Kunnen grote taalmodellen (LLM) neurologen helpen bij het analyseren van beroertepatiënten?

Kunstmatige intelligentie (AI) is een van de grootste technologische doorbraken van dit decennium. De lancering van ChatGPT heeft AI bijzonder naar de mainstream geduwd, met toepassingen die zich uitstrekken over diverse sectoren, waaronder de gezondheidszorg. Opmerkelijk is dat neurologen waarschijnlijk aanzienlijk zullen profiteren van het gebruik van AI om nauwkeurig de locaties van beroertes in de hersenen te bepalen, zoals geopenbaard door een recente studie.

Als we het over beroertes hebben, zijn ze 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. Naast sterfte kunnen beroertes ook langdurige invaliditeit veroorzaken. Het identificeren van de locatie van de beroerte in de hersenen kan daarom helpen de langetermijneffecten te voorspellen, die sterk kunnen variëren, van het belemmeren van iemands mobiliteit tot het beïnvloeden van taal- en spraakvaardigheden. Bovendien kan AI helpen de prognose van een persoon te bepalen en de beste behandeling te kiezen.

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

Om dit gat te dichten, zei studienauteur Jung-Hyun Lee, MD, een lid van de American Academy of Neurology en de State University of New York, Downstate Health Sciences University in Brooklyn: “we wilden bepalen of GPT-4 nauwkeurig hersenlaesies na een beroerte kon lokaliseren op basis van iemands medische geschiedenis en een neurologisch onderzoek.” 

Andere deelnemers aan de studie omvatten 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 Computationele Biologie en Bio-informatica aan het Wu-Tsai Institute; en William W. Lytton, MD, afdeling Neurologie aan de State University of New York Downstate Health Sciences University en afdeling Neurologie aan Kings County Hospital.

Gepubliceerd in het online tijdschrift Neurology® Clinical Practice van de American Academy of Neurology, toonde de studie de mogelijkheid van AI om tekst van neurologische onderzoeken en medische geschiedenissen te verwerken om de locatie van de laesie in de hersenen te identificeren. 

Voor dit onderzoek gebruikte het team het grote taalmodel (LLM) GPT-4. Deze generatieve voorgetrainde transformer is getraind op enorme hoeveelheden data en heeft “opmerkelijke capaciteiten” getoond in het genereren van tekstuele antwoorden op tekstgebaseerde vragen.

Deze onderneming is niet de eerste in zijn soort, aangezien de functionaliteit van LLM’s eerder is onderzocht bij het beantwoorden van open vragen van artsen. Eerdere software voor laesielokalisatie was echter vrij beperkt in scope. Het doel van deze studie is de capaciteit van GPT‑4 te evalueren bij het lokaliseren van acute beroerte‑laesies op basis van klinische presentatie, waarmee de potentiële rol van AI als klinisch hulpmiddel in de neurologie voor de toekomst wordt aangetoond.

Groot Potentieel

In deze studie verzamelden onderzoekers de medische geschiedenissen en neurologische lichamelijke onderzoeken van 46 gepubliceerde gevallen van personen die een beroerte hadden gehad. Deze tekstuele data werd vervolgens ingevoerd in GPT-4. Met behulp van Zero-Shot Chain-of-Thought en Text Classification prompting‑technieken kreeg het model de taak om drie specifieke vragen over elke patiënt te beantwoorden, drie keer herhaald: of een deelnemer één of meerdere laesies had, aan welke kant van de hersenen de laesies zich bevonden, en in welk hersengebied de laesies waren gevonden. 

Bij het vergelijken van de GPT‑4‑resultaten met de hersenscans van elke deelnemer vonden de onderzoekers dat de resultaten redelijk bevredigend waren, behalve voor laesies in het cerebellum en het ruggenmerg.

