人工智能在醫(yī)療領(lǐng)域的應(yīng)用有著巨大潛力，可以改善患者治療、減輕醫(yī)院和臨床醫(yī)生的行政負(fù)擔(dān)，以及優(yōu)化醫(yī)療流程等。然而，在臨床環(huán)境中引入新技術(shù)，特別是人工智能時(shí)，也會(huì)面臨一系列挑戰(zhàn)。麻省理工學(xué)院日前發(fā)布了一項(xiàng)研究，深入探討了在美國(guó)醫(yī)院系統(tǒng)中實(shí)施生成式人工智能遇到的一系列問(wèn)題，為我們提供了一個(gè)全面而深刻的視角。

過(guò)去的研究強(qiáng)調(diào)，當(dāng)臨床工作人員參與不足時(shí)，技術(shù)的應(yīng)用會(huì)遇到障礙；當(dāng)專家被要求與新技術(shù)系統(tǒng)互動(dòng)時(shí)，信任和安全也會(huì)面臨挑戰(zhàn)。另一個(gè)主要挑戰(zhàn)是如何與傳統(tǒng)系統(tǒng)，特別是電子病歷（ＥＨＲ）系統(tǒng)集成。

事實(shí)上，過(guò)去在醫(yī)療系統(tǒng)中推廣新技術(shù)的嘗試往往會(huì)導(dǎo)致意想不到的后果，例如增加醫(yī)生和臨床團(tuán)隊(duì)的管理負(fù)擔(dān)。此外，盡管有幾個(gè)成功的案例，但在醫(yī)療保健系統(tǒng)中大規(guī)模實(shí)地實(shí)施人工智能軟件的數(shù)量仍然相對(duì)較少。

麻省理工學(xué)院的這項(xiàng)研究，首先明確了一組概念：

• 傳統(tǒng)的人工智能模型和算法，稱為狹義人工智能（Ｎａｒｒｏｗ?。粒伞?，以下簡(jiǎn)稱ＮＡＩ）；

• 最近的生成式人工智能模型和算法（Ｇｅｎｅｒａｔｉｖｅ，以下簡(jiǎn)稱ＧＡＩ）。

雖然這兩種應(yīng)用在技術(shù)上都屬于預(yù)測(cè)算法，但這兩種工具具有不同的技術(shù)特點(diǎn)，因而適用于不同的用例、不同的用戶體驗(yàn)以及對(duì)機(jī)構(gòu)的不同影響。

兩者之間至少有三個(gè)主要區(qū)別：

• 首先，ＮＡＩ模型和算法通常是為特定的預(yù)測(cè)任務(wù)（例如通過(guò)乳房Ｘ光檢測(cè)癌癥）而構(gòu)建的。相比之下，ＧＡＩ工具通?；诖笮驼Z(yǔ)言模型（ＬＬＭ），能夠執(zhí)行各種各樣的任務(wù)，例如搜索、摘要和文本生成任務(wù)（例如，患者訪問(wèn)記錄摘要）。

• 其次，ＮＡＩ模型和算法通常是根據(jù)目標(biāo)預(yù)測(cè)任務(wù)的特定的標(biāo)注數(shù)據(jù)集開發(fā)的。另一方面，與廣泛的功能相對(duì)應(yīng)，ＧＡＩ工具需要更大更廣的數(shù)據(jù)集。

• 第三，與通常非常結(jié)構(gòu)化的ＮＡＩ模型的輸出不同，ＧＡＩ模型的輸出通常是復(fù)雜和非結(jié)構(gòu)化的。

該研究從技術(shù)、組織和認(rèn)知三個(gè)角度研究了醫(yī)療系統(tǒng)中ＮＡＩ和ＧＡＩ應(yīng)用所面臨的挑戰(zhàn)。

盡管ＡＩ的性能取得了顯著進(jìn)步，但其在醫(yī)療系統(tǒng)中的實(shí)際應(yīng)用仍面臨技術(shù)挑戰(zhàn)。

首先，醫(yī)療保健的流程環(huán)境要求新技術(shù)能夠與傳統(tǒng)ＩＴ系統(tǒng)，尤其是電子病歷系統(tǒng)有效整合。然而，由于臨床醫(yī)生記錄和存儲(chǔ)數(shù)據(jù)的方式各不相同，患者記錄中的文本數(shù)據(jù)可能無(wú)法用于訓(xùn)練ＮＡＩ和機(jī)器學(xué)習(xí)（ＭＬ）模型，導(dǎo)致數(shù)據(jù)異質(zhì)性問(wèn)題。

