Հիվանդանոցների աշխատանքի հիմքում տեղեկատվությունն է։ Պացիենտների բժշկական տվյալները, ախտորոշիչ պատկերները, լաբորատոր հետազոտությունների արդյունքները և կլինիկական նշումները դարձել են այնքան ծավալուն, որ որևէ բուժաշխատող այլևս չի կարող դրանք ամբողջությամբ մշակել միայնակ։ Առողջապահության ոլորտում գեներատիվ ԱԲ-ն փոխում է այս իրավիճակը: Այս գործիքներն օգնում են կլինիկական մասնագետներին աշխատել ավելի արագ, նվազեցնել վարչական ծախսերը և արագացնել նոր դեղամիջոցների հայտնաբերումը: Այս ուղեցույցը ներկայացնում է գեներատիվ արհեստական բանականության ամենակարևոր կիրառությունները և վաղ կիրառողների գրանցած արդյունքները։ Այն նաև անդրադառնում է այն էթիկական հարցերին, որոնք յուրաքանչյուր առողջապահական համակարգ պետք է քննարկի և լուծի՝ նախքան արհեստական բանականության լայնածավալ ներդրումը կլինիկական գործընթացներում։
Ինչ է իրականում նշանակում գեներատիվ ԱԲ-ն առողջապահության ոլորտում
Գեներատիվ ԱԲ-ն վերաբերում է այն մոդելներին, որոնք մեծածավալ տվյալների բազաների վրա վարժեցվելուց հետո ստեղծում են նոր բովանդակություն՝ տեքստ, պատկերներ, կոդ կամ աուդիո: Առողջապահության ոլորտում ծրագրավորողներն այս մոդելները վարժեցրել են կլինիկական նշումների, բժշկական գրականության, ախտորոշիչ պատկերների և պացիենտների էլեկտրոնային առողջապահական քարտերի տվյալների վրա: Որպես արդյունք, դրանք շատ ավելին կարող են անել, քան պարզապես պահպանված տեղեկատվության որոնումն ու դուրսբերումը: Դրանք կազմում են նոր տեքստեր և համադրում ապացույցներ հազարավոր գիտահետազոտական աշխատություններից: Ավելին, դրանք գեներացնում են հավանական ախտորոշիչ վարկածներ՝ հիմնվելով պացիենտի ամբողջական բժշկական պատմության վրա:
Այս հնարավորությունն էլ հենց տարբերակում է գեներատիվ ԱԲ-ն նախկինում կիրառվող՝ կլինիկական որոշումների կայացմանն աջակցող գործիքներից: Ավանդական՝ կանոնների վրա հիմնված համակարգերը զգուշացնում էին դեղամիջոցների փոխազդեցության մասին կամ ընդգծում լաբորատոր շեղված արդյունքները: Գեներատիվ արհեստական բանականությունը, սակայն, ունակ է ազատ տրամաբանական վերլուծությունների: Այն կարդում է պացիենտի ամբողջական բժշկական քարտը և կազմում դուրսգրման ամփոփագիր, առաջարկում դիֆերենցիալ ախտորոշում կամ կազմում ուղեգրման նամակ, և այս ամենը՝ վայրկյանների ընթացքում:
Այսօրվա առաջատար կլինիկական մոդելներն են՝ GPT-4-ը, Google-ի Med-PaLM-ը և բժշկական տվյալների բազաների վրա վարժեցված բաց կոդով (open-source) այլընտրանքները: Բացի այդ, մուլտիմոդալ մոդելները, որոնք համատեղում են տեքստի և պատկերների մշակումը, տպավորիչ արդյունքներ են գրանցում ռադիոլոգիայում և պաթոլոգիայում: Ավելի լայն պատկերացում կազմելու համար, թե ինչպես են այս մոդելները տարբերվում արհեստական բանականության ավելի վաղ ճարտարապետություններից, կարող եք ծանոթանալ agentic AI-ի և generative AI-ի համեմատությանը ներկայացնող ուղեցույցին։
