Nature Medicine｜大语言模型改变医疗保健系统的六种方式

星标“医工学人”，第一时间获取医工交叉领域新闻动态~

前言

《自然医学》（Nature Medicine）邀请了六位杰出的人工智能研究人员来解释LLM驱动的聊天机器人如何对健康产生影响，从虚拟护士到癌症检测进展。

ChatGPT 于 2022 年底公开亮相，这是一款大型语言模型（LLM）聊天机器人，能够就几乎任何主题编写消息灵通且准确的文本，激发了人们对 LLM 的巨大兴趣——包括在医疗保健研究的许多领域。对LLM的投资现在正在爆炸式增长，对人工智能（AI）在健康领域的其他创新的研究也在爆炸式增长。

图片来源：Andrey Suslov / Alamy Stock Vector

Nature Medicine | Year in Review

1. 虚拟护士

美国有6800万成年人患有两种或两种以上的慢性疾病。总部位于加利福尼亚州帕洛阿尔托的 Hippocratic AI 的联合创始人兼首席执行官 Munjal Shah 估计：为了满足这些慢性疾病成年人对未来医疗保健的需求，我们的护理能力必须至少增加十倍。他说，目前，“我们只有资源为病情最严重的前20%的人提供慢性病护理支持。简而言之，我们没有足够的护士。

人工智能可以分析数百张乳房 X 光检查图像来预测转移性癌症。图片来源：Pulsar Imagens / Alamy Stock Photo

考虑到这一点，Shah 的公司（已获得 5000 万美元的风险投资支持）正在使用 LLM 来帮助护士完成工作。Shah 解释说，这种行政支持是“与诊断用例相比，LLM 更安全的用例”，他认为 AI 工具“可以扩展以真正解决医疗保健人员危机”。其目的是为慢性病护理创建虚拟护士，使用自动“声音”与患者交谈和倾听患者的声音。Shah说，虽然虚拟护士不会参与临床诊断，但他们可以提醒患者服药，遵循护理计划，安排后续预约，审查用药问题并帮助患者解决护理问题。

Shah 说，LLM 支持的慢性护理护士可以通过 NCLEX 护士执照考试和药剂师 NAPLEX 执照考试。他说，生成式AI护士可以“说每一种语言，并记住与每个病人的每一次对话”。

为训练LLM，Hippocratic AI 使用护理计划、法规和其他医疗手册中的文本构建了自己的模型。然后，该公司使用注册慢性护理护士和患者演员之间的对话来训练该模型如何像慢性病护士一样说话。

为了安全检查训练后的大模型，Hippocratic AI成立了一个安全委员会，并招募了一千多名护士在双盲随机试验中评估该模型。Shah说，该产品将一次发布一个子条件或程序（例如，针对慢性肾病患者，针对关节炎患者，等等）。

2. 临床病历

哈佛医学院医学教授大卫·贝茨（David Bates）说，LLM有望通过将临床医生从键盘中解放出来，为临床医生创造巨大的效率。

“我们遇到的一个问题是收件箱，”贝茨说。“大多数医生现在都在使用电子健康记录，这些记录会产生大量电子邮件，大多数医生没有很好的策略来管理这一点。贝茨说，LLM可以帮助对电子邮件进行分类，并可以通过训练以回复基本消息。“关键在于确保它不会说任何愚蠢的话。

LLM 还擅长于护理人员对慢性病患者进行检查时，在患者记录中写笔记和总结患者的问题。所有这些“可以使护理更快，”贝茨说。当然贝茨的关注点远非学术。今年9月，甲骨文公司宣布，公司准备推出一款基于人工智能语音和屏幕的临床数字助理，该助理可以执行管理任务以响应对话式语音命令。甲骨文表示，它的目标是在 2024 年底之前向市场发布这个数字助理。

3. 不良事件检测

Vivek Rudrapatna是加州大学旧金山分校的胃肠病学家，他一直与美国食品和药物管理局合作，从电子健康记录系统中的临床记录中挖掘不良事件数据。“临床记录没有得到充分利用，因为我们缺乏有效检查它们的工具，”Rudrapatna说。

多亏了LLM，情况不再如此，Rudrapatna兴奋地说道。它在理解自然语言处理方面取得了令人瞩目的进展，最初是在发布上下文感知深度学习模型之后，例如 BERT（来自转换器的双向编码器表示），现在使用 GPT-4。然而，临床记录中存在可识别的患者信息阻碍了该领域的研究。