ＧＡＩ工具雖然有望解決數(shù)據(jù)異質(zhì)性問(wèn)題，但它們?cè)谏晌谋净貜?fù)和摘要時(shí)可能會(huì)利用不相關(guān)的數(shù)據(jù)，造成所謂的“幻覺(jué)”，即數(shù)據(jù)保真度問(wèn)題。例如，大型語(yǔ)言模型（ＬＬＭ）在總結(jié)病人筆記時(shí)可能會(huì)引入不準(zhǔn)確的信息，這對(duì)于依賴精確數(shù)據(jù)進(jìn)行治療決策的醫(yī)療行業(yè)來(lái)說(shuō)是一個(gè)嚴(yán)峻的挑戰(zhàn)。

由于這一問(wèn)題，早期，ＧＡＩ在醫(yī)院的集中應(yīng)用僅僅被部署在風(fēng)險(xiǎn)相對(duì)較低的環(huán)境中，在這些環(huán)境中，準(zhǔn)確性和數(shù)據(jù)真實(shí)性并不太重要。例如，在生成病歷摘要的應(yīng)用中，醫(yī)護(hù)人員可以使用完整的病歷，因此即使病歷摘要包含不準(zhǔn)確的內(nèi)容，也起碼會(huì)保留＂基本事實(shí)＂。在回復(fù)患者咨詢的場(chǎng)景中，如果臨床醫(yī)生選擇使用?。牵粒蛇M(jìn)行回復(fù)，系統(tǒng)會(huì)提示他們?cè)诎l(fā)送前可以對(duì)信息進(jìn)行編輯，這些都是保障措施。

再次強(qiáng)調(diào)ＧＡＩ有別于?。危粒傻娜齻€(gè)關(guān)鍵技術(shù)特征：①龐大的數(shù)據(jù)和計(jì)算需求使本地設(shè)計(jì)和開發(fā)變得不切實(shí)際；②靈活性強(qiáng)，使分散的用戶轉(zhuǎn)向分散控制，以及從內(nèi)部的監(jiān)控和流程改進(jìn)轉(zhuǎn)向外部。

從開發(fā)角度，ＧＡＩ解決方案的開發(fā)越來(lái)越依賴于?。桑浴〔块T成員的在采購(gòu)和部署方面的專業(yè)知識(shí)，而不是臨床業(yè)務(wù)部門領(lǐng)導(dǎo)和ＡＩ開發(fā)人員在臨床和技術(shù)知識(shí)。因此領(lǐng)導(dǎo)者需要處理這些利益相關(guān)群體之間的關(guān)系。

從實(shí)施角度，由于ＧＡＩ解決方案與ＮＡＩ相比具有更大的靈活性，終端用戶只需接受少量培訓(xùn)，就能熟練使用?。牵粒山鉀Q方案，而不依賴?。粒砷_發(fā)人員集中參與。例如，在紐約大學(xué)朗貢分校，登記部門的行政主管用戶甚至可以自己開發(fā)面向患者的登記聊天機(jī)器人，而ＡＩ開發(fā)者僅僅支持了用戶的基本技能和安全指導(dǎo)，幫助促進(jìn)自下而上的解決方案開發(fā)和共享，支持了這種分散式的實(shí)施。

在維護(hù)環(huán)節(jié)，快速變化的外部軟硬件技術(shù)和法規(guī)可能會(huì)影響人工智能模型的性能，因此醫(yī)療機(jī)構(gòu)的領(lǐng)導(dǎo)者需要將重點(diǎn)從監(jiān)控內(nèi)部運(yùn)營(yíng)轉(zhuǎn)向關(guān)注外部環(huán)境，以提高模型性能和服務(wù)質(zhì)量。例如，朗貢分校的領(lǐng)導(dǎo)還與政府事務(wù)團(tuán)隊(duì)合作，提高政府機(jī)構(gòu)不斷制定治理政策的意識(shí)。

在醫(yī)護(hù)人員層面，ＮＡＩ和ＧＡＩ的引入凸顯了人機(jī)交互風(fēng)險(xiǎn)，包括技能萎縮、對(duì)ＡＩ信任的誤判以及信息超載。

例如，臨床醫(yī)生可能過(guò)度依賴ＡＩ模型來(lái)管理出院事宜，導(dǎo)致他們的專業(yè)技能萎縮。

此外，如今的?。牵粒晒ぞ咄ǔ＠蒙窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)，即使是開發(fā)人員也無(wú)法理解，這與過(guò)去可以被人類操作員追蹤的基于明確規(guī)則的系統(tǒng)不同。ＧＡＩ模型的不透明性放大了信任誤判的風(fēng)險(xiǎn)。在低風(fēng)險(xiǎn)應(yīng)用中，這可能不是問(wèn)題。但在診斷應(yīng)用中，ＧＡＩ的用戶必須解釋輸出結(jié)果的有效性，而ＬＬＭ的黑箱性質(zhì)可能會(huì)帶來(lái)挑戰(zhàn)。

