假设未来三年的发展轨迹与过去三年相似，生成式人工智能工具将比现在强大8到16倍，能力更强且在临床应用中更加实用。
试想一下，如果美国人唯一的出行方式是步行或骑马。假设因此每年有10万人因无法及时到达医院或消防员迟到而死亡。
随后，一项技术突破在三年内使汽车和卡车变得普及。
国家将如何应对？
我预测，领导者不会等到汽车100%安全无风险才行动。他们会迅速修建道路、加速生产并帮助人们学习驾驶。他们会认识到，尽管汽车会造成一些事故和死亡，但快速交通将拯救的生命远多于它造成的损失。
这正是美国应该看待医学领域生成式人工智能的方式。
医疗现状远非安全
大多数美国人知道医疗保健过于昂贵且难以获得。更少的人了解每年有多少人死于控制不佳的慢性疾病、误诊和可预防的医疗错误。更少的人能想象像ChatGPT、Claude和Gemini这样的大语言模型如何帮助预防这些死亡。
如今，高血压和糖尿病等慢性疾病对数百万美国人来说仍然控制不佳，根据美国疾病控制与预防中心的数据，这些疾病导致高达50%的心脏病发作、中风和肾衰竭。根据约翰霍普金斯阿姆斯特朗诊断卓越中心汇编的研究，诊断错误估计每年导致近80万美国人死亡或永久残疾。Notable的一项调查发现，过去一年中超过60%的患者因预约过于繁琐而跳过了医生就诊，根据西健康-盖洛普最近的一项调查，2026年近一半的美国成年人担心无法负担所需医疗。
在未来三年内，生成式人工智能可以帮助预防数十万例此类死亡，同时改善数百万美国人的医疗可及性和治疗效果。
大语言模型的救生轨迹
当首批生成式人工智能工具于2022年11月面向公众推出时，该技术被认为引人注目但不可靠，在临床环境中远未达到安全标准。2022年底，谷歌首款医疗AI模型Med-PaLM在美国医师执照考试中仅获得67%的及格分数。研究人员、临床医生和监管机构迅速呼吁谨慎。仅仅四个月后，根据谷歌发布数据，Med-PaLM 2的得分达到了专家医生水平的87%。
假设未来三年的发展轨迹与过去三年相似，生成式人工智能工具将比现在强大8到16倍，能力更强且在临床应用中更加实用。
如今的模型已经令人印象深刻。一项由哈佛大学领导、与斯坦福大学合作者进行并在《科学》杂志上发表的新研究，在波士顿贝斯以色列女执事医疗中心的76个真实急诊病例等复杂临床任务上测试了OpenAI的o1预览模型。在三个护理阶段——初步分诊、首次医生接触和入院——该模型在基于文本的诊断和临床管理任务上达到或超过了经验丰富的医生的表现。
然而，医生、民选官员和政策专家仍然对允许这些工具在没有医生监督的情况下直接向患者提供医疗指导深表怀疑。
这是对指数级改进的新技术的典型反应。人们倾向于根据它们今天能做什么来评判它们，而不是它们将很快实现的可能性。这被称为"快照偏见"，它继续塑造着关于医学中生成式人工智能的争论。
为了挽救生命，我们的国家必须将当今技术视为起点，而非终点。
下一个救生机会已经触手可及。现有模型正在接受更丰富的临床信息训练：医生与患者之间的对话和数百万医疗记录。根据戴尔技术公司的贝丝·安德鲁斯的说法，生成式人工智能还能够挖掘和分析"重症监护床上每位患者每小时被丢弃的约90万个患者数据点"，她补充说"当今医疗保健中97%的数据未被使用"，因为对人类来说处理这些数据过于困难。
然而，快照偏见和对生成式人工智能对医疗专业影响的担忧阻碍了这一进程。如果美国医疗今天做得很好，我们可以负担得起缓慢实施人工智能。但鉴于每年因医疗失误而失去的数十万条生命，更安全的选择是将脚从刹车移到油门上。
如何加速医学领域的生成式人工智能
