Dalam jaringan penjagaan kesihatan moden yang rumit, komunikasi antara pakar dan pengamal am adalah amat penting. Namun, bahasa yang sangat khusus sering digunakan dalam nota perubatan boleh mewujudkan halangan yang ketara, terutamanya apabila berurusan dengan bidang yang kompleks seperti oftalmologi. Satu siasatan baru-baru ini mendalami penyelesaian teknologi yang berpotensi: memanfaatkan kuasa kecerdasan buatan (AI), khususnya model bahasa besar (LLM), untuk menterjemahkan laporan oftalmologi yang padat dan penuh jargon kepada ringkasan yang jelas dan ringkas yang boleh difahami oleh mereka di luar bidang kepakaran tersebut. Penemuan ini mencadangkan satu laluan yang menjanjikan untuk meningkatkan komunikasi antara klinisian dan berpotensi menambah baik penyelarasan penjagaan pesakit, walaupun terdapat peringatan penting mengenai ketepatan dan pengawasan.
Cabaran Komunikasi Khusus
Dunia perubatan berkembang maju berdasarkan ketepatan, sering membawa kepada pembangunan terminologi yang sangat spesifik dalam setiap disiplin. Walaupun penting untuk perbincangan bernuansa di kalangan rakan sejawat, perbendaharaan kata khusus ini boleh menjadi halangan besar apabila maklumat perlu mengalir merentasi jabatan yang berbeza atau kepada penyedia penjagaan primer. Oftalmologi, dengan istilah anatomi yang unik, prosedur diagnostik yang kompleks, dan singkatan khusus, menjadi contoh cabaran ini. Pemeriksaan mata boleh menghasilkan pandangan kritikal tentang keadaan kesihatan sistemik – mendedahkan tanda-tanda diabetes, sklerosis berbilang, atau bahkan strok yang bakal berlaku. Walau bagaimanapun, jika penemuan terperinci pakar oftalmologi diungkapkan dalam istilah yang tidak biasa kepada klinisian penerima, petunjuk diagnostik penting ini berisiko diabaikan atau disalahtafsirkan. Akibat yang berpotensi berkisar daripada rawatan tertangguh kepada diagnosis terlepas, akhirnya memberi kesan kepada hasil pesakit.
Pertimbangkan doktor penjagaan primer atau hospitalis yang menguruskan pesakit dengan pelbagai isu kesihatan. Mereka bergantung pada laporan daripada pelbagai pakar untuk membentuk pandangan holistik tentang keadaan pesakit. Nota oftalmologi yang dipenuhi dengan akronim seperti ‘Tmax’ (tekanan intraokular maksimum), ‘CCT’ (ketebalan kornea pusat), atau singkatan ubat khusus seperti ‘cosopt’ (ubat glaukoma gabungan) boleh mengelirukan dan memakan masa untuk ditafsirkan. Kekurangan kejelasan segera ini boleh menghalang pembuatan keputusan yang cekap dan merumitkan perbincangan dengan pesakit dan keluarga mereka tentang kepentingan penemuan mata dalam konteks kesihatan mereka yang lebih luas. Tambahan pula, pendedahan terhad yang diterima oleh ramai profesional perubatan kepada oftalmologi semasa latihan mereka – kadangkala hanya berjumlah beberapa kuliah – memburukkan lagi jurang pemahaman ini.
AI Memasuki Bilik Pemeriksaan: Kajian dalam Kejelasan
Menyedari kesesakan komunikasi ini, penyelidik memulakan kajian peningkatan kualiti untuk meneroka sama ada AI boleh berfungsi sebagai penterjemah yang berkesan. Persoalan terasnya ialah sama ada teknologi LLM semasa mempunyai kecanggihan, ketepatan, dan pangkalan pengetahuan terkini yang diperlukan untuk mengubah nota oftalmologi yang rumit menjadi ringkasan yang boleh difahami secara universal. Bolehkah AI secara berkesan merapatkan jurang terminologi antara pakar mata dan rakan sekerja mereka dalam bidang perubatan lain?
Kajian itu, yang dijalankan di Mayo Clinic antara Februari dan Mei 2024, melibatkan 20 pakar oftalmologi. Pakar-pakar ini ditugaskan secara rawak kepada salah satu daripada dua laluan selepas mendokumentasikan pertemuan pesakit. Satu kumpulan menghantar nota klinikal standard mereka terus kepada ahli pasukan penjagaan yang berkaitan (doktor, residen, felo, pengamal jururawat, pembantu doktor, dan kakitangan kesihatan bersekutu). Kumpulan lain terlebih dahulu memproses nota mereka melalui program AI yang direka untuk menghasilkan ringkasan bahasa mudah. Ringkasan yang dijana AI ini disemak oleh pakar oftalmologi, yang boleh membetulkan kesilapan fakta tetapi diarahkan untuk tidak membuat perubahan gaya. Ahli pasukan penjagaan yang menerima nota daripada kumpulan kedua ini menerima kedua-dua nota pakar asal dan ringkasan bahasa mudah yang dijana AI.
