纽约西奈山医学院的研究人员已经确定了在医疗系统中使用大语言模型（LLMs）的方法，同时保持成本效益和性能。这项研究结果于11月18日在线发表在《npj数字医学》上，提供了医疗系统如何高效利用LLMs自动化任务的见解，节省时间并减少运营成本，同时确保这些模型在高任务负载下仍能保持可靠。
研究人员指出，像OpenAI的GPT-4这样的大语言模型为自动化和简化工作流程提供了令人鼓舞的方式，可以通过协助各种任务来实现。然而，持续运行这些AI模型的成本很高，这成为广泛使用的财务障碍，研究者们表示。
该研究涉及测试10个LLMs与真实患者数据，考察每个模型对不同类型临床问题的响应。团队进行了超过300,000次实验，逐步增加任务负载，评估模型如何应对不断增长的需求。除了测量准确性外，团队还评估了模型遵守临床指令的情况。随后进行了经济分析，结果显示，通过任务分组，医院可以削减AI相关成本，同时保持模型性能不变。
研究显示，通过将多达50个临床任务（如匹配患者参加临床试验、构建研究队列、提取流行病学研究数据、审查药物安全性和识别适合预防健康筛查的患者）组合在一起，LLMs可以同时处理这些任务，而不会显著降低准确性。这种任务分组方法表明，医院可以优化工作流程并将API成本降低高达17倍，对于大型医疗系统而言，每年可节省数百万美元，使高级AI工具更具财务可行性。
“我们的研究旨在找到实用的方法来降低成本，同时保持性能，以便医疗系统可以有信心地大规模使用LLMs，”第一作者Eyal Klang博士、Icahn西奈山医学院D3M生成式AI研究项目主任在声明中解释道，“我们对这些模型进行了压力测试，评估它们同时处理多个任务的能力，并找出保持高性能和成本可控的策略。”
“我们的研究结果为医疗系统提供了一个路线图，以高效整合高级AI工具，潜在地将LLMs的API调用成本降低高达17倍，并确保在高工作负载下的稳定性能，”共同资深作者Girish Nadkarni博士、医学硕士、Icahn西奈山医学院的Arthur M. Fishberg医学教授、查尔斯·布朗夫曼个性化医学研究所主任、西奈山医疗系统的数据驱动和数字医学（D3M）部门主任在声明中表示。
(全文结束)
