在ViVE25大会上，《Healthcare Innovation》主编Mark Hagland采访了克利夫兰公共医疗系统MetroHealth的首席健康AI官Yasir Tarabichi博士，讨论了当前医疗组织在AI发展方面的真实情况。以下是采访摘录：
经过长时间的炒作和高期望，目前患者护理组织的领导者在推进AI开发方面处于什么阶段？
这取决于各个组织在创新曲线上的位置。那些率先行动的组织花费了大量时间和资源来摸索，帮助其他组织节省了一些时间。我在MetroHealth的角色是识别机会并战略性地引导组织，确保我们不会浪费资源，投资和购买真正对我们有用的技术。因此，真正的价值主张或投资回报率（ROI）是什么？有时候，ROI体现在提高临床医生的工作效率，这是很好的，但组织可能会说：“这很好，但他们能否看更多的病人？”
在报销环境中，我们必须仔细考虑ROI。我和一位商业伙伴共同领导MetroHealth的AI顾问委员会，我们相互协作。我从临床角度讨论风险，他提醒我运营问题，比如财务风险或战略风险。因此，我们需要看到市场上有什么，并找出我们能解决的问题。我们希望能够更好地了解现有解决方案，而不是尝试全新的东西。我们需要选择能够满足所有这些目标的解决方案。
您目前正在开展哪些项目？
我们在临床领域做了很多预测分析。我们已经建立了模型并进行了评估。我们希望以公平的方式进行。这里有一个例子：一个常见问题是诊所的就诊预约，系统常常会超额预订患者，这实际上是一个非常糟糕的做法。在一个零和系统中，那些已经落后的人最容易受到影响。当你说某位患者有很高的爽约风险——他们可能是有色人种、经济条件较差等——如果他们最终出现，他们会得到糟糕的就医体验：患者不满意，医生也不满意。
我认为双倍预订诊所预约是一种非常糟糕的解决方案，因为它加剧了不平等。我们是一个社区基础的安全网系统，我们相信如果你预约了，这个预约就属于你。我们通过电话、短信、患者门户消息等方式联系患者，但有些患者根本不回应。那我们能做什么呢？打电话给他们。事实证明，有一部分人群，主要是非洲裔美国人，爽约率较高。如果我们双倍预订预约，这一群体的患者将更容易受到不利影响。但如果打电话给他们，他们通常会接听。
因此，我们实施了一种标准化路径，并结合电话联系的方法。结果，我们减少了非洲裔美国人社区15%的爽约率。
换句话说，你们将AI辅助的数据分析与相对低技术的行动——即电话联系——结合起来。
是的，没错：问题是，这项技术如何在现实世界中，与我们的患者一起工作？我们可以预测任何事情，但这意味着什么？它并没有告诉我应该做什么。解决方案不仅仅是技术。现在，我们不再沉迷于技术本身；我们必须让它发挥作用。这是一种高科技、高接触的方法。
您如何评价生成式AI的采用和发展现状？
我对大型语言模型目前的状态并不太兴奋；它们停滞不前。我可以说的是，生成式AI最适合用于环境监听，以及从混乱不堪的电子病历（EHR）中增强信息检索。例如，在Ovatient，我们处理抗生素使用的情况。经典的场景是，当患者因疑似尿路感染（UTI）来看医生时，医生开具抗生素处方，但告诉患者：“好的，我已经开了抗生素处方，但在你的UTI测试结果呈阳性之前不要服用。”那么患者会怎么做？他们通常会立即开始服用抗生素。但是有了生成式AI，作为医生，我可以基于预测分析提前判断患者的症状是否匹配UTI，从而优化医患互动。
未来几年，尤其是在生成式AI方面，会发生什么变化？
技术将变得更便宜、更易获得，下一步将是问我们为什么使用它。所以我认为，如果你已经收集了所有EHR中的信息，并理解了最佳实践和协议，现在可以利用大型语言模型（LLMs）进一步推动医学知识库的发展。生成式AI公司将敲响这一领域的大门。如果你可以在患者门户中安装代理AI，它可以帮助你预约，这将引发EHR供应商之间的竞争，以提供更好的用户体验。
代理AI可以重新格式化信息，使操作更快捷，并根据我的喜好定制体验。我期待着患者更加自主。我也在思考访问问题。在导航医疗保健方面，访问非常困难，除非患者有一位全职协调员随时帮助他们完成每一步——这也是另一个机会。但代理AI需要理解整个系统。尽管如此，我们还需要修复破碎的医疗保健交付系统。
(全文结束)
