Sztuczna inteligencja w służbie terapii pacjentów
Czas wdrożenia:
3 miesięcy
Dostawca rozwiązań: goodylabs sp. z o.o.
Asortyment farmaceutyków dostępnych na polskim rynku może przyprawić o zawrót głowy. Nadążanie za tak szerokim wachlarzem opcji, a jednocześnie nadążanie za najnowszymi badaniami nad skutecznością poszczególnych substancji czynnych, jest wyzwaniem zarówno dla lekarzy, jak i farmaceutów. Z drugiej strony pacjentom często przepisuje się terapie skojarzone, które zawierają kilka substancji czynnych w różnych lekach, co również ma wpływ na wygodę i łatwość stosowania, a tym samym na skuteczność terapii. Celem klienta było stworzenie rozwiązania, które pomagałoby specjalistom w procesie umawiania terapii, tak aby jak najbardziej ograniczyć liczbę przepisywanych leków. Zmniejszenie liczby leków przyjmowanych przez pacjenta: W toku pracy stało się jasne, że równie ważne jest zapewnienie takiego wsparcia pacjentowi – aby mógł on skonsultować się ze swoim lekarzem i ułatwić mu stworzenie dedykowanej i optymalnej terapii.Tło
Cel
Jakie wyzwania napotkaliśmy?
Jednym z ważniejszych problemów przy realizacji tego projektu był proces wprowadzania danych do aplikacji, ponieważ:
- Nie jest on przewidziany do integracji z systemami informatycznymi placówek medycznych.
- Rozwiązanie to nie było przeznaczone do przechowywania i przetwarzania danych osobowych pacjentów.
Aby lekarz mógł skutecznie wprowadzać dane dotyczące leków pacjenta, oprócz wprowadzania danych ręcznie, konieczne było wprowadzenie tych danych w formie:
- zdjęcie, np. wypisu ze szpitala lub recepty, albo jakikolwiek inny dokument/zdjęcie, które może identyfikować listę przyjmowanych leków
- zdjęcia opakowań leków (czasami pacjenci udają się do lekarza z opakowaniami przyjmowanych leków)
- zrzut ekranu systemu przechowującego informacje medyczne.
Ponadto uzgodniliśmy, że nie zamierzamy wspierać rozpoznawania pisma odręcznego.
W toku analizy doszliśmy do wniosku, że ponieważ dokumenty wejściowe i obrazy mogą się różnić pod względem formy, jakości i struktury treści, wdrożenie algorytmu opartego wyłącznie na mechanizmach OCR i rozpoznawaniu poszczególnych formatów dokumentów wydaje się rozwiązaniem kosztownym, wymagającym dużego nakładu pracy i ciągłej aktualizacji w celu uwzględnienia nowych formatów dokumentów.
Zapewnienie bezpieczeństwa danych i zgodności z przepisami prawa farmaceutycznego również okazało się wyzwaniem, któremu poświęciliśmy szczególną uwagę.
Rozwiązanie
Współpracując z Klientem, przeszliśmy przez cały proces projektowania – od analizy problemu, przez walidację potencjalnych rozwiązań, po wybór najbardziej optymalnego. W rezultacie zaproponowaliśmy Klientowi wykorzystanie modeli generatywnej AI (GenAI) do przetwarzania treści dokumentów lub obrazów wprowadzanych przez użytkowników.
Proces wyboru modelu
Przetestowaliśmy kilka dostępnych modeli GenAI, aby oszacować ich wydajność w klasyfikacji tekstu i parsowaniu niestrukturyzowanego tekstu wejściowego przetwarzanego przez warstwę aplikacji OCR, aby zapewnić, że format odpowiedzi systemu AI jest przewidywalny i spójny, niezależnie od jakości i formatu obrazu wejściowego. Jest to warunek wstępny dalszego przetwarzania odpowiedzi GenAI i jej wykorzystania w klasycznych algorytmach. Ostatecznie wybór padł na model GenAI, który spełniał wymagania budżetowe i oczekiwaną szybkość odpowiedzi.
Proces definiowania monitów i weryfikacji ich poprawności
Aby skutecznie wykorzystać możliwości modelu GenAI, konieczne jest zapewnienie mu odpowiednich podpowiedzi. Są one kluczowym elementem w procesie pracy z modelem AI i decydują o jakości odpowiedzi. Są jak dobrze i dokładnie zadane pytanie wraz z dostarczeniem całej wiedzy kontekstowej – tak, aby odpowiedź była jak najbardziej kompletna i dokładna. Dlatego nasi inżynierowie poświęcili im wiele uwagi.
Proces definiowania ścieżki użytkownika
Równolegle z analizą i walidacją rozwiązania technologicznego pracowaliśmy nad zaprojektowaniem najlepszego doświadczenia użytkownika dla rozwiązania. Usługa PWA została wybrana jako najlepszy sposób dostosowania narzędzia do okoliczności, w których będzie używane, i potrzeb użytkowników. Podczas procesu odkrywania zbadaliśmy również obszary związane z ograniczeniami i możliwościami przedstawionymi przez rynek i specyfikę branży. Podczas warsztatów opracowaliśmy oddzielne przepływy użytkowników dla dwóch typów użytkowników: pacjenta i lekarza/farmaceuty. Określiliśmy również priorytety dla algorytmu wyszukiwania i reguły, według których będzie on interpretował dostarczone dane.
Wyniki
W trakcie prac iteracyjnych nasze rozwiązanie zyskało kilka nowych funkcji. Skutecznie poprawiły one jakość doświadczenia i dodały wartości dodanej do korzystania z usługi.
Na podstawie zdjęcia dokumentu lub opakowania farmaceutycznego udało nam się uzyskać ustrukturyzowane dane medyczne dotyczące nazw leków, nazw substancji czynnych i dawek. Dzięki temu lekarz nie musi ręcznie uzupełniać danych, co daje mu swobodę sprawdzenia odczytanych danych i ewentualnej ich korekty. Przyspiesza to pracę i proces podejmowania decyzji dotyczących wyboru leków do terapii.
Cały proces jest również tak zaprojektowany, aby mógł działać w naturalnych warunkach wizyty lekarskiej, dlatego dodaliśmy do rozwiązania możliwość wgrania zrzutu ekranu z aktualnie przeglądanej dokumentacji medycznej lub ręcznego uzupełnienia substancji czynnych i ich dawek, dla których poszukujemy ekwiwalentu pojedynczej tabletki.
Opracowane rozwiązanie zostało entuzjastycznie przyjęte przez publiczność. Dzięki dostępowi do grupy docelowej mogliśmy zweryfikować nasze rozwiązanie i uzyskać konstruktywny feedback na temat jego użyteczności. Ostatecznie opracowane i przetestowane narzędzie zostało zaprezentowane na prestiżowym wydarzeniu branżowym, co pozwoliło Klientowi zaprezentować je szerokiej publiczności.
Dokumtent PDF
Link Wideo
Diagram
Czas wdrożenia
3 months
Broszura