Nagy és kis nyelvi modellek felhasználási lehetőségei az egészségügy területein

Cikksorozatunkban a Jövő és egészségügy cikkíró pályázat nyertes pályaműveit mutatjuk be.

Megfigyelhető, hogy a tudatos páciensek az internet segítségével egyre aktívabban kerestek információkat és tájékozódtak egészségügyi kérdésekről az elmúlt időkben [1]. A páciensek természetes igénye, hogy szeretnének minél jobban részt venni az egészségüket érintő döntéshozatalban, hiszen ezek a döntések közvetlen kihatással lesznek az egészségükre, így pedig szinte mindenre az életükben. Az OpenAI nevű cég által fejlesztett ChatGPT alkalmazás 2022. novemberi megjelenése forradalmasította az információ szerzést, így soha nem látott gyorsasággal indult meg terjedése [2-4]. A ChatGPT megjelenése miatt egyszerre hatalmas figyelem fordult az úgynevezett a nyelvi modellekre. Az emberek a legkülönbözőbb feladatokra kezdték el használni ezeket a modelleket, így például egészségük jobb menedzselésére, egészségmegőrzéssel kapcsolatos kérdésekben való tájékozódásra, pszichológiai kérdések megválaszolására, vagy éppen különböző diétás receptek és edzéstervek generálására. Fontos hangsúlyozni, hogy bár ezek a modellek nagyon jól imitálják az emberi párbeszédet és képesek szimpatikus és empatikus válaszadásra, mégis csak statisztikai mintákat használnak a szöveggeneráláshoz és a válaszok előállításához, így azok információ tartalmát mindig fenntartásokkal kell kezelni. Különösen fontos felhívni erre a páciensek figyelmét és kikérni egy egészségügyi szakember véleményét minden olyan esetben, amikor az egészségünket érintő döntést szeretnénk hozni. A korlátok ellenére azonban a hirtelen kialakult, töretlen népszerűségük miatt mégis érdemes megvizsgálni, hogy az egészségügy mely területén és hogyan tudjuk felhasználni őket. 

Nagy és Kis Nyelvi Modellek 

A nyelvi modelleken belül beszélhetünk kis nyelvi modellekről (Small Language Model = SLM) és nagy nyelvi modellekről (Large Language Model = LLM). Mindkét típusról elmondható, hogy generatív mesterséges intelligencia rendszerek, melyek a természetes nyelvfeldologzáshoz (Natural Language Processing = NLP) tartoznak és hasonló feladatokra használhatjuk őket. Fontos azonban hangsúlyozni különbségeiket is, amelyek elsősorban a méretükre, hatékonyságukra, költségeikre, és alkalmazási területeikre vonatkoznak. 

A nagy nyelvi modellek, mint a GPT-4, Copilot vagy BERT, hatalmas adatbázisokon tanultak annak érdekében, hogy megtanuljanak különböző adatok közötti kapcsolatokat, így a lehető legnagyobb pontossággal tudják megjósolni, hogy mikor melyik szó következik egy mondatban, ezáltal képessé váltnak arra, hogy számos különböző témáról beszélgessünk velük. Ugyankkor jelentős számítási kapacitást és energiát igényel mind a betanításuk, mind a működtetésük. Az LLM-ek általában jobban teljesítenek komplex feladatokban és általánosítási képességben a hatalmas tudásbázisuk és számítási kapacitásuk révén. 

Ezzel szemben a kis nyelvi modelleknek korlátozottabb a tudásbázisuk, ami bizonyos esetekben korlátozhatja a pontosságukat és alkalmazhatóságukat. Ugyanakkor sokkal kevesebb paraméterrel rendelkeznek, így kevesebb számítási erőforrást igényelnek és hatékonyabban működhetnek olyan korlátozott számítási erőforrásokkal rendelkező környezetekben, mint például mobil eszközökön vagy beágyazott rendszerekben, akár internet-hozzáférés nélkül is. Ezen tulajdonságuk lehetővé teszi a szélesebb körű elérhetőséget és alkalmazhatóságot. Szintén fontos megjegyezni, hogy míg az LLM-ek tanítása és működtetése jelentős költségekkel jár, az SLM-ek kevésbé költségesek, ami elérhetővé teszi őket kisebb vállalatok és kutatócsoportok számára is.  

