سوابق دادههای بیماران میتوانند پیچیده و گاهی ناقص باشند، به این معنی که پزشکان همیشه تمام اطلاعات مورد نیاز خود را به راحتی در دسترس ندارند. به این موضوع اضافه کنید این واقعیت را که متخصصان پزشکی نمیتوانند با حجم زیادی از مطالعات موردی، مقالات تحقیقاتی، آزمایشها و سایر پیشرفتهای پیشرفتهای که از این صنعت بیرون میآید، همگام شوند.
NYU Langone Health واقع در شهر نیویورک، رویکردی نوین برای مقابله با این چالشها برای نسل بعدی پزشکان ارائه کرده است.
این مرکز پزشکی آکادمیک - که شامل دانشکده پزشکی NYU Grossman و دانشکده پزشکی NYU Grossman Long Island و همچنین شش بیمارستان بستری و ۳۷۵ مکان سرپایی است - یک مدل زبان بزرگ (LLM) توسعه داده است که به عنوان یک همراه تحقیقاتی مورد احترام و مشاور پزشکی عمل میکند.
هر شب، این مدل سوابق الکترونیکی سلامت (EHR) را پردازش میکند و آنها را با تحقیقات مرتبط، نکات تشخیصی و اطلاعات پسزمینه ضروری مطابقت میدهد و سپس در ایمیلهای مختصر و متناسب با دستیاران در صبح روز بعد ارائه میدهد. این یک بخش اساسی از رویکرد پیشگامانه NYU Langone به آموزش پزشکی است - چیزی که آن را "آموزش پزشکی دقیق" مینامد که از هوش مصنوعی و داده برای ارائه سفرهای دانشجویی بسیار سفارشیشده استفاده میکند.
مارک تریولا، معاون دانشکده انفورماتیک آموزشی و مدیر مؤسسه نوآوریها در آموزش پزشکی در NYU Langone Health، به VentureBeat گفت: «این مفهوم "دقت در همه چیز" در مراقبتهای بهداشتی مورد نیاز است. «به وضوح شواهدی در حال ظهور است مبنی بر اینکه هوش مصنوعی میتواند بر بسیاری از سوگیریهای شناختی، خطاها، اتلاف و ناکارآمدیها در سیستم مراقبتهای بهداشتی غلبه کند، و میتواند تصمیمگیری تشخیصی را بهبود بخشد.»
چگونه NYU Langone از Llama برای ارتقای مراقبت از بیمار استفاده میکند
NYU Langone از یک مدل وزن-باز ساخته شده بر روی آخرین نسخه Llama-3.1-8B-instruct و پایگاه داده برداری Chroma متنباز برای تولید افزوده شده با بازیابی (RAG) استفاده میکند. اما این فقط دسترسی به اسناد نیست - این مدل فراتر از RAG میرود و به طور فعال از جستجو و سایر ابزارها برای کشف آخرین اسناد تحقیقاتی استفاده میکند.
هر شب، این مدل به پایگاه داده EHR مرکز متصل میشود و دادههای پزشکی بیماران مشاهده شده در Langone در روز قبل را استخراج میکند. سپس به دنبال اطلاعات پسزمینه اساسی در مورد تشخیصها و شرایط پزشکی میگردد. با استفاده از یک API پایتون، این مدل همچنین یک جستجو در ادبیات پزشکی مرتبط در PubMed انجام میدهد، که دارای "میلیونها و میلیونها مقاله" است، همانطور که تریولا توضیح داد. LLM بررسیها، مقالات عمیق و آزمایشهای بالینی را بررسی میکند و چند مورد از به ظاهر مرتبطترین آنها را انتخاب میکند و "همه آنها را در یک ایمیل زیبا جمع میکند".
صبح زود روز بعد، دانشجویان پزشکی و دستیاران داخلی، جراحی مغز و اعصاب و رادیوانکولوژی یک ایمیل شخصیسازی شده با خلاصههای دقیق بیمار دریافت میکنند. به عنوان مثال، اگر بیماری با نارسایی احتقانی قلب برای چکاپ در روز قبل مراجعه کرده باشد، این ایمیل یک یادآوری در مورد پاتوفیزیولوژی اساسی بیماریهای قلبی و اطلاعاتی در مورد آخرین درمانها ارائه میدهد. همچنین سوالات خودآموزی و ادبیات پزشکی انتخاب شده توسط هوش مصنوعی را ارائه میدهد. علاوه بر این، ممکن است نکاتی را در مورد اقداماتی که دستیاران میتوانند در مرحله بعد انجام دهند یا اقداماتی یا جزئیاتی که ممکن است از دست داده باشند، ارائه دهد.