GPT‑4 toonde een hoge mate van nauwkeurigheid bij het identificeren van de locatie van de hersenlaesies voor de meerderheid van de gevallen, met een specificiteit van 87 % (percentage negatieven correct geïdentificeerd) en een sensitiviteit van 74 % (percentage daadwerkelijke positieven correct geïdentificeerd). Het model behaalde ook een specificiteit van 94 % en een sensitiviteit van 85 % bij het bepalen van de meest getroffen hersengebieden.

De studie vond bovendien dat het model consequent het aantal hersenlaesies identificeerde bij 76 % van de deelnemers, de locatie van laesies bij 83 %, en de specifieke hersengebieden bij 87 % van de gevallen. Echter, bij het evalueren van de antwoorden van het model op alle drie de vragen over drie pogingen per deelnemer, daalde de consistentie drastisch, waarbij GPT‑4 slechts nauwkeurige antwoorden kon geven voor 41 % van de deelnemers. 

Dit duidt erop dat LLM’s, zoals generatieve voorgetrainde transformers (GPT), “nog niet klaar zijn voor gebruik in de kliniek.” Desondanks tonen ze potentie bij het identificeren van de locatie van laesies na een beroerte en kunnen ze gezondheidsverschillen verminderen, dankzij hun vermogen om in verschillende talen te functioneren. 

De studie benadrukt ook het groeiende belang van neurologische expertise voor beroerte‑interventie, vooral met een toename in het gebruik van telemedicine. Bovendien kan het model helpen bij tijdige beslissingen om de noodzaak van extra beeldvormende onderzoeken of zelfs een consult met een neuroloog te beoordelen. 

Volgens Lee: 

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

Opmerkelijk is dat de nauwkeurigheid van GPT‑4 afhangt van de kwaliteit van de ingevoerde data, en gedetailleerde informatie over medische geschiedenis en neuro‑examens mogelijk niet altijd beschikbaar is voor iedereen die een beroerte heeft gehad. 

De studie benadrukte dat de onderzoekers hebben gewerkt met een LLM zonder medische training of fine‑tuning. Daarnaast werd opgemerkt dat de rapporten van atypische gevallen vaak onvoldoende gedetailleerde medische geschiedenissen en neurologische onderzoeken bevatten. Hierdoor ontstonden onnauwkeurigheden door onvoldoende informatie in de gepubliceerde gevallen, evenals logische fouten of hiaten in de onderliggende kennisbasis.

Er is dus behoefte aan verder onderzoek op het gebied van logistiek, juridisch, patiëntveiligheid en privacy, het waarborgen van nauwkeurigheid en consistentie, en integratie met ziekenhuis‑workflows voor een levensvatbaar gebruik van LLM’s in klinische settings.

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

Groeiende Belang en Gebruik van LLM’s in de Gezondheidszorg

De studie toont uitstekende resultaten en laat opnieuw zien hoe de rol van LLM’s in de gezondheidszorg uitbreidt – een veld dat steeds meer aandacht krijgt. Ze veranderen de sector op talloze manieren. Hun gebruik verschuift geleidelijk van verkennende fasen naar praktische toepassing, en beïnvloedt nu klinisch onderzoek en patiëntenzorg. Hun vermogen om enorme hoeveelheden data te verwerken, realtime‑inzichten te bieden en tekst van menselijke kwaliteit met vakinhoud te produceren, revolutioneert de sector.

Getraind op grote hoeveelheden complexe data, waaronder tekst, afbeeldingen en video’s van internet, vinden deze modellen veelzijdige toepassingen in diverse gebieden, ook in de geneeskunde. 

Het begon aan populariteit te winnen toen OpenAI, gesteund door Microsoft (MSFT ), in 2018 zijn eerste LLM, GPT‑1, uitbracht. De brede adoptie werd gedreven door de publieke toegankelijkheid en gebruiksgemak. Deze kenmerken waren het resultaat van het integreren van reinforcement learning from human feedback (RLHF) in het model, waardoor het betrouwbaarder en menselijker output leverde dan eerdere versies.  

