מחלות נדירות פוגעות באחת מתוך 10 אמריקאים, אך אבחון דיפרנציאלי שלהן נותר אתגר עצום. חוקרים מציגים את MIMIC-RD, סטנדרט חדש לבדיקת יכולות מודלי שפה גדולים (LLMs) באבחון מחלות נדירות מתוך טקסטים קליניים אמיתיים. לפי המחקר, גישות קיימות נכשלות בגלל מקרי בדיקה אידיאליים או שימוש בקודי ICD שמזניחים מחלות רבות. MIMIC-RD פותר זאת על ידי מיפוי ישיר של ישויות טקסט קליני למאגר Orphanet המקיף.
המתודולוגיה כללה כרייה ראשונית בעזרת LLM, ואחריה אימות על ידי ארבעה אנוטטורים רפואיים שוודאו כי הישויות מזוהות הן אכן מחלות נדירות אמיתיות. הסטנדרט כולל 145 חולים מתוך מאגר MIMIC, ומדגים את המורכבות הקלינית האמיתית. החוקרים בדקו מגוון מודלים מתקדמים ומצאו כי LLMs המובילים כושלים בביצועים, מה שמדגיש פער משמעותי בין היכולות הנוכחיות לצרכים הקליניים.
בעיות הגישה הקודמת נבעו ממקרי בוחן אידיאליים שאינם משקפים מציאות, או משימוש בקודי ICD שמפספסים מחלות נדירות רבות ללא מיפוי ישיר. MIMIC-RD מביא שינוי על ידי שימוש בטקסטים אמיתיים ומיפוי מדויק ל-Orphanet, מאגר מוביל למחלות נדירות. זה מאפשר הערכה אמינה יותר של יכולות LLMs בזיהוי וסיווג מחלות נדירות.
הממצאים חושפים כי אף מודל LLM מתקדם אינו עומד בציפיות באבחון דיפרנציאלי של מחלות נדירות. זה מצביע על צורך דחוף בשיפורים, כגון אימון מותאם על נתונים קליניים אמיתיים ואינטגרציה של מאגרי ידע ספציפיים. עבור מנהלי בריאות בישראל, שבה מחלות נדירות משפיעות על אלפי משפחות, זה מדגיש את הפוטנציאל והאתגרים ב-AI רפואי.
המחקר קורא לפעולות עתידיות: פיתוח סטנדרטים נוספים, שיפור מודלים ושילוב כלים קליניים. מה זה אומר לעסקים בתחום הבריאות? הזדמנות להשקיע ב-AI מותאם למחלות נדירות, שיכול להציל חיים. האם LLMs יוכלו לסגור את הפער?