ChatGPT对预防保健和急诊就诊的潜在影响
ChatGPT已经在持久的医疗挑战上产生了影响。许多提供者和患者报告称，人工智能有助于预防保健并防止非紧急急诊就诊。
Imran Qureshi是b.well Connected Health的首席技术官，这是一个基于FHIR的互操作性平台供应商。他在人工智能方面有专业知识，并有很多关于医疗系统如何利用ChatGPT和其他基于大型语言模型的技术的建议。
我们对Qureshi进行了深入访谈，探讨了医院和医疗系统如何利用ChatGPT和其他LLM技术 (opens new window)来改善患者护理，提供者组织如何使用LLMs减轻临床工作量，以及提供者如何部署ChatGPT和LLMs来赋予患者权力。
医院和医疗系统如何利用ChatGPT和其他基于LLM的技术来改善患者护理？
在当前的医疗环境中，医院和医疗系统正在应对具有挑战性的时期，财务压力加剧了COVID-19大流行的持续影响。值得注意的医疗系统，包括Ascension Health、Trinity Health和Providence Health，在2022年报告了共计80亿美元的亏损。
与此同时，医疗工作人员面临着重大的流失问题；根据JAMA的数据，约20%的医生计划离开这个行业，2021年有超过17万名医疗工作者离职。
这种人才外流问题进一步加剧了一项2017年Ipsos调查所表明的问题，即85%的全科医生希望有更多时间与患者交流，但《美国内科医学杂志》的分析显示，行政任务占据了他们工作量的55%。
患者也在表达对他们医疗经历的不满，根据2021年Accenture的一项调查显示，67%的人报告在三个月内有过负面医疗经历，34%要么更换提供者，要么对未来寻求医疗保健持犹豫态度。
患者对医疗提供商的不满主要在于他们渴望与医疗提供者有更有意义的互动，正如Deloitte在2016年的一项调查所表明的，强调了质量时间和关注的重要性。
解决这些多方问题的一个有前途的解决方案在于战略部署人工智能，尤其是像ChatGPT这样的大型语言模型。通过利用基于LLM的技术 (opens new window)，医疗保健可以更加 accessible 和高效，既为提供者又为患者。
护士、助手和治疗师等非医生医疗工作者可以利用这些技术来浏览患者档案，自动回答常见问题并促进患者护理协调，有效地扩展了医生的能力。
此外，LLMs使患者和护理人员能够自行处理基本医疗查询，减少医生在常规问题上的时间需求。这项技术还有潜力指导患者通过医疗系统，确保及时和适当的护理干预。
根据美国国家医疗保健人力分析中心的数据，美国约有25万全科医生和额外的25万非医生全科医疗提供者，将日常任务重新分配给非医生员工和直接分配给患者，可以显著增强患者护理的效率。
拥有九百万非医生的庞大劳动力和三亿五千万患者及护理人员的集体参与，为改变医疗保健提供了巨大的机遇。
将基于LLM的技术 (opens new window)整合到医疗工作流程中，为行业面临的当前挑战带来了一线希望。通过促进更有效的劳动分工，使患者更积极参与他们的医疗旅程，这些技术承诺提高患者满意度，让医疗专业人员更多地专注于直接患者护理。
这种向更加以患者为中心的方法转变，得到先进AI工具的支持，预示着改善医疗保健结果和体验的新时代的到来。
医院和医疗系统如何利用LLMs减轻临床工作量？
在当今的医疗环境中，全科医生正在努力寻求更有意义的患者互动，但发现自己受到了大量行政任务的阻碍。
根据Ipsos 2017年的调查，目前85%的这些专业人士表示希望能为患者护理分配更多时间，但《美国内科医学杂志》的数据显示，不到一半的预约时间用于实际患者互动，根据JAMA的数据，每周将近两小时用于诊后文档记录。
这个问题的根源通常在于电子健康记录(EHR)的繁琐性质，它们主要设计用于数据输入，而不是高效信息检索。
医疗人员经常花费大量时间在患者接触中输入数据，然后在约会之外的时间里进行数据输入。由于系统设计的低效性，从EHR中提取信息变得更加困难，医疗人员必须浏览以前的临床记录。
实施LLM (opens new window)与EHR的接口可以彻底改变这一过程，使医疗人员能够使用自然语言查询与系统进行交互。这种界面将允许直接回答简单问题，比如“这位患者有糖尿病家族史吗？”或“这位患者过去一年半的血压趋势如何？”，从EHR中提取全面的数据。
此外，LLM技术可以自动化文档过程，允许医疗人员口头输入笔记，然后由系统相应更新EHR，从而最小化手动数据输入。
除了改进EHR交互，LLM还可以通过处理有关健康和医疗后勤的常规查询来减轻医疗人员的工作负担。这些技术可以直接与医疗工作人员、患者和护理人员互动，识别查询的性质并提供准确的回答或将其引导到适当的人员。