Untuk mengukur keberkesanan intervensi ini, tinjauan diedarkan kepada klinisian bukan oftalmologi dan profesional yang menerima nota ini. Sejumlah 362 respons telah dikumpulkan, mewakili kadar respons kira-kira 33%. Kira-kira separuh daripada responden menyemak hanya nota standard, manakala separuh lagi menyemak kedua-dua nota dan ringkasan AI. Tinjauan itu bertujuan untuk menilai kejelasan, pemahaman, kepuasan dengan tahap perincian, dan keutamaan keseluruhan.
Hasil yang Menarik: Keutamaan dan Peningkatan Pemahaman
Maklum balas daripada profesional bukan oftalmologi sangat positif terhadap ringkasan yang dibantu AI. 85% responden yang luar biasa menunjukkan keutamaan untuk menerima ringkasan bahasa mudah bersama nota asal, berbanding menerima nota standard sahaja. Keutamaan ini disokong oleh peningkatan ketara dalam persepsi kejelasan dan pemahaman.
- Kejelasan: Apabila ditanya sama ada nota itu ‘sangat jelas’, 62.5% daripada mereka yang menerima ringkasan AI bersetuju, berbanding hanya 39.5% daripada mereka yang menerima nota standard – perbezaan yang signifikan secara statistik (P<0.001). Ini menunjukkan AI berjaya menyingkirkan jargon yang mengelirukan dan menyampaikan maklumat teras dengan lebih mudah diakses.
- Pemahaman: Ringkasan itu juga secara jelas meningkatkan pemahaman. 33% penerima merasakan ringkasan AI meningkatkan pemahaman mereka ‘dengan banyak’, jauh lebih tinggi daripada 24% yang merasakan perkara yang sama tentang nota standard (P=0.001). Ini menunjukkan bahawa ringkasan itu bukan sahaja memudahkan bahasa tetapi secara aktif membantu dalam memahami intipati klinikal laporan tersebut.
- Kepuasan dengan Perincian: Menariknya, walaupun merupakan ringkasan, versi AI membawa kepada kepuasan yang lebih besar dengan tahap maklumat yang diberikan. 63.6% berpuas hati dengan perincian dalam format ringkasan AI, berbanding 42.2% untuk nota standard (P<0.001). Ini mungkin menunjukkan bahawa kejelasan mengatasi jumlah data teknikal semata-mata; memahami perkara utama dengan baik adalah lebih memuaskan daripada mempunyai akses kepada jargon yang luas yang tidak dapat ditafsirkan dengan mudah.
Salah satu penemuan yang paling menarik berkaitan dengan merapatkan jurang pengetahuan. Penyelidik memerhatikan bahawa klinisian yang pada mulanya melaporkan rasa tidak selesa dengan terminologi oftalmologi mengalami manfaat yang lebih ketara daripada ringkasan AI. Penambahan ringkasan bahasa mudah secara dramatik mengurangkan perbezaan pemahaman antara mereka yang selesa dan tidak selesa dengan jargon berkaitan mata, mengecilkan jurang daripada 26.1% turun kepada 14.4%. ‘Kesan penyamaan’ ini diperhatikan merentasi pelbagai peranan profesional, termasuk doktor, jururawat, dan kakitangan kesihatan bersekutu lain, menonjolkan potensi alat sedemikian untuk mendemokrasikan pemahaman merentasi pasukan penjagaan kesihatan yang pelbagai. Klinisian secara khusus mengulas bahawa ringkasan AI mahir dalam mentakrifkan akronim dan menerangkan istilah khusus, yang seterusnya memudahkan perbualan mereka seterusnya dengan pesakit dan keluarga tentang penemuan mata.
Kuasa Bahasa Mudah: Satu Contoh
Untuk menggambarkan perbezaan praktikal, pertimbangkan contoh hipotetikal berdasarkan penerangan kajian. Nota pakar oftalmologi untuk pesakit dengan glaukoma sudut terbuka primer mungkin berbunyi seperti ini:
‘Pt c/o blurred vision. Exam: VA OD 20/40, OS 20/30. IOPs 24 OD, 22 OS (Tmax 28). CCT 540 OU. Gonio: Open angles Gr III OU. ONH: C/D 0.7 OD, 0.6 OS, NRR thinning inf OD > OS. HVF: Sup arcuate defect OD. Plan: Cont Cosopt BID OU. F/U 3 mos. RTC sooner if sx worsen. Discussed SLT option.’