Összességében tehát elmondható, hogy míg a LLM-ek általános célúak, képesek széleskörű feladatok ellátására, a SLM-ek gyakran specializáltabbak adott feladatokra vagy iparágakra szabva, ami lehetővé teszi számukra, hogy ezeken a konkrét területeken jobb teljesítményt nyújtsanak. Van természetesen arra is lehetőség, hogy az LLM-eket finomhangoljuk, például a a GPT-3,5 és GPT-4 modellekkel úgynevezett „custom GPT”-t, vagy más néven specializált, vagy személyre szabott GPT-t készíthetünk, amely egy területre sepcifikus, mint például az egészségügy valamely területe (például bőrgyógyászat, női egészség, pszichológia stb.). Az egészségügy azonban mindig egy nagyon specifikus tudást igénylő terület volt, így tehát minden egyes területre, ahol használni szeretnénk egy LLM-et, gondos finomhangolásra, iterációra és számos tesztre van szükség. Felmerül tehát a kérdés, hogy nem lenne-e egyszerűbb és költséghatékonyabb olyan SLM-eket fejleszteni specifikus egészségügyi területekre, amelyek az adott terület tudásával rendelkeznek, és kifejezetten azon a kisebb területen belül segítik a pácienseket. 

Kis Nyelvi modellek alkalmazási lehetőségei az egészségügyben 

A SML-ekre egyelőre még nem irányul akkora figyelem, azonban számos potenciál rejlik bennük. Betanításuk és működtetésük kevesebb erőforrást igényel, valamint akár internetkapcsolat nélkül is lehet őket használni. Ugyanúgy, mint az LLM-ek rendelkeznek azzal az előnnyel, hogy anonim módon tudunk feltenni személyre szabott kérdéseket, illetve hogy helytől is időtől függetlenül mindig rendelkezésünkre állhatnak ezek a rendszerek. Az SLM-ek esetében ez még inkább igaz, hiszen aktív internet kapcsolatra sem feltétlenül lesz szükségünk. Specializálni tudjuk őket egy adott területre, így számos különböző segítő feladatot láthatnak el az egészségügyben. Valószínűleg gyorsabbak is lesznek ezek a rendszerek, mint egy személyre szabott LLM, hiszen sokkal kevesebb adattal dolgoznak. Tulajdonképpen tehát egy SLM készítésével egy adott egészségügyi területre, megszabadulunk a feleslegesen korlátozó tényezőktől és kihasználjuk a nyelvi modell lehetőségeit egy szűk területen. 

Az alábbi táblázatokban azon specifikus területeket gyűjtöttem össze, amely területeken az SLM-eket nagyon jól ki lehetne használni az egészségügyben a jövőben. 

Az 1. táblázat azon területeket tartalmazza, amelyekben az SLM-ek támogathatják a pácienseket az egészségügy különböző területein. 

1. táblázat SML-ek lehetséges alkalmazási területei páciensek támogatásában 

A SLM-ek  részt vehetnek többek között olyan feladatokban, mint a betegek oktatásának különböző részei. Részletes tanácsadást nyújthatnak személyre szabottan egy adott betegségről. Az ehhez hasonló applikációk készítése már régóta foglalkoztatja a társadalmat, így például olyan népbetegségnek számító területen, mint a 2-est típusú diabétesz, már számos alkalmazás készült [5]. Ezeket a rendszereket lehetne kiegészíteni vagy olyan új rendszereket tervezni, amelyekben SML-ek segítségével a páciens egy interaktív beszélgetés résztvevőjeként informálódhat és tanulhat saját állapotáról.  

