AI w służbie dobru pacjentów

Dzięki pełnemu procesowi projektowemu, stworzyliśmy rozwiązanie, ułatwiające identyfikację zamienników leków, które zminimalizują liczbę leków, przyjmowanych przez pacjentów.

KATEGORIA

Gen AI
Usługa PWA

PRZEMYSŁ

Med-tech

Tło i zarys wyzwania

Rozpiętość oferty farmaceutyków na rynku polskim może przyprawić o zawrót głowy. Bycie na bieżąco z tak obszerną listą możliwości, a zarazem nadążanie za najnowszymi badaniami na temat skuteczności poszczególnych substancji czynnych jest nie lada wyzwaniem, zarówno dla lekarzy, jak i farmaceutów. Z drugiej strony - pacjenci często otrzymują terapie łączone, które w kilku lekach dostarczają kilku substancji czynnych, co również ma swoje konsekwencje w komforcie i łatwości stosowania, a co za tym idzie - w efektach terapii.

Cel

Celem Klienta, który się do nas zgłosił, było stworzenie rozwiązania, wspomagającego specjalistów w procesie wyznaczania terapii, w taki sposób, aby liczba przepisanych leków była jak najmniejsza.

Zmniejszenie liczby leków przyjmowanych przez pacjenta:

upraszcza codzienną rutynę przyjmowania leków
zmniejsza ryzyko pomyłek
jest bezpieczniejsze ze względu na możliwość wystąpienia interakcji między lekami

W toku prac okazało się, że równie istotne jest dostarczenie takiej podpowiedzi również dla pacjenta - aby mógł ją skonsultować z lekarzem i ułatwić mu stworzenie dedykowanej i optymalnej terapii.

Jakie wyzwania napotkaliśmy?

Scanning a medical prescription case study with AI

Jednym z istotnych zagadnień przy realizacji tego projektu był proces wprowadzania danych do aplikacji, gdyż:

z założenia nie miala się ona integrować z żadnymi systemami informatycznymi placówek medycznych
rozwiązanie nie powinno również przechowywać i przetwarzać danych osobowych pacjentów

Aby lekarz mógł efektywnie wprowadzać dane na temat przyjmowanych przez pacjenta leków, konieczne było oprócz ręcznego wprowadzania, umożliwienie wprowadzania tych danych w postaci:

zdjęcia np: wypisu ze szpitala czy recepty, innej formy dokumentu/zdjęcia na którym można zidentyfikować listę przyjmowanych leków
zdjęć opakowań leków (czasami pacjenci zjawiają się u lekarza z opakowaniami przyjmowanych przez siebie leków)
zrzutu ekranu z systemu przechowującego informacje medyczne

Dodatkowo przyjęliśmy wraz z Klientem założenie, że nie przewidujemy wspierania rozpoznawania pisma odręcznego.

W toku naszej analizy padł wniosek, że ponieważ wprowadzane dokumenty i zdjęcia mogą mieć różną formę, jakość oraz strukturę treści, to zaimplementowanie algorytmu w oparciu o mechanizmy OCR i rozpoznawanie poszczególnych formatów dokumentów wydawało się rozwiązaniem kosztownym, wymagającym dużej ilości pracy oraz ciągłej aktualizacji dla nowych formatów dokumentów.

Wyzwaniem, któremu poświęciliśmy szczególną uwagę, okazało się również zadbanie o bezpieczeństwo danych oraz zgodność z prawem farmaceutycznym.

Rozwiązanie

We współpracy z Klientem przeszliśmy przez pełen proces projektowy - od analizy problemu, przez walidację potencjalnych rozwiązań aż po dobór najbardziej optymalnego. W efekcie zaproponowaliśmy Klientowi wykorzystanie generatywnych modeli AI (GenAI) wspierających analizę obrazu i wideo do przetwarzania zawartości wprowadzanych przez użytkownika dokumentów lub zdjęć.

Proces doboru modelu

Przetestowaliśmy kilka dostępnych modeli GenAI wspierajacych tzw. Vision. Są to modele, które oprócz analizy tekstu, potrafią analizować obraz i zwracać informacje w postaci ustrukturalizowanej - tak, by niezależnie od jakości i formatu wejściowego obrazu format odpowiedzi systemu AI był przewidywalny i jednorodny. Jest to niezbędny warunek do dalszego przetwarzania odpowiedzi GenAI i wykorzystanie jej w klasycznych algorytmach. Odrzuciliśmy podejście hostowania modelu w infrastrukturze klienta i skupiliśmy się na modelach udostępnianych na zasadzie subskrypcji i API. Ostatecznie wybór padł na model, który spełniał wymogi budżetowe i oczekiwanej szybkości odpowiedzi.

Proces definiowania promptów i weryfikacji poprawności

Aby efektywnie wykorzystać możliwości modelu GenAI należy dostarczać mu odpowiednie prompty. Są one kluczowym elementem w procesie współpracy z modelem AI i decydują o jakości odpowiedzi. Są jak dobrze i dokładnie zadane pytanie wraz z dostarczeniem całej kontekstowej wiedzy - tak, by odpowiedź była jak najpełniejsza i najdokładniejsza.

Proces definiowania ścieżki użytkowników

Równolegle do analizy i walidacji rozwiązania technologicznego, pracowaliśmy nad zaprojektowaniem najlepszego doświadczenia użytkownika rozwiązania. Wybór padł na serwis PWA, aby jak najlepiej dostosować narzędzie do okoliczności, w jakich będzie wykorzystywane oraz potrzeb użytkowników. W toku procesu discovery zgłębiliśmy też obszary związane z ograniczeniami oraz możliwościami, jakie daje rynek oraz specyfika branży. W toku warsztatów wypracowaliśmy odrębne user flow dla dwóch typów użytkowników: pacjenta oraz lekarza/farmaceuty. Zdefiniowane zostały też priorytety dla algorytmu wyszukiwania oraz zasady, wedle których miał interpretować dostarczone dane.

Rezultat

W toku iteracyjnej pracy, nasze rozwiązanie zyskało kilka nowych możliwości. Dzięki nim skutecznie zwiększyliśmy jakość doświadczeń i dostarczyliśmy dodatkową korzyść, wynoszoną z używania serwisu.

Na podstawie zdjęcia dokumentu czy opakowania farmaceutyku potrafimy uzyskać usystematyzowane dane medyczne na temat nazw leków, nazw substancji czynnych i ich dawkowania. Zwalnia to lekarza z konieczności ręcznego ich uzupełniania, a pozostawia w jego rękach możliwość weryfikacji odczytanych danych i ewentualną ich korektę. Przyspiesza tym samym pracę i decyzję, dotyczącą doboru leków w terapii.

Cały proces przewidział również pracę w naturalnych okolicznościach wizyt lekarskich, dlatego do rozwiązania dodaliśmy opcję wgrania print screena z aktualnie przeglądanej dokumentacji medycznej, czy ręcznego uzupełnienia substancji czynnych i ich dawek, dla których odpowiednika single pilla szukamy.

Wypracowane rozwiązanie spotkało się z entuzjazmem odbiorców. Dzięki dostępowi do grupy docelowej mogliśmy zwalidować nasze rozwiązanie i uzyskać konstruktywny feedback, związany z użytecznością rozwiązania. Ostatecznie wypracowane i przetestowane narzędzie miało premierę podczas prestiżowego wydarzenia branżowego, które pozwoliło przedstawić je szerokiej publiczności.