本文转载自STAT（与《波士顿环球报》合作的健康医学新闻网站）。可在此订阅STAT免费晨间简报。
在脑健康这一高风险领域，大量患者因日常诊疗繁忙而被忽视。医生记录中的预警信号常被淹没，无人跟进——直至为时已晚。
人工智能理论上可实现早期检测自动化。但医生哪有精力研究如何可靠地引导生成式AI系统，从临床笔记中筛查潜在认知问题患者？马萨诸塞州总医院布里格姆医疗系统（Mass General Brigham）研究人员发表的新论文提出解决方案：用AI智能体团队替代人工设计最优查询指令。该全自动方法在某些方面甚至超越临床专家设计的查询效果。
“AI智能体持续交流辩论，通过迭代优化出更精准的指令，”论文合著者、马萨诸塞州总医院临床增强智能组主任侯赛因·埃斯蒂里表示。他指出，目标是利用AI智能体团队建立低成本、可扩展的筛查机制，标记可能需要额外检查、生活方式调整或药物治疗的患者。
接收指令后，AI系统自动扫描临床笔记中关于特定患者的认知问题记录，标记需随访的病例。
该方法仍面临多重挑战。首先，临床笔记中的担忧未必对应患者真实生理问题，因此即使AI判断准确，患者也未必需要额外治疗。此外，研究人员在评估时发现，当系统在真实世界数据集（认知衰退案例较少）而非训练样本上测试时，性能显著下降。
但AI的快速进步有望解决神经退行性疾病检测与治疗中的重大缺口。面对老龄化社会，医疗系统缺乏资源识别患者并引导至适当照护。随着新型延缓病情药物的出现，早期识别需求尤为迫切——这些药物可减缓疾病进展，避免患者家庭陷入高昂并发症的恶性循环。
马萨诸塞州总医院布里格姆医疗系统的研究仅是众多项目之一。克利夫兰诊所（Cleveland Clinic）另一项多年项目利用电子健康记录数据，预测患者神经疾病风险。该系统基于预测性机器学习（早期AI形式），供初级保健医生识别高风险患者并匹配治疗机会。
“它让医生能在问诊中自然提及：‘您最近记忆力感觉如何？’”克利夫兰诊所神经内科创新副主任杰伊·阿尔伯茨表示。他补充说，模型设计强调推理透明性，医生可查看标记患者的依据（如体重下降或跌倒报告），“这为讨论提供依据，便于及时干预。早期检测还能积累更多有效治疗证据，帮助我们重新评估药物、手术及行为干预等延缓病情的策略。”
AI因潜在降低筛查成本而具吸引力，但需平衡成本效益。持续运行大型语言模型的许可费与算力消耗使费用快速累积，许多医疗系统不得不艰难抉择：是向全体医生开放AI自动化文档功能，还是仅限最需人群使用。
马萨诸塞州总医院布里格姆医疗系统研究人员表示，他们在设计认知护理AI系统时特意选用低成本模型，使其能在笔记本电脑而非超级计算机上运行。“我们绝不让技术成本高到无法承受，”论文合著者、该系统神经科人群健康主任莉迪亚·穆拉强调。全自动系统将筛查成本降至每患者2美分，远低于人工流程的约50美元（联邦医疗保险认知评估收费约320美元）。不过，系统仍需更多优化测试才能投入临床应用，更遑论电子健康记录系统的整合挑战。
穆拉与埃斯蒂里表示，计划先与初级保健医生开展试点测试，并可能将多语言版本纳入移动医疗车。“五年前，科研成果转化为临床实践需5-10年，”穆拉展望道，“而今，我希望这一周期能缩短至数月。”
【全文结束】