Դեղամիջոցների հայտնաբերումը մեկ այլ ոլորտ է, որտեղ գեներատիվ ԱԲ-ն արդեն իսկ թողնում է իր վաղ ազդեցությունը: Դեղամիջոցների մշակման ավանդական փուլերը տևում են տասից տասնհինգ տարի և արժենում միլիարդավոր դոլարներ: Գեներատիվ մոդելները կարող են օրերի ընթացքում վերլուծել միլիոնավոր մոլեկուլային թեկնածուներ, հայտնաբերել խոստումնալից միացություններ և կանխատեսել, թե ինչպես կձևավորվեն սպիտակուցները տարբեր պայմաններում: Որպես արդյունք, մի շարք դեղագործական ընկերություններ այժմ օգտագործում են ԱԲ-ի կողմից գեներացված վարկածները՝ որպես մեկնարկային կետ իրենց լաբորատոր հետազոտական ծրագրերի համար:
Գեներատիվ արհեստական բանականության կիրառման օրինակներն առողջապահության մեջ. ախտորոշումից մինչև փաստաթղթավորում
Առողջապահության ոլորտում գեներատիվ արհեստական բանականության կիրառման շրջանակը լայն է: Այնուամենայնիվ, այսօր առավել կայացած լուծումները կենտրոնացած են երեք ոլորտներում՝ փաստաթղթավորում, ախտորոշիչ աջակցություն և պացիենտների հետ հաղորդակցություն:
Կլինիկական փաստաթղթավորումը ամենաակնհայտ վաղ ձեռքբերումն է: Միացյալ Նահանգներում բժիշկները միջինում երկու ժամ են տրամադրում փաստաթղթավորմանը՝ պացիենտի անմիջական խնամքին հատկացված յուրաքանչյուր մեկ ժամի դիմաց: Ֆոնային ռեժիմով աշխատող (ambient) ԱԲ գործիքները, ինչպիսին է օրինակ Microsoft DAX Copilot-ը, լսում են պացիենտների խորհրդատվությունները և իրական ժամանակում ստեղծում կառուցվածքային կլինիկական նշումներ: Վաղ կիրառողների շրջանում անցկացված ուսումնասիրությունները վկայում են փաստաթղթավորման վրա ծախսվող ժամանակի 30-50 տոկոսով կրճատման մասին: Այս բարելավումն ուղղակիորեն վերածվում է պացիենտներին տրամադրվող լրացուցիչ ժամերի:
Ախտորոշիչ աջակցությունը մեծ ազդեցություն ունեցող երկրորդ ուղղությունն է: Գեներատիվ ԱԲ մոդելները կարող են նշմարել շեղումները կրծքավանդակի ռենտգեն, մամոգրաֆիկ և համակարգչային տոմոգրաֆիայի (ՀՏ/CT) պատկերներում: Վերահսկվող պայմաններում դրանց ճշգրտությունը չի զիջում նեղ մասնագետ ռադիոլոգների ճշգրտությանը: Ավելին, սահմանափակ ռեսուրսներով միջավայրերում, որտեղ նեղ մասնագետների հասանելիությունը սակավ է, ԱԲ աջակցությամբ սկրինինգը կարող է զգալիորեն ընդլայնել ախտորոշիչ ծառայությունների հասանելիությունը խոցելի բնակչության համար:
Պացիենտների հետ հաղորդակցությունը երրորդ աճող կատեգորիան է: ԱԲ գործիքներն այժմ հարմարեցնում են կրթական նյութերը, դուրսգրման ցուցումները և դեղամիջոցների վերաբերյալ ամփոփագրերը յուրաքանչյուր անհատի գրագիտության մակարդակին, նախընտրած լեզվին և առողջական վիճակին: Այս գործիքները կիրառող հիվանդանոցները զեկուցում են պացիենտների բավարարվածության ավելի բարձր ցուցանիշների և կանխարգելվող կրկնակի հոսպիտալացումների չափելի նվազման մասին:
Ինչպես են հիվանդանոցներն օգտագործում ԱԲ-ն վարչական ծախսերը կրճատելու համար
JAMA ամսագրում հրապարակված հետազոտության համաձայն՝ Միացյալ Նահանգներում առողջապահական ընդհանուր ծախսերի մոտավորապես 34 տոկոսը բաժին է ընկնում վարչական առաջադրանքներին: Գեներատիվ արհեստական բանականությունը հատկապես լավ է հարմարեցված այս խնդրի լուծմանը, քանի որ վարչական աշխատանքի մեծ մասը կառուցվածքային տեքստերի ստեղծումն է:
