Des chercheurs du Mount Sinai Institute ont développé une stratégie permettant d’utiliser l’intelligence artificielle de manière plus rentable dans les établissements de santé, réduisant potentiellement les dépenses jusqu’à 17 fois tout en maintenant les performances.
Une nouvelle étude menée par des chercheurs de l'Icahn School of Medicine du Mont Sinaï a révélé de nouvelles stratégies pour déployer de grands modèles linguistiques (LLM), une forme d'intelligence artificielle (IA) avancée, dans les systèmes de soins de santé. Les stratégies, détaillées dans un article publié Chez npj Digital Medicine, nous visons à maintenir l'efficacité des coûts et des performances élevées, transformant potentiellement la façon dont les hôpitaux gèrent les tâches opérationnelles.
La recherche offre des informations précieuses sur l’exploitation des outils d’IA pour rationaliser diverses tâches de soins de santé, gagner du temps et réduire les coûts opérationnels tout en préservant la fiabilité même sous des charges de travail importantes.
« Nos résultats fournissent une feuille de route aux systèmes de santé pour intégrer des outils d'IA avancés afin d'automatiser efficacement les tâches, réduisant potentiellement les coûts des appels d'interface de programmation d'application (API) pour les LLM jusqu'à 17 fois et garantissant des performances stables sous de lourdes charges de travail », a déclaré dans un communiqué Girish N. Nadkarni, co-auteur principal, professeur de médecine Irene et Dr. Arthur M. Fishberg à Icahn Mount Sinai et chef de la division de médecine numérique et axée sur les données (D3M) au Mount Sinai Health System. communiqué de presse.
Chaque jour, les hôpitaux génèrent de grandes quantités de données, ce qui rend cruciale une gestion efficace. Les LLM, tels que GPT-4 d'OpenAI, présentent des solutions prometteuses pour automatiser et améliorer l'efficacité des flux de travail. Cependant, ces modèles s'accompagnent de coûts opérationnels substantiels, ce qui pose un défi financier pour une adoption généralisée.
L’étude, motivée par la nécessité de rendre l’utilisation de l’IA dans les systèmes de santé plus pratique, s’est concentrée sur l’équilibre entre la réduction des coûts et le maintien des performances.
« Notre étude a été motivée par la nécessité de trouver des moyens pratiques de réduire les coûts tout en maintenant les performances afin que les systèmes de santé puissent utiliser en toute confiance les LLM à grande échelle. Nous avons entrepris de « tester la résistance » de ces modèles, en évaluant leur capacité à gérer plusieurs tâches simultanément et en identifiant des stratégies qui maintiennent à la fois les performances élevées et les coûts gérables », a déclaré le premier auteur Eyal Klang, directeur du programme de recherche sur l'IA générative au D3M du Mont Sinaï, dans le communiqué de presse.
L'équipe de recherche a évalué 10 modèles LLM à l'aide de données réelles de patients pour déterminer comment ils répondaient à diverses questions cliniques. Dans plus de 300,000 XNUMX expériences, ils ont augmenté la complexité des tâches pour évaluer les performances des modèles sous pression tout en mesurant la précision et le respect des instructions cliniques.
L’analyse économique a montré que le regroupement des tâches pouvait réduire considérablement les coûts liés à l’IA sans compromettre les performances.
Les résultats suggèrent que le regroupement de 50 tâches cliniques, telles que la sélection des patients pour les essais cliniques et l’examen de la sécurité des médicaments, peut permettre aux modèles de les gérer simultanément sans baisse significative de la précision.
Une telle approche pourrait optimiser les flux de travail et réduire les coûts des API jusqu’à 17 fois, ce qui permettrait aux grands systèmes de santé d’économiser potentiellement des millions de dollars par an.
« Il est essentiel de reconnaître le moment où ces modèles commencent à éprouver des difficultés face à de lourdes charges cognitives pour maintenir la fiabilité et la stabilité opérationnelle. Nos résultats mettent en évidence une voie pratique pour intégrer l'IA générative dans les hôpitaux et ouvrent la voie à une étude plus approfondie des capacités des LLM dans les limites du monde réel », a ajouté Nadkarni.
Une découverte inattendue a été la tendance des modèles à subir des baisses de performances imprévisibles lorsqu'ils sont poussés à leurs limites cognitives.
« Cette recherche a des implications importantes sur la manière dont l’IA peut être intégrée dans les systèmes de santé. Le regroupement des tâches pour les LLM permet non seulement de réduire les coûts, mais aussi de conserver des ressources qui peuvent être mieux utilisées pour les soins aux patients », a ajouté le co-auteur David L. Reich, directeur clinique du Mount Sinai Health System.
Les recherches futures exploreront plus en détail les performances de ces modèles dans des environnements cliniques en temps réel et leur interaction avec les équipes soignantes. L'objectif est d'établir un cadre fiable pour l'intégration de l'IA dans les systèmes de santé, en équilibrant efficacité, précision et rentabilité pour améliorer les soins aux patients.
Cette étude révolutionnaire représente une étape cruciale vers une utilisation plus intelligente et plus économique de l’IA dans les soins de santé, destinée à stimuler l’innovation et à améliorer les résultats pour les patients.