A betegutak leegyszerűsítésére szintén számos törekvés mutatkozik az egészségügyben, ezen a területen is jó szolgálatot tehet egy megfelelően kialakított SLM rendszer. A betegeket folyamatosan információkkal és tanácsokkal tudja ellátni, időpontfoglalásban és a kezelési ütemtervek követésében is segíthet. Képzeljünk el egy olyan pácienst, aki családjában öröklődő HLADQ2/DQ8 gént hordozza, valamint  ≥ 10x tTG IgA antitest szintet mértek a vérben, és az endoszkópos mintavételből származó szövettani mintája a Marsh-klasszifikáció besorolása szerint bizonyította nála a cöliákia betegség meglétét. A páciensnél emelkedett TSH szintet is felfedeztek, végül anti-TPO szint bizonyította, hogy a cöliákia mellé autoimmun pajzsmirigy betegség is társul. A páciens diétázik az előírások szerint, és pajzsmirigy betegség miatt gyógyszert is szed miden nap és minden előírást betart. Elérkezik az első kontroll időpontja, ilyenkor azonban friss labor leletekkel kell megjelennie az orvosnál, illetve az ő esetében orvosoknál. A cöliákia miatt a gasztroenterológus kérni fog tőle egy nagy labort, amelynek mindenképpen tartalmaznia kell kálcium, magnézium, folsav és vas értékeket is, hiszen a gluténmentes diéta és a betegségre jellemző felszívódási zavarok miatt felléphetnek hiánytünetek. Ezen kívül szüksége lesz még szöveti transzglutamináz IgA és IgG értékekre, hogy lássa nem lépett-e fel diéta hiba. Ezt már biztosan nem tartalmazza a nagy labor, illetve a fentebb felsoroltakat sem biztos, hogy mindenhol tartalmazza a nagy labor. A páciensnek a pajzsmirigy betegség miatt TSH, FT3, FT4  értékekre is szüksége lesz majd, hiszen az endokrinológus ezek alapján tudja beállítani a gyógyszerét. Bár mind a gasztroenterológus, mint az endokrinológus be tudja utalni a pácienst az adott labor vizsgálatra igen nagy a valószínűség, hogy mivel több beutalóval fog rendelkezni a páciens, ezért különböző időpontokat fognak neki adni a vérvételekre. Az is könnyen megeshet, hogy a két orvos nem egyeztet egymással ezügyben, hiszen nem együtt dolgoznak, mindkettőjükhöz külön jár a páciens, a páciens pedig nem látja át pontosan hogyan is működnek a beutalók, kitől mit kérhet és hogyan. Végül könnyen megeshet, hogy három különböző időpontot fog kapni, egyet a nagy laborra, egyet a szöveti transzglutamináz IgA és IgG mérésre és egy harmadikat a TSH, FT3, FT4  értékek mérésére. Ez azt fogja jelenteni, hogy három időpontot kell egyeztetnie, egyensúlyozva a karrierje, családja és az egészsége miatt szükséges vizsgálatok között. Háromszor fog lefoglalni a vérvétel miatt egy egészségügyi szakdolgozót, és az ő karján három különböző szúrás lesz, amit szintén kevésbé szeretnek a betegek. Mivel ezt a problémát, mint saját egészségének kézbentartóját, egyedül a páciens fogja érzékelni, az. aki nem járatos az egészségügy szabályaiban, nem biztos, hogy érteni fogja miért szúrták meg ennyiszer és miért kellett elkésni a munkából háromszor is reggel. Az orvosok bár átlátnák a problémát, valószínűleg nem szembesülnek vele, hiszen nincs kötelezettségük, hogy egyeztessenek és általában az egészségügy leterheltsége miatt plusz kapacitásuk sincs erre. Az egészségügy ebből csak annyit fog érzékelni, hogy tele vannak a labor időpontok, nagy a nyomás és növelni kellene a munkatempót, ami hosszútávon sajnos sok egészségügyben dologzó ember kiégéséhez is vezet. A megoldás ebben az adott szituációban, és bármilyen ehhez hasonlóban, a jobb szervezés és erőforrás elosztás lenne. Valakinek fel kellene ismernie, hogy mindhárom vizsgálat ugyanazon az elven alapul, vagyis vért kell venni. A páciensnek elég egy időpontot foglalnia, egyszer lefoglalnia egy egészségügyi dolgozót és így őt is csak egyszer kell megszúrni vagy elvonni a munkájától. Erre csak egy olyan rendszer képes, amely ismeri mindegyik tényezőt és azonosítani tudja hogy a vizsgálat minden esetben egy vérvétel. Egy ilyen feladatra fejlesztett SLM nem csak az egészségügynek lehet hasznos, de gazdaságilag is fontos lehet, hiszen erőforrást spórol az egészségügyben, ezzel párhuzamosan pedig lehetővé teszi a páciens számára hogy vérvételre járogatás helyett a saját munkájával, feltöltődésével töltse az idejét így valószínűleg magasabb értéket is fog előállítani, amely a társadalom számára hasznosabb. Szintén fontos kiemelni, hogy az ismertetett SLM-el történő megoldásban nincs szükség arra, hogy szenzitív egészségügyi leleteket osszon meg a páciens egy applikációval, vagy hogy össze kéne kötni a rendszert az EESZT-vel. Csupán annyi adatot kell tudnia az SLM rendszernek, hogy milyen vizsgálatok váltak szükségessé, amely alapján a rendszer elmagyarázza a paciensnek, hogy hogyan lenne célszerű szerveznie a saját vizsgálatait, aki így ezt időpont egyeztetésnél kifejezetten kérni tudja. Csak annyi adatot kér a rendszer, amit a páciens megad, információkat pedig az ilyen rendszernek szintén nem kell tárolnia, így egy egyszerűen kivitelezhető és költséghatékony rendszerről beszélhetünk. 