Նախնական թույլտվության (prior authorisation) գործընթացը ԱՄՆ առողջապահության ոլորտում ամենաշատ ժամանակ պահանջող գործընթացներից մեկն է: Բժիշկներն ու անձնակազմը ժամեր են ծախսում փաստաթղթեր հավաքելու վրա, որպեսզի ապահովագրական ընկերություններին հիմնավորեն բուժման վերաբերյալ որոշումները: ԱԲ գործիքներն ավտոմատ կերպով հավաքում են անհրաժեշտ կլինիկական ապացույցները պացիենտի առողջական քարտից և գեներացնում են համապատասխան ձևաչափով թույլտվության հարցում: Արդյունքում, այս գործիքները ներդրած համակարգերում հաստատման ժամկետները օրերից կրճատվում են մինչև ժամերի:
Բժշկական կոդավորումը և հաշիվների դուրսգրումը (billing) ևս մեկ ոլորտ է, որտեղ ԱԲ-ն չափելի արդյունքներ է ապահովում: Գեներատիվ ԱԲ մոդելները կարդում են կլինիկական նշումները և բարձր ճշգրտությամբ առաջարկում ICD-10 և CPT հաշվարկային կոդեր՝ նվազեցնելով մերժված ապահովագրական հայտերի թիվը: Բացի այդ, այս գործիքները նշմարում են թերկոդավորումը (undercoding)՝ երբ հաշվարկային բաժնի անձնակազմը բաց է թողնում հիմնավորված վճարները, ինչն օգնում է հիվանդանոցներին վերականգնել այն եկամուտները, որոնք հակառակ դեպքում կկորչեին:
Անձնակազմի միջև հաղորդակցությունը երրորդ գործառնական թիրախն է: ԱԲ-ի կողմից գեներացված հերթափոխի փոխանցման ամփոփագրերը, մահճակալների կառավարման հաշվետվությունները և պացիենտների կարգավիճակի թարմացումները նվազեցնում են սխալների ռիսկը խնամքի փուլերի փոխանցման ժամանակ: Բացի այդ, դրանք ազատում են բուժքույրերին և համակարգողներին հաշվետվություններ գրելուց՝ թույլ տալով զբաղվել պացիենտների անմիջական խնամքով: Այս բոլոր վարչական ձեռքբերումները միասին ներդրման համար համոզիչ ֆինանսական հիմնավորում են ստեղծում՝ նախքան անգամ կլինիկական օգուտները հաշվի առնելը:
ԱԲ-ի էթիկական խնդիրներն առողջապահության ոլորտում. հարցեր, որոնց բուժհաստատությունները պետք է անդրադառնան
Առողջապահության ոլորտում ԱԲ-ի էթիկական խնդիրները տեսական չեն: Դրանք արդեն իսկ ակնհայտ են ներդրված համակարգերում և պահանջում են հստակ կառավարում, նախքան որևէ հաստատություն կմասշտաբավորի այս գործիքները կլինիկական աշխատանքային գործընթացներում:
Կողմնակալությունը ամենաշատ փաստագրված խնդիրն է: Պատմական տվյալների վրա վարժեցված ԱԲ մոդելները ժառանգում են այդ տվյալներում առկա կողմնակալությունները: Ուսումնասիրությունները ցույց են տվել, որ որոշակի ախտորոշիչ ալգորիթմներ զգալիորեն ավելի վատ են աշխատում սևամորթ պացիենտների դեպքում, քան սպիտակամորթների, քանի որ վարժեցման տվյալների բազաներում փոքրամասնությունների խմբերը թերի են ներկայացված եղել: Հետևաբար, գեներատիվ ԱԲ ներդնող ցանկացած առողջապահական համակարգ պետք է աուդիտի ենթարկի իր վարժեցման տվյալները՝ դեմոգրաֆիկ ներկայացվածությունը ստուգելու համար: Այն նաև պետք է փորձարկի մոդելի արդյունավետությունը պացիենտների տարբեր ենթախմբերում՝ նախքան համակարգի վերջնական գործարկումը:
Գաղտնիության պահպանումը երկրորդ կարևորագույն խնդիրն է: Գեներատիվ ԱԲ մոդելները պահանջում են հասանելիություն պացիենտների մեծածավալ տվյալներին ինչպես վարժեցման, այնպես էլ շահագործման փուլերում: Այնուամենայնիվ, պացիենտների իրական բժշկական քարտերի ներմուծումը կոմերցիոն ԱԲ համակարգեր առաջ է քաշում HIPAA-ի, GDPR-ի և այլ երկրների համանման իրավական համակարգերի պահանջներին համապատասխանության հարցեր: Առողջապահական համակարգերը պետք է սահմանեն տվյալների կառավարման հստակ քաղաքականություն նախքան համակարգի ներդրումը, այլ ոչ թե որևէ միջադեպից հետո:
