Dapatkah Model Bahasa Besar (LLM) Membantu Ahli Saraf dalam Menganalisis Korban Stroke?

Kecerdasan buatan (AI) adalah salah satu terobosan teknologi terbesar dekade ini. Peluncuran ChatGPT khususnya telah mendorong AI ke arus utama, dengan aplikasinya meluas ke berbagai sektor, termasuk perawatan kesehatan. Secara khusus, ahli saraf kemungkinan akan sangat diuntungkan dari penggunaan AI untuk secara akurat menentukan lokasi stroke dalam otak, sebagaimana diungkapkan oleh sebuah studi terbaru.

Berbicara tentang stroke, kondisi ini merupakan penyebab utama kematian di antara warga Amerika; setiap 40 detik, seseorang di AS mengalami stroke, dan setiap 3 menit 14 detik, seseorang meninggal karena stroke. Selain kematian, stroke juga dapat menyebabkan kecacatan jangka panjang. Oleh karena itu, mengidentifikasi lokasi stroke dalam otak dapat membantu memprediksi efeknya dalam jangka panjang, yang dapat sangat bervariasi, mulai dari mengganggu mobilitas individu hingga memengaruhi kemampuan bahasa dan bicara. Selain itu, AI dapat membantu menentukan prognosis seseorang dan menentukan perawatan terbaik.

Biasanya, pemindaian otak membantu menemukan lokasi lesi, yaitu area kerusakan jaringan akibat stroke. Namun, tidak semua orang dapat mengakses ahli saraf untuk pemindaian otak.

Untuk mengatasi kesenjangan ini, “kami ingin menentukan apakah GPT-4 dapat secara akurat menemukan lokasi lesi otak setelah stroke berdasarkan riwayat kesehatan seseorang dan pemeriksaan neurologis,” kata penulis studi Jung-Hyun Lee, MD, anggota American Academy of Neurology dan State University of New York, Downstate Health Sciences University di Brooklyn.

Peserta lain dalam studi tersebut meliputi Eunhee Choi, MD, Departemen Kedokteran Internal, Lincoln Medical Center, NY; Robert McDougal, MD, Departemen Biostatistik di Yale School of Public Health dan Program dalam Biologi Komputasional dan Bioinformatika di Wu‑Tsai Institute; serta William W. Lytton, MD, Departemen Neurologi di State University of New York Downstate Health Sciences University dan Departemen Neurologi di Kings County Hospital.

Dipublikasikan dalam jurnal daring American Academy of Neurology, Neurology® Clinical Practice, studi ini menampilkan kemampuan AI untuk memproses teks dari pemeriksaan neurologis dan riwayat kesehatan guna mengidentifikasi lokasi lesi di otak.

Untuk ini, tim menggunakan model bahasa besar (LLM) GPT-4. Transformer pra‑latih generatif ini dilatih pada sejumlah besar data dan telah menunjukkan “kemampuan luar biasa” dalam menghasilkan respons teks terhadap pertanyaan berbasis teks.

Usaha ini bukan yang pertama jenisnya, karena fungsi LLM sebelumnya telah dieksplorasi dalam menjawab pertanyaan bebas yang diajukan oleh dokter. Namun, perangkat lunak sebelumnya yang dikembangkan untuk lokalisasi lesi cukup terbatas dalam ruang lingkup. Tujuan studi ini adalah mengevaluasi kemampuan GPT‑4 dalam lokalisasi lesi stroke akut berdasarkan presentasi klinis, sehingga menunjukkan peran potensial AI sebagai alat klinis dalam neurologi di masa depan.

Potensi Besar

Dalam studi ini, peneliti mengumpulkan riwayat kesehatan dan pemeriksaan fisik neurologis dari 46 kasus yang dipublikasikan dari pasien yang mengalami stroke. Data tekstual ini kemudian dimasukkan ke dalam GPT‑4. Dengan menggunakan teknik prompting Zero‑Shot Chain‑of‑Thought dan Text Classification, model diminta menjawab tiga pertanyaan spesifik tentang setiap pasien, yang diulang tiga kali: apakah peserta memiliki satu atau beberapa lesi, di sisi mana otak lesi berada, dan di wilayah otak mana lesi ditemukan.

Setelah membandingkan hasil GPT‑4 dengan pemindaian otak masing‑masing peserta, peneliti menemukan bahwa hasilnya cukup memuaskan, kecuali untuk lesi di otak kecil dan sumsum tulang belakang.