Bagi bukan pakar, ini padat dengan singkatan (Pt, c/o, VA, OD, OS, IOPs, Tmax, CCT, OU, Gonio, Gr, ONH, C/D, NRR, HVF, Cont, BID, F/U, RTC, sx, SLT) dan metrik khusus yang memerlukan tafsiran.
Sebaliknya, ringkasan bahasa mudah yang dijana AI, berdasarkan penerangan kajian tentang fungsinya, mungkin menyerupai:
‘Pesakit ini menghidap glaukoma, satu keadaan yang melibatkan tekanan tinggi di dalam mata yang boleh merosakkan saraf optik dan menyebabkan kehilangan penglihatan. Tekanan mata hari ini sedikit tinggi (24 di mata kanan, 22 di mata kiri). Saraf optik menunjukkan beberapa tanda kerosakan, lebih banyak di mata kanan. Ujian medan penglihatan mengesahkan beberapa kehilangan penglihatan di bahagian atas penglihatan periferi mata kanan. Pesakit akan terus menggunakan titisan mata Cosopt dua kali sehari di kedua-dua mata. Cosopt ialah ubat gabungan yang mengandungi dua ubat (dorzolamide dan timolol) untuk membantu menurunkan tekanan mata. Kami membincangkan Selective Laser Trabeculoplasty (SLT), prosedur laser untuk menurunkan tekanan mata, sebagai pilihan masa depan. Pesakit perlu kembali untuk susulan dalam 3 bulan, atau lebih awal jika penglihatan berubah atau gejala lain berlaku.’
Versi ini segera menjelaskan diagnosis, menerangkan tujuan ubat (mentakrifkan ‘Cosopt’), menterjemahkan penemuan utama ke dalam konsep yang boleh difahami, dan mengelakkan singkatan samar. Kejelasan yang dipertingkatkan ini membolehkan penyedia penjagaan primer atau doktor perunding memahami status pesakit dan rancangan pakar oftalmologi dengan cepat.
Kebimbangan Ketepatan dan Keperluan Pengawasan
Walaupun penerimaan yang sangat positif dan faedah yang ditunjukkan dalam pemahaman, kajian itu juga menyuarakan nada amaran kritikal mengenai ketepatan ringkasan yang dijana AI. Apabila pakar oftalmologi menyemak ringkasan awal yang dihasilkan oleh LLM sebelum ia dihantar, mereka mengenal pasti kesilapan dalam 26% kes. Walaupun sebahagian besar kesilapan ini (83.9%) diklasifikasikan sebagai mempunyai risiko rendah menyebabkan kemudaratan kepada pesakit, dan yang penting, tiada yang dianggap menimbulkan risiko kemudaratan teruk atau kematian, kadar kesilapan awal ini adalah signifikan.
Lebih membimbangkan lagi, analisis bebas seterusnya yang dijalankan oleh pakar oftalmologi luar menyemak 235 ringkasan bahasa mudah selepas ia telah disemak dan disunting oleh pakar oftalmologi kajian. Semakan ini mendapati bahawa 15% daripada ringkasan masih mengandungi kesilapan. Kadar kesilapan yang berterusan ini, walaupun selepas pengawasan pakar, menggariskan satu perkara penting: alat AI dalam tetapan klinikal tidak boleh berfungsi secara autonomi tanpa pengawasan manusia yang ketat.
Kajian itu tidak mendalami sifat khusus kesilapan ini, yang merupakan satu batasan. Kesilapan yang berpotensi boleh berkisar daripada ketidaktepatan kecil dalam menterjemah data berangka, salah tafsir keterukan penemuan, meninggalkan nuansa penting daripada nota asal, atau bahkan memperkenalkan maklumat yang tidak terdapat dalam teks sumber (halusinasi). Walaupun profil risiko dalam kajian ini kelihatan rendah, potensi kesilapan memerlukan aliran kerja yang mantap yang menggabungkan semakan dan pembetulan klinisian mandatori sebelum bergantung pada ringkasan yang dijana AI untuk membuat keputusan klinikal atau komunikasi. Perlu juga diperhatikan, seperti yang ditunjukkan oleh penulis kajian dengan merujuk kepada penyelidikan lain, bahawa kesilapan tidak eksklusif untuk AI; kesilapan boleh dan memang wujud dalam nota asal yang ditulis oleh klinisian juga. Walau bagaimanapun, memperkenalkan lapisan AI menambah sumber kesilapan berpotensi baharu yang mesti diuruskan.