Az SLM-ek segíthetnek támogatni egészségünk megőrzését, valamint tudatosságunk növelését. Akár mentális jóllétről van szó, akár táplálkozásról vagy esetleg testmozgásról. Sok esetben amikor szükségessé válik egy életmódváltás, és a páciens belátja ennek szükségességét rálép erre az útra, azonban egy idő után mégis alább hagy a motivációja és gyakran előfordul, hogy visszatér korábbi rossz életmódjához. Ekkor van szükség arra, hogy támogassuk őt, hogy a motiváció hosszútávon fennmaradjon. A támogató szociális háló kulcsfontosságú szerepet játszik az egyén egészségének gondozásában és az egészséges életmód fenntartásában. Segítséget nyújthat az egyénnek az egészségügyi célok eléréséhez, hogy fókuszáltak maradjanak az egészségükre és motiváltak legyenek az egészséges életmód fenntartásában [6]. Egy SLM rendszer képes lehet empatikus és szimpatikus válaszokat adni, amelyek a helyes életmód fenntartására motiválják a pácienseket, így a hosszútávú célok, mint például súlyfelesleg leadása vagy dohányzásról történő leszokás könnyebben elérhető lesz. 

SLM rendszereket készíthetünk különböző orvosi területek számára diagnosztikai céllal is. Amennyiben a páciensek tüneteket tapasztalnak magukon egy SLM rendszer segíthet kikérdezni őket, és válaszokkal szolgálhat, hogy pontosan mely szakorvoshoz kell fordulniuk a problémájukkal. Az ilyen típusú rendszerekhez különösen ajánlatos lenne SLM rendszereket fejleszteni, hiszen a kevesebb paraméternek köszönhetően, amivel ezek a rendszerek dolgoznak van egy olyan előnyös mellékhatása, hogy a kapott válaszok sokkal transzparensebbek és reprodukálhatóbbak lesznek. A transzparens válaszadás pedig egy ilyen specifikus rendszernél kulcsfontosságú, így szintén előnyösebb SLM rendszert fejleszteni az ehhez hasonló feladatokra. 