ＧＡＩ工具的靈活性也帶來(lái)了額外的挑戰(zhàn)。對(duì)于人類操作員來(lái)說(shuō)，很難理解?。牵粒晒ぞ咴谀男┓矫鏁?huì)產(chǎn)生可靠的結(jié)果，而在哪些方面則不會(huì)。例如，即使ＬＬＭ在早期響應(yīng)病人信息的試驗(yàn)中產(chǎn)生了可靠的結(jié)果，但隨著時(shí)間的推移，它可能會(huì)被證明是不適應(yīng)的。人工智能系統(tǒng)通過(guò)對(duì)新數(shù)據(jù)的自我監(jiān)督不斷更新行為，從人類操作員的角度來(lái)看，這大大增加了不可預(yù)測(cè)性。

一些開放性問(wèn)題和新方向

該研究提到，以上三個(gè)方面的不同挑戰(zhàn)，是基于醫(yī)院人工智能早期部署和實(shí)驗(yàn)的最新證據(jù)，以及電子病歷等新技術(shù)影響下的長(zhǎng)期證據(jù)。通過(guò)這些證據(jù)能夠總結(jié)出ＧＡＩ新應(yīng)用所面臨的潛在挑戰(zhàn)，但要評(píng)估這些挑戰(zhàn)在實(shí)踐中將如何體現(xiàn)，以及在何種條件下體現(xiàn)還為時(shí)尚早。這項(xiàng)研究既是為醫(yī)療機(jī)構(gòu)領(lǐng)導(dǎo)者提供的潛在障礙地圖，也是一套假設(shè)，有待未來(lái)在部署　ＧＡＩ應(yīng)用的醫(yī)院進(jìn)行實(shí)證研究時(shí)加以檢驗(yàn)。因?yàn)槊總€(gè)挑戰(zhàn)中都體現(xiàn)著新的研究方向。

首先，在將?。牵粒梢肱R床流程時(shí)，存在著潛在幻覺(jué)，以及缺乏可解釋性相關(guān)的風(fēng)險(xiǎn)。那么醫(yī)院將采用哪些策略來(lái)管理這些風(fēng)險(xiǎn)？他們將如何衡量這些風(fēng)險(xiǎn)是否值得承擔(dān)，尤其是當(dāng)醫(yī)院可能面臨著生產(chǎn)率提高的高概率，以及臨床錯(cuò)誤的低概率時(shí)。

第二，ＧＡＩ的引入對(duì)不同技能水平的工作人員的影響也是一個(gè)值得研究的問(wèn)題。來(lái)自非醫(yī)療領(lǐng)域的早期實(shí)驗(yàn)室和現(xiàn)實(shí)證據(jù)表明，當(dāng)引入　ＧＡＩ工具時(shí)，低技能工人獲益最大，這與以往的軟件技術(shù)形成了鮮明對(duì)比，以往的軟件技術(shù)往往偏向于高技能人才。那么在醫(yī)療領(lǐng)域，技能最低的工作人員是否會(huì)從　ＧＡＩ的引入中獲益最多，這仍然是一個(gè)懸而未決的問(wèn)題。即使技能最低的人在　ＧＡＩ的幫助下業(yè)績(jī)提高最多，體驗(yàn)到生產(chǎn)率的邊際增長(zhǎng)，但可能不會(huì)從ＧＡＩ中看到工資或職業(yè)發(fā)展優(yōu)勢(shì)。

第三，過(guò)去的研究表明，引入高質(zhì)量自動(dòng)化可能會(huì)導(dǎo)致技能萎縮。如果自動(dòng)化程度過(guò)高，而對(duì)人類操作員的認(rèn)知要求較低，那么人類獨(dú)立完成任務(wù)和識(shí)別潛在錯(cuò)誤的能力就會(huì)降低。在醫(yī)療保健領(lǐng)域，還沒(méi)有明確的證據(jù)表明技能萎縮或績(jī)效挑戰(zhàn)與引入ＧＡＩ有關(guān)。不過(guò)，這是一個(gè)有待驗(yàn)證的假設(shè)，各機(jī)構(gòu)在衡量新的?。牵粒蓱?yīng)用對(duì)其員工的影響時(shí)，需要對(duì)風(fēng)險(xiǎn)進(jìn)行管理。

注：文章來(lái)源于網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系刪除