心脏骤停后，患者家属和医生常常面临关于患者康复机会的痛苦不确定性。在资源有限的医院中，这种不确定性更为严重，因为这些医院难以获得先进的诊断工具和大型数据集。
作为人工智能(AI)如何弥补这一差距的一个例子，杜克-新加坡国立大学医学院及其合作者的研究人员已经调整了一个先进的AI模型，以准确预测资源有限环境中心脏骤停后的神经功能恢复。
这项研究发表在《npj Digital Medicine》上，使用了迁移学习(transfer learning)，这是一种先进的AI方法，可以将基于大型数据集构建的预训练模型适配到具有有限本地数据的新环境中。这种方法在不需要大量数据收集的情况下提高了在新环境中的性能，使其特别适用于中低收入国家。
该团队采用了日本使用46,918名院外心脏骤停患者数据构建的大脑恢复预测模型，并将其适配用于越南，在那里该模型在一个较小的243名患者队列上进行了测试。
经过适配的模型表现明显更好，能够正确区分高风险和低风险患者的情况约为80%，而直接在越南环境中使用原始模型时这一比例约为46%。
该研究的资深作者、杜克-新加坡国立大学生物医学数据科学中心副教授兼杜克-新加坡国立大学AI+医学科学计划主任刘楠(Liu Nan)副教授表示："研究表明，AI模型不需要为每个新环境从头开始重建。通过安全有效地适配现有工具，迁移学习可以降低成本，缩短开发时间，并帮助将AI的益处扩展到资源较少的医疗系统。"
拓展AI在资源有限环境中的作用
除了预后预测外，AI在中低收入国家的各种医疗应用中也展现出巨大前景。在另一项发表在《Nature Health》上的研究中，杜克-新加坡国立大学研究人员及其合作者，包括来自伦敦大学学院(University College London, UCL)的同行，研究了大语言模型(LLMs)——这些模型经过海量文本训练，能够理解和生成人类语言——如何应用于推进全球健康。
在资源受限的环境中，它们有潜力改善医疗服务获取、诊断和临床决策。
突出的例子包括一个为南非准妈妈提供妊娠相关信息的聊天机器人，以及塞拉利昂社区卫生工作者使用的基于智能手机的应用程序，用于从血涂片样本中检测疟疾感染，这是一种比传统显微镜系统更具成本效益的方法。
尽管有这些创新进展，研究人员指出，AI的开发和部署仍然高度集中在高收入和上中等收入环境中。
尽管63%的受访研究人员、临床医生和服务提供商报告称正在积极使用AI工具，但许多中低收入国家仍面临着基础设施有限、专业知识不足以及缺乏解决这些差距的现有本地知识等障碍。
合著者、来自伦敦大学学院眼科研究所和莫菲尔德眼科医院NHS基金会信托的西格弗里德·瓦格纳(Siegfried Wagner)表示："大语言模型在专科医生最稀缺的环境中改造医疗保健的机会最大，但全球卫生界需要共同努力并具有一定的紧迫性，以确保在采用最具挑战性的地区支持大语言模型的实施。"
杜克-新加坡国立大学生物医学数据科学中心高级研究员、该研究的共同第一作者宁一霖(Ning Yilin)博士补充说，在将大语言模型整合到医疗保健中时，赋权人们应该是优先事项："加强数字素养和建立使用这些工具的信心将确保AI支持而非干扰劳动力。量身定制的技能发展路径可以帮助资源不足的工作人员适应和发展，使AI能够提升和增加临床和行政角色的价值。"
规划前进道路：治理与护栏
虽然AI工具有潜力改善医疗保健服务，但适当的治理框架对于安全和合乎伦理的实施至关重要。现有医疗技术法规通常不涉及AI特定风险，包括隐私问题和模型幻觉，也没有明确规定新工具安全部署和监督的责任。
为解决这些差距，杜克-新加坡国立大学领导的研究人员提议创建一个国际联盟——医疗智能系统生成模型监管监督、领导和责任伙伴关系(Partnership for Oversight, Leadership, and Accountability in Regulating Intelligent Systems-Generative Models in Medicine，简称POLARIS-GM)。
该联盟旨在建立可操作的最佳实践指南，用于监管新工具、监测其影响、建立安全护栏并将其适配用于资源有限的环境。汇聚全球医疗保健领导者、监管机构、伦理学家和患者团体，POLARIS-GM将采用分阶段的方法，首先审查现有研究，然后致力于在医疗保健AI治理方面达成全球共识。
杜克-新加坡国立大学AI+医学科学计划的Jasmine Ong博士和新加坡综合医院首席临床药师、发表在《Nature Medicine》上的通讯作者表示："通过明确的监督和明确定义的指南，医疗保健系统可以自信地利用AI的许多优势来改善健康结果，同时避免潜在的陷阱。
从政策制定者到患者团体，所有利益相关者在实现这一目标方面都发挥着关键作用。"
【全文结束】
