Новый ИИ-оркестратор от Microsoft решает 85.5% медицинских проблем и сокращает расходы на диагностику

Технологическая компания Microsoft представила Microsoft AI Diagnostic Orchestrator (MAI-DxO) — систему, предназначенную для моделирования виртуальной группы медицинских специалистов, использующих различные методы диагностики и совместно работающих над клиническими случаями. 

В генеративных приложениях ИИ оркестратор функционирует как координационный слой, который управляет несколькими компонентами, участвующими в выполнении сложной задачи. В здравоохранении такие координационные механизмы считаются важными из-за критической природы медицинских решений. В этом случае оркестратор располагается над большими языковыми моделями, структурируя диагностический процесс шаг за шагом, чтобы помочь минимизировать потенциальные ошибки и улучшить согласованность, прозрачность и эксплуатационную надежность. 

Исследователи Microsoft предполагают, что оркестровка многоязыковых моделей может быть необходима для обработки сложных клинических рабочих процессов. Эта стратегия может обеспечить лучшую интеграцию различных источников данных и повысить безопасность и адаптивность в динамических средах здравоохранения. Системно-независимый дизайн также поддерживает проверяемость и надежность. 

Результаты оценки, представленные Microsoft, показывают, что MAI-DxO улучшил диагностическую эффективность во всех протестированных моделях, при этом наивысшая точность — 85.5% — была достигнута при сочетании с OpenAIo3-модель на основе эталона New England Journal of Medicine (NEJM). Для сравнения, группа из 21 врача из США и Великобритании, каждый из которых имел 5–20 лет опыта, зафиксировала среднюю точность 20% при выполнении тех же задач. 

Система MAI-DxO может быть настроена для работы в предварительно заданном режиме.defined параметры стоимости, что позволяет проводить анализ компромиссов между диагностической точностью и расходами на тестирование. Эта функция предназначена для предотвращения неэффективного избыточного тестирования при оптимизации результатов. Результаты Microsoft позволяют предположить, что MAI-DxO обеспечивает как более высокую точность диагностики, так и снижение затрат на тестирование по сравнению с клиницистами или отдельными моделями ИИ.

ИИ превосходит традиционные ограничения врачей, объединяя широкий и специализированный опыт, предлагая экономически эффективную диагностическую поддержку

Медицинские специалисты часто классифицируются на основе сферы или направленности их знаний. Врачи общей практики, такие как семейные врачи, обычно занимаются широким спектром проблем со здоровьем в разных возрастных группах и системах органов. В отличие от них, специалисты концентрируются на определенных областях, таких как ревматология, часто посвящая свою практику одному состоянию или системе. 

Однако ни один отдельный врач не может всесторонне рассмотреть весь спектр клинических случаев, представленных в сложных наборах данных, таких как серии случаев NEJM. ИИ, в сравнении с этим, не связан этими ограничениями. Он может включать как широкие, так и специализированные знания, применяя клинические рассуждения способами, которые в нескольких областях превосходят то, чего может достичь один человек-эксперт. Этот уровень рассуждений имеет последствия для структуры предоставления медицинских услуг. Системы ИИ могут облегчить пациенту управление плановой помощью и предоставить врачам улучшенные инструменты принятия решений для более сложных случаев. Данные также указывают на то, что такие системы могут снизить расходы на здравоохранение. В Соединенных Штатах расходы на здравоохранение приближаются к одной пятой национального ВВП, причем большая часть — по оценкам, около 25% — приписывается неэффективности или вмешательствам с ограниченной клинической пользой. 

Отличительной чертой этого исследования является включение экономических соображений. Хотя реальные затраты различаются в зависимости от региона и модели здравоохранения и часто включают в себя нисходящие переменные, не измеряемые здесь, для всех агентов и врачей была применена единая методология для оценки компромиссов между диагностической эффективностью и потреблением ресурсов. Это исследование представляет собой первоначальное исследование этой динамики. Необходимы дальнейшие исследования, прежде чем генеративные системы искусственного интеллекта может быть полностью интегрирована в клиническую практику. Реальные испытания, нормативный надзор и основанная на доказательствах оценка будут иметь решающее значение для обеспечения соответствия этих инструментов стандартам безопасности и эффективности. Ведутся совместные усилия с учреждениями здравоохранения для поддержки тщательной оценки перед любым потенциальным крупномасштабным развертыванием.