GPT‑4 menunjukkan tingkat akurasi tinggi dalam mengidentifikasi lokasi lesi otak untuk mayoritas kasus, mencapai spesifisitas 87% (persentase negatif yang teridentifikasi dengan benar) dan sensitivitas 74% (persentase positif sebenarnya yang teridentifikasi dengan benar). Model ini juga mencapai spesifisitas 94% dan sensitivitas 85% saat menentukan wilayah otak yang paling terpengaruh.

Studi lebih lanjut menemukan bahwa model secara konsisten mengidentifikasi jumlah lesi otak pada 76% peserta, lokasi lesi pada 83%, dan wilayah otak spesifik yang terlibat pada 87% kasus. Namun, ketika mengevaluasi respons model terhadap ketiga pertanyaan selama tiga percobaan untuk setiap peserta, konsistensinya menurun drastis, dengan GPT‑4 hanya mampu memberikan jawaban akurat untuk 41% peserta.

Hal ini menunjukkan bahwa LLM, seperti transformer pra‑latih generatif (GPT), “belum siap untuk digunakan di klinik.” Namun, mereka menunjukkan potensi dalam mengidentifikasi lokasi lesi pasca‑stroke dan dapat mengurangi disparitas perawatan kesehatan, berkat kemampuan mereka berfungsi dalam berbagai bahasa.

Studi ini juga menyoroti pentingnya keahlian neurologis yang semakin meningkat untuk intervensi stroke, terutama dengan lonjakan penggunaan telemedisin. Lebih jauh, model dapat membantu dalam keputusan tepat waktu untuk menilai kebutuhan studi pencitraan tambahan atau bahkan konsultasi ahli saraf.

Menurut Lee: 

“Potensi penggunaannya sangat menggembirakan, terutama karena kebutuhan besar akan perawatan kesehatan yang lebih baik di daerah yang kurang terlayani di banyak negara dimana akses ke perawatan neurologis terbatas.”

Perlu dicatat, akurasi GPT‑4 bergantung pada kualitas data yang diberikan, dan informasi detail tentang riwayat medis serta pemeriksaan neurologis mungkin tidak selalu tersedia bagi semua pasien stroke.

Studi menekankan bahwa peneliti telah bekerja dengan LLM tanpa pelatihan medis atau fine‑tuning. Selain itu, dilaporkan bahwa kasus‑kasus atipikal sering kekurangan riwayat kesehatan dan pemeriksaan neurologis yang cukup detail. Akibatnya, ketidakakuratan muncul dari informasi yang tidak memadai dalam kasus yang dipublikasikan, serta kegagalan logika atau celah dalam basis pengetahuan yang mendasarinya.

Jadi, diperlukan penelitian lebih lanjut terkait logistik, hukum, keselamatan dan privasi pasien, memastikan akurasi dan konsistensi, serta integrasi dengan alur kerja rumah sakit untuk pemanfaatan LLM yang layak di lingkungan klinis.

Klik di sini untuk mempelajari mengapa tahun 2023 menjadi tahun terobosan bagi kecerdasan buatan.

Pentingnya yang Semakin Besar & Penggunaan LLM dalam Perawatan Kesehatan

Studi ini menunjukkan hasil yang luar biasa, menampilkan contoh lain dari peran LLM yang semakin berkembang dalam perawatan kesehatan—sebuah bidang yang semakin mendapat perhatian. Pada akhirnya, mereka mengubah sektor ini dalam banyak cara. Penggunaannya secara bertahap beralih dari tahap eksplorasi ke penggunaan praktis, kini memengaruhi riset klinis dan perawatan pasien. Kapasitas mereka untuk memproses data dalam jumlah besar, memberikan wawasan real‑time, dan menghasilkan teks berkualitas manusia dengan pengetahuan profesional tertentu merevolusi sektor ini.

Dilatih pada sejumlah besar data kompleks, termasuk teks, gambar, dan video yang diperoleh dari internet, model‑model ini menemukan aplikasi serbaguna di berbagai bidang, termasuk kedokteran.

Semua ini pertama kali mendapatkan perhatian ketika OpenAI yang didukung Microsoft (MSFT ) merilis LLM pertamanya, GPT‑1, pada tahun 2018. Adopsi luasnya didorong oleh aksesibilitas publik dan kemudahan penggunaan. Fitur‑fitur ini merupakan hasil dari penerapan reinforcement learning from human feedback (RLHF) pada model, yang membantu menghasilkan output yang lebih kredibel dan mirip manusia dibandingkan pendahulunya.