تریولا گفت: "ما بازخورد عالی از دانشجویان، از دستیاران و از دانشکده در مورد اینکه چگونه این امر آنها را به طور بدون اصطکاک به روز نگه میدارد، چگونه آنها این را در نحوه انتخاب خود در مورد برنامه مراقبت از بیمار گنجاندهاند، دریافت کردهایم."
یک معیار کلیدی موفقیت برای خود او شخصاً زمانی بود که یک قطعی سیستم ایمیلها را برای چند روز متوقف کرد - و اعضای هیئت علمی و دانشجویان شکایت کردند که هشدارهای صبحگاهی را که به آنها تکیه کرده بودند، دریافت نمیکنند.
او گفت: "از آنجایی که ما این ایمیلها را درست قبل از شروع گردشهای پزشکان خود ارسال میکنیم - که از جمله دیوانهکنندهترین و شلوغترین زمانهای روز برای آنهاست - و برای آنها متوجه شدن اینکه این ایمیلها را دریافت نمیکنند و دلتنگ آنها شدن به عنوان بخشی از تفکرشان عالی بود."
تبدیل صنعت با آموزش پزشکی دقیق
این سیستم بازیابی هوش مصنوعی پیچیده برای مدل آموزش پزشکی دقیق NYU Langone اساسی است، که تریولا توضیح داد بر اساس "دادههای دیجیتال با چگالی بالاتر و بدون اصطکاک"، هوش مصنوعی و الگوریتمهای قوی است.
این مؤسسه طی دهه گذشته مقادیر زیادی داده در مورد دانشجویان جمعآوری کرده است - عملکرد آنها، محیطهایی که در آن از بیماران مراقبت میکنند، یادداشتهای EHR که مینویسند، تصمیمات بالینی که میگیرند و نحوه استدلال آنها در مورد تعاملات و مراقبت از بیمار. علاوه بر این، NYU Langone دارای یک کاتالوگ گسترده از تمام منابع موجود برای دانشجویان پزشکی است، خواه اینها فیلمها، سوالات خودآموزی یا امتحانی، یا ماژولهای یادگیری آنلاین باشند.
موفقیت این پروژه همچنین به لطف معماری ساده مرکز پزشکی است: این مرکز دارای فناوری اطلاعات متمرکز، یک انبار داده واحد در سمت مراقبتهای بهداشتی و یک انبار داده واحد برای آموزش است که به Langone اجازه میدهد منابع داده مختلف خود را با هم ترکیب کند.
پل تستا، مدیر ارشد اطلاعات پزشکی، خاطرنشان کرد که سیستمهای عالی هوش مصنوعی/یادگیری ماشین بدون دادههای عالی امکانپذیر نیستند، اما "اگر شما بر روی دادههای انبار نشده در سیلوها در سراسر سیستم خود نشسته باشید، انجام این کار آسانترین کار نیست." سیستم پزشکی ممکن است بزرگ باشد، اما به عنوان "یک بیمار، یک رکورد، یک استاندارد" عمل میکند.
هوش مصنوعی مولد به NYU Langone اجازه میدهد از آموزش "یک اندازه برای همه" دور شود
همانطور که تریولا بیان کرد، سوال اصلی که تیم او به دنبال پاسخ دادن به آن بوده است این است: "چگونه آنها تشخیص، زمینه دانشجوی فردی و تمام این مواد یادگیری را به هم پیوند میدهند؟"
او گفت: "ناگهان ما این کلید عالی را برای باز کردن قفل آن داریم: هوش مصنوعی مولد."
این امر مدرسه را قادر ساخته است تا از مدل "یک اندازه برای همه" که هنجار بوده است، دور شود، خواه دانشجویان قصد داشته باشند، به عنوان مثال، جراح مغز و اعصاب یا روانپزشک شوند - رشتههای بسیار متفاوتی که نیازمند رویکردهای منحصر به فرد هستند.
او گفت که مهم است که دانشجویان در طول تحصیل خود آموزشهای متناسب با نیازهای خود و همچنین "تلنگرهای آموزشی" که با نیازهای آنها سازگار است، دریافت کنند. اما شما نمیتوانید فقط به دانشکده بگویید "زمان بیشتری را با هر دانشجوی فردی بگذرانید" - این از لحاظ انسانی غیرممکن است.