Az egészségügyi szakemberek által készített leletek, betegtájékoztatók, eredmények értelmezése gyakran nehézséget okoz a páciensek számára. Szintén előforduló probléma, hogy egy orvosi konzultáció után eszmél rá a páciens, hogy valamit elfelejtett megkérdezni vagy mégsem érti pontosan mit és hogyan kéne csinálnia. Ilyenkor lehet segítségére egy olyan SLM rendszer, amit kifejezetten egy adott terápiás területre vagy betegségre specializáltak. De ugyanígy működhet egy adott állapotra is, mint például a várandóság időszakára, amikor a családok, főleg az első gyermek vállalásakor tele vannak kérdésekkel, és minden élmény új még a kismamának, amit tapasztal. Ebben az esetben is nagyon fontos, hogy a válaszok transzparensek maradjanak. De nem csak az orvostól történő távozás után merülhetnek fel kérdések, hanem akkor is mikor készülünk egy orvosi konzultációra. Az egészségügy limitált erőforrásai miatt általában nem jut túl sok idő egy páciensre, így célszerű lenne minél felkészültebben, ha lehet minden adattal, papírral és kérdéssel megérkezniük egy konzultációra. Ez magas fokú szervezettséget igényel, amire sajnos a mai rohanó világunkban nincs mindenkinek lehetősége. Egy SLM modell, amelyet szintén kifejezetten erre készítettek fel segíthet a páciensnek összeszedni azokat az adatokat és leleteket, amelyek szükségesek számára, hogy a konzultáció a lehető leghatékonyabb legyen. Egy SLM rendszer képes lehet úgy feltenni empatikus kérdéseket, hogy a páciens végig tudja gondolni pontosan mi is az, amit mindenképp meg szeretne beszélni orvosával, akár rövid vázlatot vagy „agenda”-t is szerekszthetne a rendszer a páciens számára, aki ezután az orvostól elégedetten távozik, mert mindent megtudott, ami ahhoz kell, hogy egészségi állapota a lehető legjobb legyen. 

Érdemes megvizsgálni az SLM-ek felhasználhatóságát az egészségügy másik oldaláról is, vagyis, hogy hogyan tudná támogatni egy ilyen rendszer a szakembereket. Az 2. táblázat azon területeket tartalmazza, amelyekben az SLM-ek támogathatják az egészségügyben dolgozó szakembereket munkájuk különböző területein. 

2. táblázat SLM-ek lehetséges alkalmazási területei egészségügyi dolgozók támogatásában 

Az SLM-ek nem csak a pácienseket segíthetik, de az egészségügyi dolgozók számára is számos esteben hasznos eszközként szolgálhatnak. Segíthetik a döntéshozási procedúrát, a megadott adatok alapján képesek lehetne javaslatokat tenni. Szintén segíthetik a dokumentációt, mely teher az orvosok vállát nyomja, akiknek emellett még számos más feladatuk is van. Vázlatos feljegyzéseikből készíthetnek például részletes leírásokat, vagy pont fordítva, hosszabb tanulmányokat összefoglalhatnak az orvosok számára könnyen és gyorsan emészthető formában. Támogathatják őket pácienseik nyomonkövetésében, vagy akár egy klinikai vizsgálat során a vizsgálóhelyeken lévő koordinátorok és kutatás vezetők munkáját segíthetnek menedzselni. Számos egészségügyi szakember aktív a tudományos életben, így sokszor előfordul, hogy cikk formájában különböző eredményeket vagy esettanulmányokat közölnek. Ezek megírásában szintén nagy segítség lehet el SLM, vagy akár LLM rendszer is. 