Sejak peluncuran aplikasi chatbot berbasis LLM ChatGPT, beberapa perusahaan teknologi, seperti Meta (Llama), Google (BARD), Amazon (AMZN ), dan Anthropic yang didukung Salesforce (Claude), telah merilis LLM mereka masing‑masing. Sementara itu, versi terbaru OpenAI, GPT‑4, telah menunjukkan kemampuan yang ditingkatkan, seperti melampaui skor kelulusan US Medical Licensing Exam (USMLE).

Dengan itu, ChatGPT telah menunjukkan kemampuannya untuk keperluan medis, sehingga dengan fine‑tuning LLM dan memberikan pelatihan tambahan, kita dapat menggunakan LLM untuk meningkatkan perawatan pasien. Komunikasi manusia adalah bagian kunci, kemampuan GPT yang mirip manusia telah memungkinkannya cukup efektif dalam kepuasan pasien dan memungkinkan hasil klinis optimal.

Sementara memproses sejumlah besar data dapat menjadi beban bagi manusia, LLM dapat melakukannya dengan mudah dalam sebagian kecil waktu. Mereka menyederhanakan proses ini dengan mengorganisir data, memungkinkan kita memanfaatkannya dengan baik. Tidak hanya data masa lalu; LLM terus menganalisis data baru yang masuk seperti tanda vital dan gejala pasien yang dapat sangat membantu profesional kesehatan dalam membuat keputusan cepat dan real‑time.

Dengan menganalisis dataset luas dari literatur ilmiah, uji klinis, pedoman pengobatan, dan rekam medis, LLM juga mempercepat riset medis untuk membantu mengidentifikasi perawatan baru dan mengembangkan terapi yang efektif. Model‑model ini dapat membantu membuat korelasi dan mendeteksi pola yang dapat meningkatkan pemahaman kita tentang penyakit serta mempercepat riset medis.

Selain itu, model‑model ini memberikan wawasan berharga yang membantu profesional kesehatan membuat keputusan klinis, seperti diagnosis akurat dan perencanaan perawatan yang dipersonalisasi, yang pada akhirnya meningkatkan perawatan pasien. Tidak hanya profesional, LLM juga memberdayakan pasien dengan menyediakan informasi yang dapat dipahami dan mudah diakses untuk lebih memahami kondisi mereka serta memungkinkan mereka berpartisipasi dalam perjalanan perawatan kesehatan mereka.

Klik di sini untuk mempelajari apa yang membuat AI menjadi serba‑guna.

Mendorong Inovasi dalam Perawatan Kesehatan

Mengingat manfaat dan potensi yang luas, pasar AI generatif dalam perawatan kesehatan mencapai valuasi lebih dari $1 miliar pada tahun 2022 dan diperkirakan akan tumbuh menjadi $22 miliar pada tahun 2032, menurut Generative AI Tracker.

Ketika berbicara tentang penggunaan AI di sektor perangkat medis, kardiologi memimpin tren ini, dengan 57% perangkat medis berbasis AI yang disetujui FDA pada tahun 2022 berada di bidang kardiologi, menurut GlobalData. Tren ini diperkirakan akan berlanjut, dengan pengeluaran AI oleh perusahaan perangkat medis diproyeksikan tumbuh pada CAGR 20,6% antara 2019 dan 2024.

Di masa depan, kita bahkan dapat melihat integrasi AI dengan pencetakan 3D bioprinting untuk memungkinkan pembuatan organ fungsional penuh yang disesuaikan dengan kebutuhan spesifik setiap pasien.

Potensi ini telah mendorong banyak organisasi utama meluncurkan solusi berbasis AI khusus untuk industri perawatan kesehatan. Misalnya, Microsoft menyediakan solusi khusus yang disebut Nuance Dragon Ambient eXperience (DAX). Solusi ini menangkap percakapan dokter‑pasien, menerjemahkannya menjadi catatan, dan mengintegrasikannya ke dalam EHR.

Google telah meluncurkan MedLM, sebuah LLM yang difokuskan pada perawatan kesehatan dan tersedia melalui platform Vertex AI. Perusahaan tersebut sejak itu melatih model AI kesehatan terbaru mereka untuk menerapkan AI di industri perawatan kesehatan. Model ini telah digunakan oleh organisasi mitra untuk membangun solusi seperti memperlancar serah terima perawat dan mendukung dokumentasi klinisi.

