解锁医疗保健中的人工智能新可能性

美国的医疗保健系统正在经历由于机器学习和人工智能的使用而可能发生的重大变化的早期阶段。这种转变已经持续了十多年，但由于最近的进步，似乎即将发生更快速的变化。仍然需要做大量工作来了解人工智能在医疗保健中的最安全和最有效的应用，建立临床医生对人工智能的信任，并调整我们的临床教育系统以更好地利用基于人工智能的系统。

医疗保健中的人工智能应用

人工智能在医疗保健领域已经发展了几十年，既包括面向患者的功能，也包括后台功能。最早和最广泛的工作之一是使用深度学习和计算机视觉模型。

首先，介绍一些术语。传统的统计方法，例如观察性研究和临床试验，使用了基于回归模型的聚焦于人群的建模方法，其中独立变量用于预测结果。在这些方法中，虽然更多的数据是更好的，但存在一个平台效应，即在某个数据集大小以上，不能从数据中获得更好的推断。

人工智能带来了预测的新方法。称为感知器的结构处理逐行传递的数据，并创建为一系列微分方程的网络来修改输入数据，以产生输出。在训练期间，网络中的每一行数据都会修改网络中的每个层的方程，使预测输出与实际输出相匹配。随着训练集数据的处理，神经网络学会了如何预测结果。

存在多种类型的网络。 卷积神经网络（CNN）是最早在医疗保健应用中找到成功的模型之一。CNN非常擅长从图像中学习，这个过程称为计算机视觉，并且在图像数据突出的领域中找到应用：放射学、视网膜检查和皮肤图像。

一种新的神经网络类型称为变压器架构，已成为一种主导方法，主要是由于其在文本和文本与图像（也称为多模态数据）组合方面的惊人成功。变压器神经网络在给定一组文本时，非常擅长预测后续文本。变压器架构的一个应用是大型语言模型或LLM。LLM的多个商业示例包括Chat GPT、Anthropics Claude和Metas Llama 3。

通常观察到，神经网络在一般情况下很难找到改进学习的平台。换句话说，给定更多和更多的数据，神经网络继续学习和改进。限制其能力的主要因素是更大和更大的数据集以及训练模型的计算能力。在医疗保健领域，创建保护隐私的数据集以忠实地代表真实的临床护理是开发模型的关键优先事项。

LLM可能代表了医疗保健中人工智能应用的范式转变。由于它们处理语言和文本的能力，它们与电子记录非常匹配，在电子记录中几乎所有数据都是文本。它们也不需要高度注释的数据进行训练，但可以使用现有的数据集。这些模型的两个主要缺陷是1）它们没有世界模型或对正在分析的数据的理解（它们被称为花哨的自动补全），2）它们可以产生幻觉或编造，制造出看似准确但呈现为事实的文本或图像。

正在探索的人工智能用例包括自动化和增强放射学图像、视网膜图像和其他图像数据的阅读；减少临床文档的工作量并提高准确性，这是临床医生倦怠的主要来源；更好、更富有同情心的患者沟通；以及提高后台功能（如收入循环、运营和计费）的效率。

现实世界中的例子

人工智能已经逐渐被引入临床护理。通常，人工智能的成功使用都是在经过同行评审的试验之后，这些试验已经证明了成功，并在某些情况下获得了FDA的批准。

人工智能表现良好的最早用例之一是检测视网膜检查和放射学中的疾病。对于视网膜检查，已发表的关于这些模型性能的文献后来部署了自动视网膜检查以检测门诊环境中的视网膜疾病。图像分割的研究已经取得了多次成功，导致了多个软件解决方案为放射科医生提供决策支持，减少错误和检测异常以使放射科医生的工作流程更加高效。

较新的大型语言模型正在被探索以协助临床工作流程。环境语音正在被用于增强电子健康记录（EHR）的使用。目前，人工智能抄写员正在实施以协助医疗文档。这使医生能够专注于患者，同时人工智能处理文档过程，从而提高效率和准确性。

此外，医院和医疗系统可以使用人工智能的预测建模功能来风险分层患者，确定高风险或风险增加的患者，并确定最佳行动方案。事实上，人工智能的集群检测功能正在被越来越多地用于研究和临床护理，以识别具有相似特征的患者并确定他们的典型临床行动过程。这也可以实现虚拟或模拟临床试验以确定最有效的治疗方案并衡量其功效。

人工智能的一个潜在未来用例可能是使用人工智能驱动的语言模型进行医生-患者沟通。这些模型已被证明能够模拟富有同情心的对话，为患者提供有效的回应，使得处理困难的互动变得更加容易。人工智能在此应用可以显著改善患者护理，通过根据患者的病情严重程度和消息快速高效地分类患者的消息。

挑战和伦理考虑

将人工智能实施到医疗保健中的一个挑战是确保在使用人工智能工具时保持法规遵从性、患者安全和临床有效性。虽然临床试验是新治疗的标准，但关于人工智能工具是否应遵循相同的方法存在争论。另一个问题是数据泄露和患者隐私泄露的风险。训练在受保护的数据上的大型语言模型可能会泄露源数据，这对患者隐私构成重大威胁。医疗保健组织必须找到方法来保护患者数据并防止泄露以维持信任和保密性。训练数据中的偏差也是一个关键挑战，需要解决。为了避免偏差模型，必须引入更好的方法来避免训练数据中的偏差。开发能够更好地训练模型并将公平性融入医疗保健所有方面的培训和学术方法至关重要，以避免偏差。

人工智能的使用已经开辟了许多新的关注点和创新前沿。需要进一步研究人工智能在哪里可以真正带来临床益处。为了应对这些挑战和伦理问题，医疗保健提供者组织和软件公司必须专注于开发能够准确模拟医疗保健数据的数据集，同时确保匿名性和保护隐私。此外，医疗保健提供者、系统和技术/软件公司之间必须建立伙伴关系，以便在安全和周密的方式将人工智能工具引入实践。通过解决这些挑战，医疗保健组织可以利用人工智能的潜力，同时维护患者安全、隐私和公平。