Każda zrealizowana recepta czy opłacone badanie laboratoryjne to kolejny wpis w ogromnym rejestrze roszczeń medycznych. Przez lata te dane, generowane głównie dla celów rozliczeniowych, a nie badawczych, postrzegano jako szum administracyjny. Sytuacja uległa jednak zmianie dzięki nowemu modelowi bazowemu, który został przeszkolony bezpośrednio na sekwencjach takich roszczeń. Narzędzie to potrafi obecnie wyodrębniać wzorce pozwalające na prognozowanie początku chorób oraz emulowanie wyników badań klinicznych z niezwykłą precyzją.
System traktuje historię każdego pacjenta jako chronologiczną sekwencję ustandaryzowanych kodów, obejmującą diagnozy, procedury, leki oraz rodzaje wizyt. Działa to w sposób zbliżony do modeli językowych przetwarzających zdania. Analizując statystyczne zależności w milionach takich ścieżek, model identyfikuje sygnały poprzedzające wystąpienie niewydolności serca, przewlekłej choroby nerek czy niektórych nowotworów, niekiedy z wyprzedzeniem wielu lat. Ponieważ dane o roszczeniach są już ujednolicone i gromadzone na skalę całej populacji, podejście to omija bariery związane z fragmentacją i prywatnością, które często blokują dostęp do surowej dokumentacji elektronicznej.
Wstępne rezultaty sugerują, że model potrafi również symulować skutki różnych ścieżek terapeutycznych. Oferuje to formę emulacji badań klinicznych bez konieczności rekrutacji uczestników czy randomizacji interwencji. Jest to przełomowa funkcja, biorąc pod uwagę, że tradycyjne badania są powolne, kosztowne i często nie reprezentują pacjentów z rzeczywistego świata, którzy borykają się z wieloma schorzeniami jednocześnie. Obserwacyjna emulacja na podstawie roszczeń pozwala szybciej uzyskać szacunki efektów w szerszych grupach społecznych, choć naukowcy ostrzegają, że niezaobserwowane zmienne zakłócające i wybory kodowania podyktowane rozliczeniami wciąż ograniczają pewność wyników.
Praktyczne znaczenie tych technologii szybko przenika do codziennego życia. Ubezpieczyciele lub systemy opieki zdrowotnej korzystające z tych prognoz mogłyby typować osoby do wcześniejszych badań przesiewowych lub programów profilaktycznych. Z drugiej strony, te same wskaźniki mogą wpływać na decyzje o objęciu ubezpieczeniem lub wysokość składek, zanim jeszcze pojawią się jakiekolwiek objawy. Dane o roszczeniach odzwierciedlają nie tylko biologię, ale także dostęp do opieki, praktyki kodowania i zachęty finansowe. Modele na nich trenowane ryzykują pogłębienie istniejących nierówności w zakresie tego, kto otrzymuje diagnozy i leczenie.
Warto porównać te dane do różnicy między osobistym pamiętnikiem a rejestrem czekowym. Pamiętnik opisuje uczucia, natomiast rejestr pokazuje jedynie, za co i kiedy zapłacono. Niemniej jednak wzorce w rejestrze płatności – powtarzające się wizyty u specjalistów, po których następują konkretne klasy leków, czy nagromadzenie roszczeń ratunkowych po rutynowych zabiegach – mogą ujawnić trajektorie, których pamiętniki nie dostrzegają. Model bazowy w zasadzie analizuje ten finansowy rejestr na skalę populacyjną, zamieniając artefakty rozliczeniowe w prognozy probabilistyczne.
Deweloperzy farmaceutyczni widzą w tym szansę na szybsze generowanie hipotez i skuteczniejszy nadzór po wprowadzeniu leków na rynek. Organy regulacyjne stoją przed trudniejszym zadaniem: muszą zdecydować, kiedy dowody z emulacji są wystarczająco wiarygodne, by wpływać na etykietowanie leków lub zakres refundacji. Pacjenci tymczasem rzadko wiedzą, że ich historie roszczeń są wykorzystywane w ten sposób, i mają ograniczone możliwości odwołania się od powstałych prognoz. Ostateczne pytanie nie brzmi, czy prognozy są technicznie wykonalne, lecz czy instytucje wykorzystają je do rozszerzenia opieki, czy do efektywniejszej alokacji zasobów kosztem autonomii jednostki.