Պատասխանատվությունը երրորդ հրատապ հարցն է: Երբ ԱԲ համակարգը նպաստում է ախտորոշիչ սխալի առաջացմանը, հաստատությունները պետք է հստակորեն սահմանեն պատասխանատվությունը՝ այն վերագրելով բժշկին, հիվանդանոցին, թե ԱԲ-ն տրամադրող ընկերությանը: Կարգավորող մարմիններն արդեն սկսում են պաշտոնական լուծումներ տալ այս հարցին: FDA-ն հրապարակել է ուղեցույց «ծրագրային ապահովումը որպես բժշկական սարք» (software as a medical device) հայեցակարգի վերաբերյալ, որը պատասխանատվությունը դնում է համակարգը ներդնող հաստատության վրա: Ավելին, ԵՄ ԱԲ ակտը (EU AI Act) կլինիկական ԱԲ-ն դասակարգում է որպես բարձր ռիսկային՝ պահանջելով համապատասխանության գնահատում նախքան Եվրոպայում որևէ ներդրում իրականացնելը:
Իրական արդյունքներ առողջապահության ոլորտում վաղ կիրառողներից
Դուրս գալով փորձնական ծրագրերի շրջանակներից՝ առողջապահական համակարգերի աճող թիվն արդեն հրապարակում է գեներատիվ ԱԲ-ի ներդրման գործնական արդյունքները: Այս տվյալները այլ հաստատություններին տրամադրում են հստակ նշաձողեր՝ սեփական ցուցանիշները գնահատելու համար:
Mayo Clinic-ը համագործակցել է Microsoft-ի հետ՝ ստացիոնարի բժիշկների համար ԱԲ-ի կողմից գեներացված կլինիկական ամփոփագրեր ներդնելու նպատակով: Արդյունքները ցույց են տվել, որ կլինիկական մասնագետների կողմից հիվանդության պատմությունների գրառումները վերանայելու վրա ծախսվող ժամանակը մինչև շրջայցերը կրճատվել է 40 տոկոսով: Ավելին, հերթափոխի փոխանցման փաստաթղթերում սխալների հաճախականությունը նվազել է վիճակագրորեն նշանակալի չափով, ինչը վկայում է արդյունավետության բարձրացմանը զուգահեռ նաև անվտանգության իրական օգուտների մասին:
Միացյալ Թագավորությունում ԱԲ-ի աջակցությամբ ռադիոլոգիական հաշվետվություններ կազմող NHS հիմնադրամները (NHS Trusts) կրծքավանդակի ռենտգենի պատասխանների տրամադրման ժամանակը 48 ժամից կրճատել են մինչև չորս ժամից պակաս: Արդյունքում, պացիենտներն ավելի արագ են ստացել ախտորոշումը, և բուժման վերաբերյալ որոշումներն ավելի վաղ են կայացվել: Այս տպավորիչ նախնական արդյունքներից հետո ծրագիրն այժմ ընդլայնվում է նաև այլ հիմնադրամներում:
Ցածր եկամուտ ունեցող միջավայրերում ազդեցությունը կարող է էլ ավելի ընդգծված լինել: Քենիայում անցկացված հետազոտությունը փորձարկել է արգանդի վզիկի քաղցկեղի՝ ԱԲ-ի աջակցությամբ սկրինինգը սմարթֆոնների տեսախցիկների և գեներատիվ վիզուալ մոդելի միջոցով: Այն արձանագրել է վարժեցված նեղ մասնագետների ցուցանիշներին համադրելի զգայունություն: Այս մոտեցումը իրատեսական ուղի է առաջարկում սկրինինգի բացը լրացնելու այն տարածաշրջաններում, որտեղ նեղ մասնագետների հասանելիությունը խիստ սահմանափակ է, ներառյալ Սահարայից հարավ գտնվող Աֆրիկայի և Հարավային Ասիայի շատ շրջաններ:
Գեներատիվ արհեստական բանականության ընդունման խոչընդոտները և առողջապահության ոլորտում հաջորդ քայլերը
Չնայած այս խոստումնալից արդյունքներին՝ գեներատիվ ԱԲ-ի ներդրումն առողջապահության ոլորտում դեռևս անհամաչափ է: Մի քանի կառուցվածքային խոչընդոտներ դանդաղեցնում են առաջընթացը փորձնական փուլից մինչև համակարգային մասշտաբով կիրառում:
