一项研究确定了在医疗保健中使用AI模型的策略，通过保持效率可将成本降低17倍。© Nuttapong punna - stock.adobe.com
西奈山伊坎医学院的研究人员进行了一项研究，旨在确定将大型语言模型（LLM）高效且经济地整合到医疗保健系统中的策略。LLM是一种生成式人工智能（AI），经过大量数据训练，设计用于分析和理解数据。
该研究发表在《npj数字医学》上，展示了将先进AI整合到医疗保健系统的有效策略，节省时间和开支，同时确保可靠的输出。研究中的经济分析报告称，当多个高容量LLM（如Llama-3-70b和GPT-4-turbo-128k）在其最大容量下处理50个同时进行的临床任务时，成本可减少高达17倍。
“我们的发现为医疗保健系统提供了一个路线图，以高效地整合先进的AI工具，潜在地将LLM的应用编程接口（API）调用成本削减至多17倍，并确保在高工作负载下的稳定性能。”该研究的共同资深作者、西奈山伊坎医学院医学教授Girish N. Nadkarni博士（医学博士、公共卫生硕士）、查尔斯·布朗夫曼个性化医学研究所主任兼西奈山卫生系统数据驱动和数字医学（D3M）部门主任在大学新闻稿中解释道。
研究人员开展这项研究是为了应对AI模型在医疗保健系统中广泛应用可能面临的财务障碍，因为这些模型每天会生成大量数据。“我们的研究动机在于找到切实可行的方法来降低成本，同时保持性能，使医疗系统能够有信心大规模使用LLM。”该研究的第一作者、D3M生成式AI研究项目主任Eyal Klang博士（医学博士）说，“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，并确定了既能保持高性能又能控制成本的策略。”
研究团队在整个研究过程中进行了超过300,000次实验，测试了10种不同的LLM，使用真实患者数据，考察每种LLM对不同临床问题的响应。在实验过程中，团队不断增加每个LLM的任务负荷，以确定模型在压力下的表现。除了跟踪准确性外，团队还监测了模型遵守临床指令的情况。
研究人员惊讶地发现，当高级AI模型被推向其认知极限时，表现出压力迹象，模型的性能在压力下以不可预测的速率下降。研究表明，50个任务是可以由LLM同时管理而不显著影响准确性的最佳数量。这种方法表明，医院和医疗保健系统可以通过将任务分组，优化工作流程并降低成本。
经济分析证明，当在50个同时进行的任务这一最佳点运行时，医疗保健系统可以优化效率，将成本降低多达17倍，而不会显著影响生产率。这可以为一些较大的医疗保健系统每年节省数百万美元。
研究中分组的一些临床任务包括匹配患者参加临床试验、审查药物安全性、构建研究队列、提取流行病学研究数据和识别适合预防健康筛查的患者。
“认识到这些模型在重认知负荷下开始挣扎的临界点对于维持可靠性和运营稳定性至关重要。”Nadkarni博士说，“我们的发现强调了在医院中整合生成式AI的实际路径，并为进一步研究LLM在现实世界限制内的能力打开了大门。”
研究团队表示有兴趣进一步研究这些LLM在实时临床环境中的表现，管理真实的患者工作量并与医疗保健团队互动。他们还计划对新出现的模型进行类似的实验，以确定技术改进是否提高了认知阈值。
“这项研究对如何将AI整合到医疗保健系统中具有重要意义。将任务分组不仅降低了成本，还节省了可以更好地用于患者护理的资源。”西奈山卫生系统首席临床官、西奈山医院和西奈山皇后区总裁David L. Reich博士（医学博士）、麻醉学Horace W. Goldsmith教授、Icahn西奈山AI、人类健康、病理学、分子和细胞医学教授说，“通过认识到这些模型的认知极限，医疗保健提供者可以在最大化AI效用的同时降低风险，确保这些工具在关键医疗保健环境中成为可靠的支援。”
(全文结束)
