ChatGPT für das Gesundheitswesen: Singapurs NUHS nutzt KI, um die Produktivität von Klinikern zu steigern

Das National University Health System in Singapur (NUHS) nutzt die Technologie der künstlichen Intelligenz, um die Produktivität von Klinikern zu verbessern. Im Herzen dieses Ziels steht sein neu gestartetes, auf Gesundheitsdienstleister zugeschnittenes GPT.

Berichte am Montag enthüllten NUHS hat ein ChatGPT-ähnliches Tool gestartet, das Gesundheitsdienstleistern helfen kann, Patientenfallnotizen in Sekunden zusammenzufassen. Das große Sprachmodell mit dem Namen „RUSSELL-GPT“ kann auch kohärente Überweisungsschreiben für Ärzte aus den Zusammenfassungen verfassen.

RUSSELL-GPT wurde speziell darauf trainiert, Unterstützung und Antworten auf Fragen im Zusammenhang mit medizinischen Zuständen und klinischen Leitlinien zu bieten, so der Bericht. Das KI-Modell wird bereits im NUHS-Patientenverlauf-Vorhersage-KI-Modell verwendet, um individuelle Gesundheitsreisen von Patienten aus historischen Daten zu analysieren. 

„Von der Synthese präziser lokaler medizinischer Kenntnisse bis zur Reduzierung der administrativen Arbeit unserer Ärzte und Krankenschwestern wird dieses LLM sowohl Gesundheitsarbeitern als auch Patienten zugutekommen“, sagt der außerordentliche Professor und Gruppen-CTO bei NUHS, Ngiam Kee Yuan.

NUHS baut ChatGPT-ähnliches Tool, um medizinische Arbeitsabläufe zu erleichtern

Das neue KI-Tool soll angeblich auf der petabyte-großen Prescience-Supercomputing-Infrastruktur von NUHS aufgebaut sein, die im Juli voll betriebsbereit wurde. Die Supercomputing-Einrichtung beherbergt auch SMILE AI, ein weiteres KI-gestütztes 3D-Zahndiagramm-Modell, das die Position des Zahnzustands im Mund zeigen kann. 

Der Direktor für Strategie, Planung und Engagement am NSCC, Bernard Tan, sagte zum Einsatzfall des Supercomputers in der KI: 

„Die Einführung des NUHS-Supercomputers ist zeitgemäß aufgrund des allzeit hohen Interesses an [g]enerativer KI und insbesondere aufgrund der weltweiten Nachfrageknappheit nach den Rechenressourcen, die für den Antrieb solcher KI-gesteuerter Technologien benötigt werden.“

NUHS sucht derzeit nach Möglichkeiten, den Einsatzfall von RUSSELL-GPT zu erweitern, indem es es schrittweise in seinem Cluster bereitstellt. In der Zukunft beabsichtigt die Gesundheitseinrichtung angeblich, das Tool zur Analyse und Vorhersage der Schwere und des Verlaufs häufiger Gesundheitszustände wie Harnwegsinfektionen zu nutzen. 

RUSSELL-GPT fügt nun der kurzen Liste der großen Sprachmodelle hinzu, die darauf ausgelegt sind, medizinische Fachkräfte zu unterstützen.

Im Juni berichtete Cryptopolitan, dass UNC Health in Zusammenarbeit mit Epic und Microsoft ein LLM pilotiert, um Burnout bei Klinikern zu reduzieren und die Beziehung zwischen Patient, Gesundheit und Anbieter zu verbessern. Das KI-Tool erreicht dies, indem es Klinikern beim Entwurf von Antworten auf Patientenkommunikation hilft, unter anderem Fähigkeiten.

Letzten Monat unterzeichnete auch Singapurs Integrated Health Information Systems ein Memorandum of Understanding mit Microsoft, um intelligente Anwendungen mit generativer KI zu entwickeln, wovon eine eine GPT ist, die Aufgaben automatisieren und Arbeitsabläufe von Klinikern transformieren kann.

Das Problem mit KI-Modellen im Gesundheitswesen

Künstliche Intelligenz wird im Gesundheitswesen und darüber hinaus als enorm vorteilhaft angesehen. Die Entwicklung von LLMs ist nur eine der am meisten erforschten Anwendungen der Technologie. Trotz der vielversprechenden Anwendungsfälle haben einige Forscher jedoch festgestellt, dass KI-generierte medizinische Informationen einige Risiken bergen könnten. 

Forscher des MIT lernten kürzlich, dass KI-Modelle das Potenzial haben, Ungleichheiten und Verzerrungen in der medizinischen Diagnose und Behandlung zu verschärfen, insbesondere für unterrepräsentierte Untergruppen. Verzerrungen können sich darauf auswirken, wie bestimmte Personen oder Gruppen behandelt werden.

In ihrer Analyse entdeckten die Forscher vier Arten von Subpopulation-Verschiebungen, die Verzerrungen mit KI-Modellen verursachen. Dazu gehören spurious Korrelationen, Attributungleichgewicht, Klassenungleichgewicht und Attributverallgemeinerung. Nach Ansicht des Teams müssen diese Verschiebungen angegangen werden, um Gleichheit mit KI-Modellen im medizinischen Bereich zu erreichen.