تریولا گفت: "دانشجویان ما تشنه این موضوع بودهاند، زیرا آنها تشخیص میدهند که این یک دوره با سرعت بالا از تغییر در پزشکی و هوش مصنوعی مولد است." "این قطعاً تغییر خواهد کرد... معنای پزشک بودن چیست."
خدمت به عنوان یک مدل برای سایر موسسات پزشکی
البته در طول مسیر چالشهایی نیز وجود داشته است. به ویژه، تیمهای فنی در حال کار بر روی "نابالغی" مدل بودهاند.
همانطور که تریولا خاطرنشان کرد: "این شگفتانگیز است که دانش تعبیه شده آنها چقدر گسترده و دقیق است، و گاهی اوقات چقدر محدود. این کار به طور کامل، قابل پیشبینی، 99 بار پشت سر هم کار میکند، و سپس در صدمین بار مجموعهای جالب از انتخابها را انجام میدهد."
به عنوان مثال، در اوایل توسعه، LLMها نمیتوانستند بین یک زخم روی پوست و یک زخم در معده، که "از نظر مفهومی اصلاً مرتبط نیستند"، تمایز قائل شوند، همانطور که تریولا توضیح داد. تیم او از آن زمان بر روی پالایش و تثبیت سریع تمرکز کرده است، و نتیجه "قابل توجه" بوده است.
در واقع، تیم او آنقدر به پشته و فرآیند اطمینان دارد که معتقد است این میتواند به عنوان یک مثال عالی برای دیگران باشد. تریولا توضیح داد: "ما طرفدار متنباز و وزنباز بودیم زیرا میخواستیم به نقطهای برسیم که بتوانیم بگوییم، "هی، سایر دانشکدههای پزشکی، که بسیاری از آنها منابع زیادی ندارند، میتوانند این کار را ارزان انجام دهند."
تستا موافقت کرد: "آیا قابل بازتولید است؟ آیا این چیزی است که ما میخواهیم آن را منتشر کنیم؟ قطعاً، ما میخواهیم آن را در سراسر مراقبتهای بهداشتی منتشر کنیم."
ارزیابی مجدد شیوههای "مقدس" در پزشکی
قابل درک است که نگرانیهای زیادی در سراسر صنعت در مورد سوگیریهای ظریفی وجود دارد که ممکن است در سیستمهای هوش مصنوعی پخته شده باشند. با این حال، تریولا خاطرنشان کرد که این یک نگرانی بزرگ در این مورد استفاده نیست، زیرا این یک کار نسبتاً ساده برای هوش مصنوعی است. او خاطرنشان کرد: "این جستجو است، انتخاب از یک لیست است، خلاصه کردن است."
بلکه، یکی از بزرگترین نگرانیهایی که مطرح شده است، در مورد عدم مهارت یا کاهش مهارت است. در اینجا یک همبستگی وجود دارد: افرادی با سن و سال خاص ممکن است یادگیری خط شکسته را در مدرسه ابتدایی به خاطر داشته باشند - با این حال، احتمالاً این مهارت را فراموش کردهاند زیرا به ندرت فرصتی برای استفاده از آن در زندگی بزرگسالی خود پیدا کردهاند. اکنون، تقریباً منسوخ شده است، و به ندرت در آموزش ابتدایی امروزی تدریس میشود.
تریولا خاطرنشان کرد که بخشهای "مقدسی" از پزشک بودن وجود دارد، و برخی از مقاومت در برابر واگذاری آنها به هوش مصنوعی یا سیستمهای دیجیتال "به هیچ وجه، شکل یا فرمی" دارند. به عنوان مثال، این تصور وجود دارد که پزشکان جوان باید به طور فعال در حال تحقیق و غرق شدن در آخرین ادبیات باشند، هر زمان که در یک محیط بالینی نباشند. اما حجم دانش پزشکی موجود امروزی و "سرعت دیوانهوار" پزشکی بالینی نیازمند روشی متفاوت برای انجام کارها است، همانطور که تریولا تأکید کرد.
او در مورد تحقیق و بازیابی اطلاعات خاطرنشان کرد: "هوش مصنوعی این کار را بهتر انجام میدهد، و این یک حقیقت ناخوشایند است که بسیاری از افراد در باور آن تردید دارند."
در عوض، او پیشنهاد کرد: "بیایید بگوییم که این قرار است به پزشکان قدرتهای فوقالعاده بدهد و رابطه خلبان کمکی بین انسان و هوش مصنوعی را کشف کند، نه رابطه رقابتی اینکه چه کسی قرار است چه کاری انجام دهد."