Baru bulan lalu, Google menambahkan kemampuan baru ke modelnya dan meluncurkan MedLM untuk X‑ray Dada untuk mengubah cara radiologi bekerja. Ide dasarnya adalah menggunakan AI generatif untuk mendukung organisasi perawatan kesehatan dengan membantu mengkategorikan X‑ray dada untuk sejumlah kasus penggunaan.

Namun itu belum semuanya. Google Research bekerja sama dengan Fitbit untuk membangun model bahasa besar untuk kesehatan pribadi yang dapat menggerakkan fitur kebugaran di aplikasi seluler Fitbit. Model ini sedang dikembangkan untuk menawarkan pelatihan pribadi kepada semua orang berdasarkan tujuan kesehatan dan kebugaran pribadi mereka.

Amazon Web Services (AWS) juga menawarkan HealthScribe, yang menganalisis percakapan konsultasi untuk membuat ringkasan catatan klinis untuk segmen seperti penilaian, riwayat penyakit saat ini, dan rencana perawatan. Organisasi kemudian dapat mengintegrasikan catatan ini ke dalam aplikasi klinis untuk merangkum kunjungan pasien dengan lebih efisien.

Awal tahun ini, perusahaan teknologi medis Siemens Healthineers (SHL.SW ) (SHL.DE ) berkolaborasi dengan Indian Institute of Science (IISc) untuk meluncurkan Laboratorium Kolaboratif Siemens Healthineers‑Computational Data Sciences (CDS) untuk AI dalam Precision Medicine. Fokus laboratorium ini adalah mengembangkan alat AI sumber terbuka untuk mengotomatisasi segmentasi tepat temuan patologis dalam data neuroimaging. Hal ini akan membantu diagnosis yang lebih akurat terhadap penyakit neurologis dan analisis efek klinisnya.

Ini baru permulaan tren AI yang berkembang di sektor medis. Peran kecerdasan buatan diperkirakan akan jauh lebih besar. Saat ini sudah digunakan untuk menghasilkan model 3D spesifik pasien secara real‑time dalam operasi, AI akan terus berkembang untuk menawarkan pengalaman perawatan kesehatan interaktif yang mengubah edukasi dan keterlibatan pasien. Bahkan dalam penyuntingan genom, AI diperkirakan akan melampaui analisis data genetik kompleks untuk memberikan prediksi asosiasi gen‑penyakit yang lebih akurat bagi penyuntingan gen yang sangat disesuaikan.

Sesi terapi realitas virtual imersif berbasis AI untuk perawatan kesehatan mental adalah cara lain teknologi ini dapat dimanfaatkan di sektor. Selanjutnya, ada nanobot yang dapat memanfaatkan AI untuk mengidentifikasi dan menangani berbagai kondisi medis pada tahap awal.

Namun, penerapan LLM dalam perawatan kesehatan tidak lepas dari kekhawatiran. Ada masalah etika terkait privasi, transparansi, dan keamanan yang harus diwaspadai oleh peneliti, profesional kesehatan, dan organisasi medis. Model ini juga dapat digunakan untuk menyebarkan disinformasi karena kurangnya akuntabilitas, yang juga harus dipertimbangkan. Tidak kalah penting, terdapat keterbatasan inheren dalam mereproduksi bias yang ada.

Pemerintah di seluruh dunia sedang bekerja mengatasi isu‑isu yang ditimbulkan oleh AI. Eropa telah menciptakan kerangka hukum untuk AI, sementara Departemen Kesehatan dan Perawatan Sosial Inggris berencana meningkatkan transparansi data yang digunakan dalam pengembangan perangkat medis berbasis AI.

Klik di sini untuk mempelajari tentang sinergi yang berkembang antara AI & neurologi.

Kesimpulan

LLM sudah mulai banyak digunakan dalam industri medis, dan diperkirakan akan terus tumbuh dalam hal adopsi dan dampak. Namun, penting agar model‑model ini digunakan secara bertanggung jawab dan data yang mendasarinya memiliki kualitas tertinggi tanpa bias inheren maupun disinformasi, untuk memberikan hasil yang lebih akurat dan hasil pasien yang lebih baik.

Klik di sini untuk mempelajari semua tentang investasi dalam kecerdasan buatan.