这种分类可以显著减少医疗人员的时间需求，确保他们被咨询有关需要他们专业知识的更复杂问题。
通过简化数据输入、增强对患者信息的访问，并将常规问题委托给基于LLM的技术 (opens new window)，我们可以大大减轻医疗人员的行政负担。
这种转变不仅使医疗保健传递更加高效，还使医疗人员能够集中精力于最重要的事情 - 为他们的患者提供细心、个性化的护理。
医院和医疗系统如何部署ChatGPT和LLMs来赋予患者权力？
医院和医疗系统已经大量投资于电子健康记录、数据仓库和分析平台的发展。LLM技术的出现，比如ChatGPT，并不意味着放弃这些宝贵的资源。
相反，这些技术可以整合到现有基础设施中，增强其功能，并为患者带来显著的好处。
通过将大量数据进行翻译 将这些系统转换为LLM技术能够理解的格式——基本上是以简单的英语创建一个知识存储库——医疗机构可以克服与数据变异相关的挑战。
这种方法使LLM能够解释和处理来自不同来源和格式的信息，例如记录出生日期的不同约定，而无需复杂的数据映射或标准化。
在领先平台（如OpenAI、Microsoft Azure、AWS或Google Cloud）提供的LLM技术的支持下，医疗提供者可以利用这一知识库，为各种患者查询提供精准和易于访问的答案，直接从知识存储库中获取数据。
患者可以用简单的英语提问并获得答案，而无需理解临床术语。
这种LLM架构可以重复利用医疗保健中现有的基础设施，并增加三个新元素：知识存储库、语言界面和风险管理层。
LLM架构始于所有现有的数据源，但我们可以将这些数据转换为纯文本并存储在知识存储库中，而不是花费时间和金钱将它们转换为严格的数据仓库模式。
在医疗保健领域，我们已经花费了20多年的时间来将所有数据映射到数据仓库，但很少有组织能声称他们所有的数据都可以在数据仓库中使用。如果20年还不够，我们还要继续坚持严格的数据仓库路径多久呢？
LLM架构允许人们用简单的英语（或西班牙语或其他任何语言）查询答案。患者、他们的照顾者、医生、护士、管理人员和其他没有技术能力的工作者现在可以获得答案，而无需等待数据分析师或数据工程师将他们的问题转换为数据库代码（如SQL）。
今天，大多数组织需要数月甚至数年的时间才能提供这些答案。由LLM支持的语言界面可以将用简单英语提出的问题转换为SQL代码，并提取答案，而无需数据分析师的参与。
为了确保提供的信息的准确性和适当性，可以引入一个风险管理层。这一层将涉及使用精心选择的数据来筛选、完善和回答问题，确保敏感或不当的查询得到正确处理。
该过程包括生成原始问题的变体，评估答案的一致性，并结合来自医疗专业人员的反馈，以优化系统的性能。
风险管理层包括八个步骤：
- 策划 - 选择LLM输入的可信数据源。
- 指导 - 指导LLM仅使用经过策划的内容。
- 过滤 - 过滤掉LLM不应回答的问题类别。
- 询问 - 使用上述步骤创建的提示查询LLM。
- 评估 - 用多种方式重新表达问题，并检查答案是否一致。
- 事实核查 - 核对答案与基础数据。
- 通知 - 通知用户使用了AI来回答他们的问题。
- 学习 - 从用户那里收集反馈，进行强化学习，使LLM随着时间的推移变得更好。
在LLM架构中创新地使用LLM技术可以赋予患者和他们的照顾者获得即时答案的能力，这些答案涵盖了有关医疗预约的后勤问题以及特定健康相关问题。
此外，它使他们能够执行一些简单的医疗任务，如订购药物补给或寻找更经济的药物选项，而无需导航复杂的医疗系统。
患者和他们的照顾者可以提出问题，如“我在预约之前可以喝水吗？”，“根据我的保险单，我要自掏多少钱买立普妥？”，“哪位医生可以帮我解决脚疼问题？”，“我应该去急诊室还是门诊还是找我的医生？”以及“我妈妈吐血是正常的吗？”
患者和他们的照顾者还可以使用LLM技术在医疗领域执行基本任务，而无需学习复杂的系统：“帮我订购下一次的立普妥补给”，“找一个治疗脚伤的医生”或“哪里可以买到更便宜的药物？”
全国有3.5亿患者及其照顾者。即使我们让他们承担医疗的一小部分，也可以想象我们可以产生的影响。
当患者可以自助解决一些问题和请求时，我们还可以减少医院和保险公司的呼叫中心的开支。
这也会减轻医生、护士和其他医疗工作者的负担。他们可以专注于个性化细致的关怀，而不是例行任务。
通过将LLM技术与现有的医疗保健基础设施整合，医院和卫生系统可以显著提升患者参与和自我管理能力。这不仅通过提供即时访问信息和简化医疗任务来改善患者体验，还可以优化医疗资源和专业人员的时间利用。
在LinkedIn上关注Bill的HIT报道：Bill Siwicki
给他发邮件：[email protected]
Healthcare IT News是HIMSS Media的出版物。