La Sociedad Americana del Cáncer está apostando por el potencial de la IA generativa para acelerar la investigación del cáncer, habiendo alcanzado una colaboración de varios años con Layer Health este mes.
Layer, con sede en Boston y fundada en 2023, es una empresa de IA en el sector de la salud que utiliza grandes modelos de lenguaje (LLMs) para mejorar la abstracción de datos y extraer información de los datos de la HCE. Trabajando juntos, los socios abstraerán datos de miles de historias clínicas de pacientes inscritos en los estudios de investigación de la Sociedad Americana del Cáncer.
Los tipos de elementos de datos que se están abstrayendo incluyen información sobre el cáncer de un paciente, como su etapa de cáncer o biomarcadores, así como información sobre el tratamiento del paciente, como sus fechas de imágenes o cirugías.
En el pasado, la Sociedad Americana del Cáncer abstraía manualmente información de las historias clínicas para llevar a cabo su investigación en prevención del cáncer. Este proceso manual llevaría más de un año, dijo el CEO de Layer, David Sontag.
La IA puede hacer que el proceso se realice mucho más rápido, señaló.
Una vez que un sistema de salud configure la plataforma de Layer para abstraer un elemento de datos dado, la IA puede ejecutarse contra miles de notas de pacientes en cuestión de horas, dijo Sontag.
En mayo del año pasado, la Sociedad Americana del Cáncer llevó a cabo un programa piloto que aplicó la IA de Layer a 200 historias clínicas de pacientes. El piloto encontró que la IA de Layer superó la abstracción humana con un 95-100% de precisión.
“La importancia de poder obtener resultados igual de precisos que los humanos, pero en una fracción del tiempo, significa que los investigadores de la ACS pueden comenzar a analizar los datos más rápido para acelerar su investigación vital. Tener una solución escalable para la abstracción también permite extraer una gama más amplia de elementos de datos de las historias clínicas, lo que permite a los investigadores plantear y responder preguntas aún más matizadas/profundas sobre la población de estudio”, explicó Sontag.
Escalando su colaboración con Layer, la Sociedad Americana del Cáncer busca acelerar su abstracción de historias clínicas, así como ampliar el alcance y el número de elementos de datos abstraídos de cada historia clínica, todo ello preservando la precisión, dijo.
Para medir el éxito de estos objetivos, Sontag señaló que Layer seguirá de cerca la precisión de la extracción para cada elemento de datos y la velocidad de respuesta de las historias clínicas.
Las generaciones de tecnología de procesamiento de lenguaje natural que vinieron antes de LLMs no generalizaban bien a través de los registros de pacientes de diferentes sistemas de salud, solo funcionando bien si los datos de entrada estaban muy estandarizados, señaló Sontag.
“Los LLMs son más flexibles y contextualmente conscientes. Esto permite a los LLMs funcionar de manera sólida incluso cuando los datos de miles de clínicas y hospitales diferentes se ven diferentes, lo que permite escalar este trabajo”, declaró.
Foto: Carol Yepes, getty Images