Sinds de lancering van de LLM‑gebaseerde chatbottoepassing ChatGPT hebben verschillende tech‑bedrijven, zoals Meta (Llama), Google (BARD), Amazon (AMZN ) en Salesforce ‑ondersteunde Anthropic (Claude), hun LLM’s uitgebracht. Ondertussen toont OpenAI’s nieuwste versie, GPT‑4, verbeterde capaciteiten, zoals het overtreffen van de slaagscore van het US Medical Licensing Exam (USMLE). 

Daarmee heeft ChatGPT zijn vermogen voor medische doeleinden aangetoond, dus door LLM’s fijn af te stemmen en extra training te geven, kunnen we LLM’s inzetten om de patiëntenzorg te verbeteren. Menselijke communicatie is een cruciaal onderdeel, en GPT’s mensachtige vermogen maakt het behoorlijk effectief in patiënttevredenheid en het mogelijk maken van optimale klinische uitkomsten.

Hoewel het verwerken van enorme hoeveelheden data voor mensen ontmoedigend kan zijn, kunnen LLM’s dit in een fractie van de tijd gemakkelijk doen. Ze stroomlijnen dit proces door de data te organiseren, waardoor we er goed gebruik van kunnen maken. Niet alleen historische data, maar LLM’s analyseren continu nieuwe, binnenkomende data zoals vitale tekenen en patiëntsymptomen, wat zorgprofessionals enorm kan helpen bij realtime en snelle beslissingen. 

Door enorme datasets te analyseren van wetenschappelijke literatuur, klinische proeven, behandelrichtlijnen en medische dossiers, versnellen LLM’s ook medisch onderzoek om nieuwe behandelingen te identificeren en effectieve therapieën te ontwikkelen. Deze modellen kunnen ook correlaties maken en patronen detecteren die ons begrip van ziekten kunnen verbeteren en medisch onderzoek kunnen versnellen. 

Bovendien bieden deze modellen waardevolle inzichten die zorgprofessionals helpen klinische beslissingen te nemen, zoals nauwkeurige diagnoses en gepersonaliseerde behandelplannen, wat leidt tot betere patiëntenzorg. Niet alleen professionals, maar LLM’s geven ook patiënten begrijpelijke en toegankelijke informatie, zodat zij hun aandoeningen beter kunnen begrijpen en actief kunnen deelnemen aan hun zorgtraject. 

Klik hier om te leren wat AI een alleskunner maakt.

Innovatie in de Gezondheidszorg Stimuleren

Gezien de enorme voordelen en het potentieel heeft de generatieve AI‑markt in de gezondheidszorg een waardering van meer dan $1 miljard in 2022 en wordt verwacht te groeien tot $22 miljard tegen 2032, volgens de Generative AI Tracker.

Wat betreft het gebruik van AI in de medische‑apparatensector, cardiologie heeft deze trend geleid, met 57 % van de AI‑geactiveerde medische apparaten die in 2022 door de FDA werden goedgekeurd, onder cardiologie, volgens GlobalData. Deze trend zal naar verwachting doorgaan, met een uitgavenstijging voor AI door medische‑apparaatbedrijven van 20,6 % CAGR tussen 2019 en 2024.

In de toekomst zouden we zelfs de integratie van AI met 3D‑bioprinting kunnen zien, waardoor volledig functionele organen op maat van elke patiënt kunnen worden gecreëerd.

Dit potentieel heeft veel mainstream‑organisaties ertoe gebracht gespecialiseerde AI‑gedreven oplossingen voor de gezondheidszorg te lanceren. Bijvoorbeeld, Microsoft biedt een gespecialiseerde oplossing genaamd de Nuance Dragon Ambient eXperience (DAX). Deze legt gesprekken tussen zorgverlener en patiënt vast, vertaalt ze naar notities en integreert ze in EHR‑systemen. 

Google heeft al zijn MedLM onthuld, een op de gezondheidszorg gerichte LLM beschikbaar via het Vertex AI‑platform. Het bedrijf traint sindsdien zijn gezondheids‑AI‑modellen op de nieuwste onderzoeken om AI toe te passen in de gezondheidszorg. Het model is door partnerorganisaties gebruikt om oplossingen te bouwen, zoals het stroomlijnen van verpleegkundige overdrachten en het ondersteunen van documentatie door clinici. 

Pas afgelopen maand heeft Google nieuwe mogelijkheden aan zijn model toegevoegd en MedLM voor borstfoto’s gelanceerd om de manier waarop radiologie werkt te veranderen. Het idee is generatieve AI te laten ondersteunen bij gezondheidsorganisaties door te helpen bij de categorisatie van borstfoto’s voor verschillende use‑cases. 

Maar dat is nog niet alles. Google Research werkt samen met Fitbit aan een groot taalmodel voor persoonlijke gezondheid dat wellness‑functies in de Fitbit‑mobiele app kan aandrijven. Dit model wordt ontwikkeld om iedereen individueel te coachen op basis van hun persoonlijke gezondheids‑ en fitnessdoelen. 

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

Eerder dit jaar heeft medisch technologiebedrijf Siemens Healthineers (SHL.SW ) (SHL.DE )  samenwerking met het Indian Institute of Science (IISc) gelanceerd om het Siemens Healthineers‑Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine op te zetten. Het laboratorium richt zich op het ontwikkelen van open‑source AI‑tools om de precieze segmentatie van pathologische bevindingen in neuro‑imaging data te automatiseren. Dit zal helpen bij een nauwkeurigere diagnose van neurologische aandoeningen en de analyse van hun klinische effect. 

Dit is slechts het begin van de groeiende AI‑trend in de medische sector. De rol van kunstmatige intelligentie zal naar verwachting veel groter worden. Momenteel wordt AI gebruikt om realtime, patiënt‑specifieke 3D‑modellen te genereren tijdens operaties; AI zal zich verder ontwikkelen om interactieve zorgervaringen te bieden die patiënteducatie en -betrokkenheid transformeren. Zelfs bij gen‑editing wordt verwacht dat AI verder gaat dan alleen het analyseren van complexe genetische data, door nauwkeurigere voorspellingen van gen‑ziekte‑associaties te leveren voor sterk gepersonaliseerde gen‑editing.

AI‑gedreven meeslepende virtual‑reality‑therapiesessies voor geestelijke‑gezondheidsbehandeling vormen een andere manier waarop de technologie in de sector kan worden ingezet. Daarnaast zijn er nanobots die AI benutten 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 gaat echter niet zonder zorgen. Er zijn ethische zorgen op het gebied van privacy, transparantie en beveiliging waar onderzoekers, zorgprofessionals en medische organisaties zich bewust van moeten zijn. Deze modellen kunnen ook worden gebruikt om desinformatie te verspreiden vanwege een gebrek aan verantwoording, wat eveneens in overweging moet worden genomen. Bovendien bestaat er een inherente beperking in het reproduceren van bestaande vooroordelen.

Overheden wereldwijd werken aan het aanpakken van de door AI veroorzaakte problemen. Europa heeft al een juridisch kader voor AI gecreëerd, terwijl het Britse Department of Health and Social Care van plan is de transparantie van data die wordt gebruikt bij de ontwikkeling van medische apparaten met AI te verbeteren.

Klik hier om meer te leren over de groeiende synergie tussen AI en neurowetenschap.

Conclusie

LLM’s worden al steeds vaker gebruikt in de medische industrie en hun adoptie en impact zullen naar verwachting blijven groeien. Het is echter belangrijk dat deze modellen verantwoord worden ingezet en dat de onderliggende data van uitmuntende kwaliteit is, zonder inherente vooroordelen of desinformatie, om nauwkeurigere resultaten en betere patiëntuitkomsten te leveren.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.