर सकते हैं,” उन्होंने कहा।

मेयो जीनोमिक्स (डीएनए का अध्ययन), साथ ही अन्य “ओमिक” फ़ील्ड जैसे कि प्रोटोमिक्स (प्रोटीन अध्ययन), “अविश्वसनीय अवसर” भी देखते हैं। AI संदर्भ बिंदु बनाने के लिए अन्य रोगियों का समर्थन कर सकता है और अन्य रोगियों को जीन ट्रांसक्रिप्शन या डीएनए अनुक्रम बनाने के लिए एक जोखिम प्रोफ़ाइल या थेरेपी पथ बनाने में मदद कर सकता है।

“तो आप मूल रूप से अन्य रोगियों के खिलाफ रोगियों की मैपिंग कर रहे हैं, प्रत्येक रोगी को सेट के आसपास बना रहे हैं,” कोलस्ट्रॉम ने समझाया। “यह वह है जो वास्तव में एक व्यक्तिगत दवा प्रदान करेगा: ‘आप इन अन्य रोगियों की तरह दिखेंगे, हमें अपेक्षित परिणाम देखने के लिए आपको इलाज करना चाहिए।” लक्ष्य वास्तव में मानवता पर लौट रहा है क्योंकि हम इन उपकरणों का उपयोग करते हैं।

लेकिन कोलस्ट्रॉम ने जोर दिया कि निदान पक्ष पर हर चीज के लिए बहुत सारे काम की आवश्यकता है। यह दिखाने के लिए एक बात है कि जीनोमिक्स के लिए नींव मॉडल गठिया के लिए काम करता है; यह वास्तव में एक नैदानिक ​​वातावरण में पहचानने के लिए एक और है। शोधकर्ताओं को छोटे डेटासेट का परीक्षण करके शुरू करना होगा, फिर धीरे -धीरे परीक्षण समूहों का विस्तार करें और पारंपरिक या मानक उपचारों की तुलना करें।

उन्होंने कहा, “आप तुरंत नहीं जाएंगे, ‘अरे, चलो मेथोट्रेक्सेट छोड़ दें” (एक लोकप्रिय गठिया गठिया दवा), उन्होंने कहा।

अंत में: “हम रोगियों की देखभाल कैसे करते हैं और सार्थक रूप से निदान करते हैं, हम मानक चिकित्सा के खिलाफ अधिक रोगी-केंद्रित या रोगी-विशिष्ट देखभाल के खिलाफ इन (मॉडल) की अविश्वसनीय क्षमता को पहचानते हैं।” “रोगी की देखभाल में हम जिस जटिल डेटा से निपटते हैं, वह वह है जहां हमने ध्यान केंद्रित किया है।”

वीबी दैनिक के साथ पेशेवर उपयोग के मामलों पर दैनिक अंतर्दृष्टि

यदि आप अपने बॉस को प्रभावित करना चाहते हैं, तो वीबी ने आपको हर दिन कवर किया है। हम आपको एक अंदर के स्कूप देते हैं कि विनियामक शिफ्ट से लेकर प्रैक्टिकल परिनियोजन तक की कंपनियां एआई उत्पन्न करने के साथ क्या कर रही हैं, इसलिए आप अधिकतम आरओआई के लिए अंतर्दृष्टि साझा कर सकते हैं।

हमारी गोपनीयता नीति पढ़ें

सदस्यता के लिए धन्यवाद। यहां और अधिक वीबी न्यूज़लेटर्स देखें।

एक त्रुटि पाई गई।