患者数据记录可能复杂且有时不完整，这意味着医生并不总能获得所需的所有信息。此外，医疗专业人员无法跟上行业内不断涌现的案例研究、研究论文、试验和其他前沿发展。
位于纽约市的纽约大学朗格健康中心（NYU Langone Health）提出了一种创新方法，以应对这些挑战，培养新一代医生。
该学术医疗中心包括纽约大学格罗斯曼医学院（NYU Grossman School of Medicine）、纽约大学格罗斯曼长岛医学院（NYU Grossman Long Island School of Medicine），以及六家住院医院和375个门诊地点。该中心开发了一个大型语言模型（LLM），作为受尊敬的研究伙伴和医学顾问。
每天晚上，该模型会处理电子健康记录（EHR），将其与相关研究、诊断提示和必要背景信息匹配，并在第二天早上通过简明的个性化电子邮件发送给住院医师。这是纽约大学朗格健康中心开创性的“精准医学教育”模式的一部分，该模式利用AI和数据为学生提供高度定制的学习路径。
“在医疗保健中，‘一切精准’的概念是必要的。”纽约大学朗格健康中心教育信息学副教务长兼医学教育创新研究所主任Marc Triola在接受VentureBeat采访时表示，“显然，证据表明，AI可以克服许多认知偏差、错误、浪费和低效率，改善诊断决策。”
纽约大学朗格健康中心如何使用Llama提升患者护理
纽约大学朗格健康中心使用基于最新版本的Llama-3.1-8B-instruct构建的开放权重模型和开源Chroma向量数据库进行检索增强生成（RAG）。但该模型不仅仅是访问文档——它还积极使用搜索和其他工具来发现最新的研究文献。
每天晚上，该模型连接到设施的EHR数据库，提取前一天在朗格就诊的患者的医疗数据。然后，它搜索有关诊断和医疗条件的基本背景信息。通过Python API，该模型还在PubMed中搜索相关医学文献，PubMed拥有“数百万篇论文”。LLM筛选评论、深入研究论文和临床试验，选择看似最相关的几篇，并“整理成一封漂亮的电子邮件”。
第二天早晨，医学生和内科、神经外科及放射肿瘤科住院医师会收到一封包含详细患者摘要的个性化电子邮件。例如，如果一名心力衰竭患者前一天进行了检查，电子邮件将提供关于心脏疾病基本病理生理学的复习和最新治疗信息。它还提供自测问题和AI精选的医学文献。此外，它可能会给出住院医师可以采取的下一步措施或可能遗漏的行动或细节。
“我们从学生、住院医师和教师那里得到了很好的反馈，他们认为这无缝地使他们保持最新状态，他们将其纳入到患者护理计划的选择中。”Triola表示。
对他个人而言，一个关键的成功指标是在系统故障导致邮件中断几天后，教师和学生抱怨没有收到他们依赖的早晨提醒。
“因为我们在医生开始查房前发送这些电子邮件——这是他们一天中最疯狂和最繁忙的时间之一——而他们注意到没有收到这些电子邮件，并且感到缺失，这太棒了。”他说。
精准医学教育正在改变行业
这种复杂的AI检索系统是纽约大学朗格健康中心精准医学教育模式的基础，该模式基于“高密度、无缝”的数字数据、AI和强大算法。
该机构在过去十年中收集了大量关于学生的数据——他们的表现、他们在照顾患者的环境中、他们编写的EHR笔记、他们做出的临床决策以及他们通过患者互动和护理进行推理的方式。此外，纽约大学朗格健康中心拥有所有可供医学生使用的资源目录，无论是视频、自学或考试题目，还是在线学习模块。
该项目的成功还得益于医疗设施的精简架构：它拥有集中化的IT系统、单一的医疗数据仓库和单一的教育数据仓库，使Langone能够整合其各种数据资源。
首席医疗信息官Paul Testa指出，伟大的AI/ML系统离不开伟大的数据，但如果数据分散在各个孤岛中，“这不是最容易做到的事情。”尽管该医疗系统规模庞大，但它运作方式是“一个患者，一份记录，一个标准”。
生成式AI使纽约大学朗格健康中心摆脱“一刀切”教育
正如Triola所说，他的团队一直在思考的问题是：“他们如何将诊断、学生的个人背景和所有这些学习材料联系起来？”
“突然间，我们有了这个解锁这一切的伟大钥匙：生成式AI。”他说道。
这使得学校能够摆脱“一刀切”的模式，无论学生打算成为神经外科医生还是精神科医生——这两个截然不同的学科需要独特的教学方法。
在整个学习过程中，学生需要个性化的教育，以及适应他们需求的“教育提醒”，但他表示，不能简单地告诉教师“花更多时间与每个学生在一起”——这是不可能的。
“我们的学生非常渴望这一点，因为他们认识到这是医学和生成式AI快速变化的时期。”Triola说。“这绝对会改变成为一名医生的意义。”
成为其他医疗机构的榜样
当然，这一过程中并非没有挑战。特别是技术团队一直在解决模型的“不成熟”问题。
正如Triola所指出的：“令人惊讶的是它们嵌入的知识多么广泛和准确，有时又多么有限。它可以在99次中完美预测，但在第100次时会做出有趣的选择。”
例如，在早期开发阶段，LLMs无法区分皮肤溃疡和胃溃疡，这两种溃疡“概念上完全不同”。他的团队随后专注于提示优化和基础工作，结果是“显著的”。
事实上，他的团队对堆栈和流程充满信心，认为它可以为其他机构树立榜样。“我们倾向于开源和开放权重，因为我们希望达到一个可以告诉其他医学院，许多资源不足的医学院也可以低成本实现这一点。”Triola解释道。
Testa也同意：“它是可复制的吗？是我们想推广的东西吗？绝对的，我们希望在医疗保健行业中推广它。”
重新评估医学中的“神圣”实践
可以理解的是，行业内对AI系统中可能存在的细微偏见有很多担忧。然而，Triola指出，在这种用例中，这不是主要问题，因为AI的任务相对简单。“它在搜索、选择列表和总结方面做得很好。”他指出。
相反，最大的担忧之一是技能退化。这里有一个类比：某些年龄段的人可能记得在小学学习草书——但他们很可能已经忘记了这项技能，因为在成人生活中很少有机会使用。现在，草书几乎被淘汰，很少在今天的初等教育中教授。
Triola指出，有些部分被认为是成为医生的“神圣”部分，有些人不愿意以任何形式将这些交给AI或数字系统。例如，有一种看法认为年轻医生应该在不在临床环境时积极研究最新的文献。但他强调，当今的医学知识量和临床医学的“快节奏”要求不同的做事方式。
在研究和检索信息方面，他指出：“AI做得更好，这是一个许多人不愿相信的不舒服的事实。”
相反，他建议：“假设这将赋予医生超级能力，找出人类和AI之间的副驾关系，而不是竞争关系，谁做什么。”
(全文结束)