要足够迅速地行动，国家应首先关注医疗失败最严重且生成式人工智能能产生最大积极影响的领域。三个机会尤为突出：
1. 持续慢性病控制
美国疾病控制与预防中心估计，高血压、糖尿病、心力衰竭和肾病等疾病影响75%的美国成年人，并导致该国最致命的并发症，包括心脏病发作、中风和肾衰竭。
然而，尽管有有效的药物和基于证据的临床方案，这些慢性疾病仍未得到充分控制。
两个主要原因是医疗结构和医生时间。慢性疾病是间歇性管理的，每三到四个月进行一次门诊就诊。同时，医生在这些就诊期间时间太少（《JAMA Health Forum》的一项研究发现，初级保健医生平均每次患者就诊时间为18.9分钟），无法评估趋势、调整治疗并确保患者了解下一步该做什么。
与血压计、血糖监测仪或可穿戴设备连接的生成式人工智能应用程序将为患者提供关于其病情是改善、恶化还是进入危险区域的持续洞察。病情改善的患者可以继续当前计划，而病情恶化的患者将把信息发送给医生进行及时的药物调整。
为了有效控制慢性病，所有美国人都需要获得生成式人工智能的途径，以及关于如何提示大语言模型和提出后续问题的培训。可穿戴和床边监测仪需要连接到生成式人工智能应用程序进行持续分析。医学协会和临床医生将需要设计分析工具，决定何时通知临床医生，并与研究人员合作确认临床路径的可靠性。
2. 门诊时间之外的医疗指导
当人们在夜间、周末或就诊之间出现症状时，长期以来面临三个糟糕的选择：等待医生办公室开门、前往人满为患的急诊科，或在网上搜索并希望信息可信。
生成式人工智能提供了更好的选择：个性化指导，帮助患者了解最可能的诊断、适当的治疗以及是否应该寻求即时医疗护理。
医学协会和临床医生可以通过创建帮助患者安全有效地使用生成式人工智能技术的教育工具来提供帮助。同时认识到这些大语言模型将识别严重的医疗问题，他们还可以实施远程医疗临床医生可立即提供帮助的系统。
3. 为医生提供更多时间的临床支持
大多数误诊和可预防的医疗错误并非因为临床医生缺乏知识，而是因为他们缺乏一致应用知识的时间和支持。
在短暂且不频繁的门诊就诊期间，他们需要评估新问题、管理慢性病、处理预防性护理并安抚焦虑的患者。这是不可能的。
科技公司已经在构建减少行政负担的AI工具。这很有用，但并非革命性的。生成式人工智能更大的机遇在于临床：为患有简单急性问题的患者提供护理、监测慢性病、在潜在医疗错误出现时通知临床医生，并作为实时同事和第二意见。
成功将需要医学协会、临床医生和科技公司合作。目标不会是用生成式人工智能取代临床医生。而是完成不需要医生全部专业知识的临床任务。持续慢性病监测、24/7临床专业知识获取以及为医生提供更多处理复杂判断的时间将是强有力的初步步骤。
最大的障碍可能是财务而非技术。在当今按服务收费的体系中，生成式人工智能可以执行的许多任务由临床医生完成时在经济上是很有吸引力的。为了使激励措施保持一致，保险公司、付款人和自筹资金的雇主需要修改报销方式，以鼓励临床医生预防疾病、避免并发症并减少不必要的住院。
付款人不应主要将生成式人工智能视为减少人员的工具，而应认识到通过改善健康状况和减少危及生命的医疗问题可能节省的数千亿美元。
最安全的路径是向前（且更快）
与其将美国医疗保健视为一个人力和时间短缺的系统，我们应认识到眼前的巨大机遇。到目前为止，在讨论医疗保健的核心目标——质量、可及性和可负担性——时，我们能做的最好的选择是任意两项。生成式人工智能可以改变这一点。卓越的质量和便捷的可及性可以为患者和国家带来可负担性。
第一步是承认当今医疗系统每年造成的可预防死亡。然后我们可以拥抱生成式人工智能支持临床医生、赋予患者权力和挽救生命的数十种方式。
【全文结束】