Perspektif daripada Pakar
Pakar oftalmologi yang mengambil bahagian dalam kajian itu juga memberikan maklum balas. Berdasarkan 489 respons tinjauan (kadar respons 84% daripada pakar), pandangan mereka terhadap ringkasan AI secara amnya positif, walaupun mungkin dipengaruhi oleh kesedaran mereka tentang keperluan untuk pembetulan.
- Perwakilan Diagnosis: Peratusan yang tinggi, 90%, merasakan bahawa ringkasan bahasa mudah mewakili diagnosis pesakit ‘dengan banyak’. Ini menunjukkan AI secara amnya menangkap gambaran klinikal teras dengan tepat dari perspektif pakar.
- Kepuasan Keseluruhan: 75% daripada respons pakar oftalmologi menunjukkan mereka ‘sangat berpuas hati’ dengan ringkasan yang dihasilkan untuk nota mereka (diandaikan selepas semakan dan pembetulan mereka).
Walaupun berpuas hati, usaha yang terlibat dalam menyemak dan membetulkan ringkasan tidak dikira tetapi kekal sebagai pertimbangan penting untuk integrasi aliran kerja. Kadar kesilapan 15% yang ditemui walaupun selepas semakan mereka menonjolkan cabaran – pakar sibuk, dan pengawasan, walaupun perlu, perlu cekap dan boleh dipercayai.
Implikasi Lebih Luas dan Hala Tuju Masa Depan
Kajian ini membuka jendela tentang bagaimana teknologi, khususnya AI, boleh dimanfaatkan bukan untuk menggantikan interaksi manusia tetapi untuk meningkatkannya dengan mengatasi halangan komunikasi yang wujud dalam perubatan khusus. Kejayaan AI dalam menterjemahkan nota oftalmologi yang kompleks ke dalam bahasa mudah menjanjikan aplikasi yang lebih luas.
- Komunikasi Antara Klinisian: Model ini berpotensi disesuaikan untuk bidang lain yang sangat khusus (cth., kardiologi, neurologi, patologi) di mana terminologi kompleks boleh menghalang pemahaman oleh bukan pakar, meningkatkan penyelarasan penjagaan merentasi disiplin.
- Pendidikan Pesakit: Mungkin salah satu lanjutan potensi yang paling menarik ialah menggunakan alat AI yang serupa untuk menghasilkan ringkasan mesra pesakit bagi nota lawatan mereka sendiri. Memperkasakan pesakit dengan maklumat yang jelas dan boleh difahami tentang keadaan dan rancangan rawatan mereka boleh meningkatkan literasi kesihatan dengan ketara, memudahkan pembuatan keputusan bersama, dan berpotensi meningkatkan kepatuhan rawatan. Bayangkan portal pesakit secara automatik menyediakan ringkasan bahasa mudah di samping nota klinikal rasmi.
Walau bagaimanapun, penyelidik dengan betul mengakui batasan di luar kadar kesilapan. Kajian itu dijalankan di satu pusat akademik, berpotensi mengehadkan kebolehgeneralisasian penemuan kepada tetapan amalan lain (cth., hospital komuniti, amalan swasta). Maklumat demografi tentang peserta tinjauan tidak dikumpulkan, menghalang analisis tentang bagaimana faktor seperti pengalaman bertahun-tahun atau peranan khusus mungkin mempengaruhi persepsi. Yang penting, kajian itu tidak menjejaki hasil pesakit, jadi kepentingan klinikal langsung – sama ada ringkasan yang dipertingkatkan ini sebenarnya membawa kepada keputusan rawatan yang lebih baik atau hasil kesihatan – masih tidak diketahui dan merupakan bidang penting untuk penyelidikan masa depan.
Perjalanan mengintegrasikan AI ke dalam aliran kerja klinikal jelas sedang berjalan. Penyelidikan ini menyediakan bukti kukuh bahawa LLM boleh berfungsi sebagai alat yang berkuasa untuk meningkatkan kejelasan komunikasi antara profesional perubatan. Namun, ia juga berfungsi sebagai peringatan kuat bahawa teknologi adalah alat, bukan ubat mujarab. Jalan ke hadapan memerlukan pelaksanaan yang teliti, pengesahan berterusan, dan komitmen yang tidak berbelah bahagi terhadap pengawasan manusia untuk memastikan ketepatan dan keselamatan pesakit. Potensi untuk memecahkan halangan komunikasi yang telah lama wujud adalah besar, tetapi ia mesti diteruskan dengan tekun dan pemahaman yang jelas tentang keupayaan dan batasan kecerdasan buatan dalam landskap penjagaan kesihatan yang kompleks.