Összegzés és következtetések 

Mindent összefoglalva látható, hogy az olyan generatív mesterséges intelligencia rendszerek, mint az LLM és SLM rendszerek felhasználhatósága az egészségügyben szinte végtelen. Mindig jutnak eszembe újabb és újabb területek, ahol az egészségügy hasznát venné egy olyan rendszernek mely empatikusan irányítja a betegeket, segíti a szakemberek döntéseit és munkáját, valamint segít az erőforrások elosztásában. Véleményem szerint a nyelvi modellek nagyszerűsége abban rejlik, hogy forradalmasították az információszerzést azáltal, hogy hatalmas adatokból az emberi agyunknak befogadható mennyiségű, és a számunkra leghasznosabb információkat közölnek és foglalnak össze. Használatuk végtelenül egyszerű, hiszen emberi nyelven kommunikálunk velük, nincs szükség sem informatikai sem egyéb szaktudásra. Véleményem szerint mind az LLM, mind az SLM rendszereknek van létjogosultság az egészségügyi területeken. Fontos azonban azt látnunk, hogy ha specializálni szeretnénk a nyelvi modellünket,  egy nagyon specifikus területre, akkor talán érdemesebb egy SLM rendszert használni. Természetesen egy LLM rendszert is lehet specializálni, így születtek meg a „custom GPT”-k, melyeknek a finomhangolása is egyre egyszerűbb. Az OpenAI útmutatójával nagyjából 10-15 perc alatt képes voltam elkészíteni egy custom GPT-t, amit utána a GPT store-ban nyilvánossá tettem, így bárki kipróbálhatja. Ha komolyabb finomhangolást szeretnénk végezni az ebben az esetben is sokkal időigényesebb lehet természetesen, de ma már lehetőség van arra, hogy informatikai szaktudás nélkül bárki létre tudjon hozni ilyen rendszereket. Sajnos azonban egy LLM, a finomhagolt változatában is nagy valószínűséggel sokkal költségesebb lesz és a hatalmas adatamennyiség miatt lassabb is. Cserébe azonban széleskörűen tudunk társalogni vele bármiről. Ezzel szemben egy SLM rendszer költségekben alacsonyabb lehet, így több kórház, kutatócsoport, orvosszakmai csoport tudja megengedni magának, hogy ilyen rendszereket használjanak, ami a páciensek egészségét fogja támogatni. Emelett nem is biztos, hogy mindig szükség van arra, hogy egy nyelvi modell annyira sok adattal rendelkezzen, mint egy LLM, főleg akkor ha azt egy specifikus feladatra szeretnénk felhasználni. Véleményem szerint a jövőben egyre több SLM modellel fogunk találkozni digitális egészségügyi applikációkban. Emellett továbbra is nagyon fontosnak tartom hangsúlyozni a páciensek számára, hogy kezeljék helyén a technológiai fejlesztéseket és egészségüket közvetlenül érintő döntések meghozatala előtt szakemberrel mindig konzultáljanak. 

Irodalomjegyzék 

1. Duncan, S. T., et al. (2023). Empowered patients and informal care-givers as partners?-a survey study of healthcare professionals' perceptions. BMC Health Services Research, 23(1), 404. https://doi.org/10.1186/s12913-023-09011-1
2. De Angelis, L., et al. (2023). ChatGPT and the rise of large language models: the new AI-driven infodemic threat in public health. Frontiers in Public Health, 11, 1166120. https://doi.org/10.3389/fpubh.2023.1166120
3. Bhargava, D. C., et al. (2023). ChatGPT in medical research: challenging time ahead. Medicine, Science and the Law, 91(4), 223-225. https://doi.org/10.1177/00258024221114002
4. Darkhabani, M., et al. (2023). ChatGPT and autoimmunity - A new weapon in the battlefield of knowledge. Autoimmunity Reviews, 22(8), 103360. https://doi.org/10.1016/j.autrev.2023.103360
5. Sun, H., et al. (2023). An AI Dietitian for Type 2 Diabetes Mellitus Management Based on Large Language and Image Recognition Models: Preclinical Concept Validation Study. Journal of Medical Internet Research, 25, e51300. https://doi.org/10.2196/51300
6. Zoltán, D. L. (2021). Adatból egészség. Budapest.