Հնացած էլեկտրոնային առողջապահական քարտերի համակարգերի հետ ինտեգրումը տեխնիկական ամենատարածված «նեղ տեղն» է (bottleneck): Հիվանդանոցների մեծ մասն աշխատում է 2000-ական և 2010-ական թվականների EHR (էլեկտրոնային առողջապահական քարտերի) հարթակներով, որոնք ստեղծվել են ժամանակակից ԱԲ գործիքների ի հայտ գալուց շատ առաջ: Դրանց միացումը պահանջում է զգալի ինժեներական ջանքեր, իսկ փոխգործելիության (interoperability) ստանդարտները դեռևս հատվածային են: Ավելին, հանրային առողջապահության համակարգերում գնումների փուլերը կարող են տարիներ ավելացնել ներդրման ժամկետներին, նույնիսկ երբ կլինիկական անհրաժեշտությունն ակնհայտ է:
Բժշկական վստահությունը երկրորդ խոչընդոտն է։ Բժիշկները պետք է հասկանան, թե ինչպես է մոդելը հանգել այս կամ այն եզրակացությանը, նախքան դրա հիման վրա գործելը: «Սև արկղ» ԱԲ-ն (Black-box AI), որտեղ տրամաբանությունն ամբողջությամբ անթափանց է, արժանանում է ուժեղ դիմադրության այն բժիշկների կողմից, ովքեր սովոր են հիմնավորել յուրաքանչյուր կլինիկական որոշում: Հետևաբար, բացատրելի ԱԲ (Explainable AI) մեթոդները, որոնք վեր հանելով ցույց են տալիս յուրաքանչյուր հանձնարարականի հիմքում ընկած ապացույցներն ու տրամաբանությունը, լայն ներդրման գործնական նախապայման են, այլ ոչ թե պարզապես ցանկալի գործառույթ:
Նայելով առաջ՝ հաջորդ երեք տարիների ընթացքում գեներատիվ ԱԲ-ն, ամենայն հավանականությամբ, փորձնական ծրագրերից կանցնի համակարգային մասշտաբով ներդրման՝ թվային առումով առավել զարգացած առողջապահական համակարգերում: Մուլտիմոդալ մոդելները, որոնք համատեղում են տեքստը, պատկերները, գենոմային և կրելի (wearable) սարքերի տվյալները, կբացահայտեն ախտորոշիչ այնպիսի հնարավորություններ, որոնք շատ ավելին են, քան այսօրվա նեղ մասնագիտացված գործիքները: Այնուամենայնիվ, այն առողջապահական համակարգերը, որոնք հիմա ներդրումներ են կատարում կառավարման, տվյալների ենթակառուցվածքների և կլինիկական վերապատրաստումների մեջ, պատրաստ կլինեն այդ արժեքն անվտանգ կերպով յուրացնելու համար: Վաղ նախապատրաստումը էական նշանակություն ունի այն հարցում, թե որքան արագ և պատասխանատու կերպով հաստատությունը կկարողանա մասշտաբավորել ԱԲ-ն:
Կլինիկական արհեստական բանականության կարգավորման հեռանկարը
Կլինիկական ԱԲ-ի կարգավորման դաշտը նույնպես արագ տեմպերով զարգանում է: Միացյալ Նահանգներում FDA-ն մինչև 2024 թվականը հաստատել է ԱԲ հնարավորություններով օժտված ավելի քան 700 բժշկական սարք: Եվրոպայում ԵՄ ԱԲ ակտը պահանջում է համապատասխանության գնահատում բարձր ռիսկային ԱԲ համակարգերի, այդ թվում՝ կլինիկական հավելվածների համար: Հետևաբար, այն հաստատությունները, որոնք հիմա են ձևավորում իրենց կառավարման համակարգերը, նոր կանոնակարգերի ուժի մեջ մտնելուն պես կունենան համապատասխանության ապահովման ավելի հարթ ուղի:
Բացի այդ, կլինիկական միջավայրում մշակված փաստաթղթերի գեներացման հնարավորություններն արդեն իսկ տարածվում են այլ ոլորտներում: Օրինակ՝ ամփոփագրերի կազմման նույն տրամաբանությունը, որն առաջին անգամ կիրառվել է բժշկության մեջ, այժմ խթանում է գեներատիվ ԱԲ-ի առաջընթացը հաճախորդների սպասարկման ոլորտում: ԱԲ տեխնոլոգիաների զարգացման ուղղությունների մասին ավելի լայն պատկերացում կազմելու համար կարող եք ընթերցել ԱԲ գործակալների 2026 թվականի ճանապարհային քարտեզի մեր վերլուծությունը: