Die American Cancer Society setzt auf das Potenzial der generativen KI, Krebsforschung zu beschleunigen, nachdem in diesem Monat eine mehrjährige Zusammenarbeit mit Layer Health getroffen wurde.
Die in Boston ansässige Schicht, die im Jahr 2023 gegründet wurde, ist ein KI-Unternehmen im Gesundheitswesen, das Großspracher-Modelle (LLMs) verwendet, um die Datenabstraktion zu verbessern und Erkenntnisse aus EHR-Daten zu erhalten. In Zusammenarbeit werden die Partner Daten aus Tausenden von medizinischen Diagrammen von Patienten abstrahieren, die in die Forschungsstudien der American Cancer Society eingeschrieben sind.
Zu den Arten von Datenelementen, die abstrahiert werden, gehören Informationen über den Krebskrebs eines Patienten wie der Krebsstadium oder die Biomarker sowie Informationen über die Behandlungsreise eines Patienten, wie z.
In der Vergangenheit haben die American Cancer Society Informationen aus Diagrammen manuell abstrahiert, um ihre Krebspräventionsforschung durchzuführen. Dieser manuelle Prozess würde mehr als ein Jahr dauern, sagte David Sontag, CEO von Layer,.
KI kann den Prozess viel schneller ermöglichen, bemerkte er.
Sobald ein Gesundheitssystem die Plattform von Layer konfiguriert hat, um ein bestimmtes Datenelement abstrahieren, kann die KI innerhalb weniger Stunden gegen Tausende von Patientennoten ausgeführt werden, sagte Sontag.
Im Mai letzten Jahres führte die American Cancer Society ein Pilotprogramm durch, das die KI von Layer auf 200 Patientendiagramme angewandte. Der Pilot stellte fest, dass die KI der Layer die menschliche Abstraktion mit einer Genauigkeit von 95 bis 100% übertraf.
„Die Bedeutung, um Ergebnisse zu erzielen, die wie Menschen gleichermaßen genau sind, aber in einem Bruchteil der Zeit, dass ACS -Forscher die Daten schneller analysieren können, um ihre lebenswichtigen Forschung zu beschleunigen. Eine skalierbare Lösung für die Abstraktion ermöglicht es auch, dass ein breiterer Umfang der Datenelemente aus den Diagrammen abgerufen werden kann. Dadurch können Forscher noch differenziertere/tiefere Fragen zur Studienpopulation stellen und beantworten “, erklärte Sontag.
Durch die Skalierung ihrer Zusammenarbeit mit Layer versucht die American Cancer Society, ihre Diagrammabstraktion zu beschleunigen und den Umfang und die Anzahl der aus jedem Diagramm abstrahierten Datenelemente zu erweitern und gleichzeitig die Genauigkeit zu erhalten, sagte er.
Um den Erfolg dieser Ziele zu messen, stellte Sonont fest, dass die Schicht die Genauigkeit der Extraktion für jedes Datenelement und die Geschwindigkeit der Turnaround für die Diagramme genau verfolgt.
Die Generationen der Technologie für natürliche Sprachverarbeitung, die vor LLMs kamen, konnten nicht über Patientenaufzeichnungen verschiedener Gesundheitssysteme hinweg gut verallgemeinert – nur dann, wenn die Eingabedaten sehr standardisiert waren, betonte Sontag.
„LLMs sind flexibler und kontextuell bewusst. Dies ermöglicht LLMs, auch dann stark zu funktionieren, wenn Daten aus Tausenden verschiedener Kliniken und Krankenhäuser anders aussehen – so dass diese Arbeit skaliert werden “, erklärte er.
Foto: Carol Yepes, Getty Images