Rudrapatna 通过自动编辑 7500 万份临床笔记中受保护的健康信息以及提取严重不良事件来应对这一挑战[1]。Rudrapatna和他的团队使用的BERT模型经过微调，仅提取导致住院的事件，并且还与使用生物免疫抑制剂治疗炎症性肠病有关，这是Rudrapatna的专长。

Rudrapatna现在希望LLM能够自动检测电子健康记录中的不良事件，并且“有朝一日可能会使用新的数据源支持在上市后环境中监测药物安全性，”他说。

4. 预测癌症转移

加拿大皇后大学生物医学计算和信息学加拿大研究主席Amber Simpson说，她正与纽约市纪念斯隆凯特琳癌症中心的研究团队合作开发LLMs，用于预测转移性癌症并协助设计临床治疗反应。

她对 LLM 辅助癌症诊断的研究包括一系列研究，其中从大量计算机断层扫描(CT)报告中提取癌症进展模式（在最近的研究中使用了 714,454 份结构化放射学报告[2]），并通过自然语言处理模型进行分析，然后用于预测多个器官的转移性疾病。这些模型使用连续结构化文本放射学报告的特征来预测转移性疾病的存在。通过为肿瘤学家提供癌症进展的预测途径，LLM将治疗策略转向更有针对性、更深思熟虑的方法。

“目前，我们研究每个人的数据是为了帮助少数人，”Simpson解释道。“有了这种类型的模型，如果你加上治疗数据，你就可以开始说这个病人应该接受的下一个治疗是这种特定的治疗 – 这确实是精准医学的圣杯。

Simpson补充说，这种方法有助于在临床试验之外，于现实世界中阐明抗癌药物。“这种类型的分析使我们能够了解癌症患者的人群水平分析以及药物在野外的作用。对于AI模型来说，这很不寻常，它已经在临床上使用。“我们已经证明这种方法可以在临床上使用。我们已经瞄准了患者，“Simpson说。

5. 影响健康的社会因素

LLM可以向临床医生提供有关健康的社会决定因素的有用信息，哥伦比亚大学护理学教授Maxim Topaz说。他花了数年时间完善基于 LLM 的方法，这些方法提供难以找到的、非结构化的、对健康有影响的非医学信息。

他的团队隶属于纽约市家庭护理服务公司VNS Health，该公司拥有近50,000名患者。“我们与临床医生、护士、职业治疗师、社会工作者、言语治疗师合作，”他解释道。他的团队希望了解如何使用有关健康的社会决定因素的信息，以及什么对不同的专家有帮助。

在 2022 年的一项研究中，Topaz 开发并验证了一种自然语言处理算法，用于识别与健康的社会决定因素相关的信息，这些信息在结构化电子健康记录中未常规捕获[3]。该工具用于识别缺乏社会支持且可能丧失行为能力的患者。该算法分析了有关病例管理、咨询、出院总结、护理、营养、康复、社会工作、入院、死亡、程序和进度记录的电子临床记录。

使用 LLM 分析健康的社会决定因素可能会应用于护理以外的医疗保健领域。2023 年 2 月美国国立卫生研究院研讨会报告强调，“心房颤动的计算方法必须包括健康的社会决定因素。必须解决这些非医疗因素，以消除医疗保健提供和结果方面的不平等。Topaz 和他的研究团队准备在“一年内”开始在临床环境中实施 LLM。

6. 对话式诊断AI

LLM将很快被内置到预测系统中，这些系统可以无缝集成到临床实践中，并“在医学成像领域提供极高的准确性，”Google AI的研究总监Greg Corrado说。他认为，许多医生都渴望轻松访问一个用户友好的系统，该系统可以检查和解释医学图像。

2023 年发表的几项回顾性研究（包括一项由 Corrado 及其同事撰写的研究）和一项大型前瞻性研究[4]）表明，人工智能可以分析乳腺癌的乳房X光检查图像，并具有诊断准确性。然而，Corrado 认为 AI 可以通过将筛查和诊断与 LLM 驱动的聊天机器人集成在一起，走得更远。

这种人工智能工具的集成将使临床医生能够“与系统进行对话，向它提问，向它寻求帮助”。他说，这种工具也可以用来起草报告，或改进现有报告。他解释说，这种方法将采用医学成像基础模型用来做出决定和建议的表示，并“将该表示重新表示为语言模型自然理解并能够熟悉的向量序列，”他说。

Corrado 说，在过去一年中，将 LLM 嵌入到临床系统中的技术手段（例如准确读取乳房 X 光照片的系统）变得更加可行。“我想说的是，我认为我们还没有到达那里，”他沉思道，“但你可以看到这条路上的早期足迹。

▼扫描下方二维码阅读全文