在芝加哥的一个会议中心，2023年4月，数万名与会者目睹了一项基于GPT-4的生成式人工智能（生成式AI）技术如何模拟医疗临床医生利用新平台将患者互动转化为临床笔记，整个过程仅需数秒。
其运作方式如下：临床医生通过AI平台的移动应用程序录制患者就诊过程。平台实时添加患者信息，识别任何数据缺口并提示医生补充，从而将口述内容转化为带有对话语言的结构化笔记。就诊结束后，医生在电脑上审阅AI生成的笔记，可通过语音或打字编辑，然后提交至患者的电子健康记录（EHR）。这种近乎即时的流程使临床医生为每次患者互动必须完成的手动耗时笔记和行政工作显得过时。
生成式AI技术依赖深度学习算法创建文本、音频、代码等新内容。它能处理非结构化数据集——即未按预设模型组织、难以分析的信息——这为富含非结构化数据（如临床笔记、诊断影像、医疗图表和录音）的医疗运营带来潜在突破。这些非结构化数据集可独立使用或与大型结构化数据集（如保险理赔）结合。
生成式AI代表了一种有意义的新工具，可帮助释放行业中未实现的1万亿美元改进潜力。
除临床文档外，医疗保健领域的生成式AI应用案例正不断涌现，引发技术人员和医疗专业人士的兴奋与担忧。尽管医疗企业多年来已应用AI技术（例如不良事件预测和手术室调度优化），但生成式AI能通过自动化繁琐易错的行政工作、在数秒内将多年临床数据呈现给医生、以及现代化医疗系统基础设施，成为解锁行业潜在1万亿美元改进空间的关键工具。
为实现这一价值，医疗高管应开始思考如何将这些模型整合到现有分析和AI路线图中，并评估相关风险。在医疗领域，这些风险可能危及安全：患者健康信息高度敏感，数据安全至关重要。鉴于生成式AI频繁生成错误响应，必须通过"人类监督"模式确保任何建议对患者有益。随着监管和法律框架逐步完善，安全使用的保障责任将落在用户身上。
在本文中，我们概述了私人保险机构、医院和医生集团的生成式AI新兴用例。鉴于可行性和较低风险，许多医疗组织可能优先将生成式AI应用于行政和运营场景。随着时间推移，在积累技术经验和信心后，这些组织或开始将生成式AI用于临床应用。
尽管将生成式AI应用于医疗行业需谨慎，但其潜力之大使医疗组织无法置身事外。以下是私人保险机构和医疗服务提供者可采取的行动起点。
私人保险机构、医院和医生集团的生成式AI应用
短期内，保险高管、医院管理者和医生集团运营者可在价值链各环节应用生成式AI技术。应用范围涵盖连续性护理、网络与市场洞察到基于价值的医疗（参见侧栏"生成式AI在医疗保健中的潜在用途"）。
私人保险机构
消费者对健康保险的个性化和便捷服务需求日益增长，同时私人保险机构面临竞争压力加剧和医疗成本上升。生成式AI可帮助其运营更高效，同时为患者和客户提供更优质服务。
生成式AI能自动即时汇总海量数据，释放人力处理更复杂需求。
尽管许多操作（如管理与医疗系统的关系）需人工介入，但这些流程仍可由生成式AI技术补充。核心行政、企业职能及会员与提供商互动涉及筛选日志和数据，这是耗时的手动任务。生成式AI能自动即时汇总海量数据，释放人力处理更复杂需求。
会员服务领域存在诸多生成式AI提升交互质量和效率的途径。例如，许多会员咨询涉及保险福利，需保险专员手动确认会员计划范围。借助生成式AI，数字资源和呼叫中心专员能快速从数十种计划类型和文件中提取相关信息。理赔拒付处理（常导致会员不满的耗时流程）可通过生成式AI加速改进：生成式AI模型能汇总拒付信函、整合拒付代码、突出关键拒付原因，并提供拒付管理的上下文及后续步骤，但所有操作仍需人工监督。
生成式AI技术还可简化健康保险的事先授权和理赔处理——这对私人保险机构而言既耗时又昂贵（平均需十天验证事先授权）。此类产品能将非结构化数据转化为结构化数据，提供近乎实时的福利验证，包括基于医疗机构签约费率、患者精确福利等因素准确计算自付费用。
医院和医生集团
在医院和医生集团中，生成式AI技术有潜力影响从连续性护理到临床运营、合同签订乃至企业职能的方方面面。
以医院企业职能为例：后台工作和行政职能（如财务和人员配置）是医院系统运行的基础，但常因系统碎片化而各自为政，依赖手动输入，难以共享或综合数据。
生成式AI可利用非结构化采购和应付账款数据，通过生成式AI聊天机器人解答医院员工常见的IT和HR问题，从而提升员工体验并减少行政成本。
临床运营是生成式AI可能带来效率提升的另一领域。当前，医院提供者和行政人员需为每位患者填写数十份表格，更不用说就诊后笔记、员工换班记录等耗时任务，这些都可能导致医院员工倦怠。医生集团同样承受着此类行政工作的负担。
生成式AI可在医生监督下，生成患者母语的出院摘要或指导以确保理解；综合护理协调笔记或换班交接笔记；实时创建清单、查房实验室摘要和临床医嘱。生成式AI生成和综合语言的能力还能改进电子健康记录（EHR）工作方式：EHR允许医生访问和更新患者信息，但通常需手动输入且易出错。医院和医生集团正积极测试生成式AI在预填就诊摘要、建议文档修改及提供决策支持相关研究等方面的应用。部分医疗系统已将该系统集成到运营中作为试点项目。
生成式AI在医疗保健中的潜在用途
注：生成式AI综合或汇总的任何内容必须有人类监督介入，并经过严格的风险和合规审查。
私人保险机构：
- 医疗管理：为护理经理综合临床笔记；综合医疗和转诊信息；为会员生成护理计划和摘要
- 会员服务：创建特定福利问题的定制覆盖摘要（在线和呼叫中心）；生成外拨非临床通信的通话脚本等内容；部署自适应聊天机器人和智能路由帮助会员和提供商解答服务问题；基于参数（如覆盖范围、位置、偏好、病情）推荐临床医生
- 提供商关系管理：比较计划/产品特性与网络；生成标准通信（如欢迎信、报告、新会员需求、理赔拒付）；汇总提供商目录缺口（如更新开放面板）；为提供商和供应商生成绩效及缺口关闭的报告和观察
- 企业职能：生成HR自助功能（如一线互动/响应、入职视频）；综合提案请求（RFP）并生成响应；起草供应商通信；通过提取相关数字实现会计自动化；生成标准格式报告；内部汇总更新风险/法律流程以适应法规变化；为保单持有人提供大规模覆盖更新；通过增强重复资格筛查摘要加速重新确定流程；跨职能生成报告和KPI
- 理赔管理：生成手动和拒付理赔问题及来源的摘要以确定解决方案；汇总复杂理赔信息以减少处理时间；自动生成事先授权请求的摘要和结果；起草申诉和投诉查询的回复
- 营销与销售：分析消费者分布以开发个性化计划/产品；通过汇总在线文本/图像中的客户反馈提取主题；改进销售支持/聊天机器人帮助潜在会员理解覆盖选项并选择计划；在合规指南内为经纪人、雇主及《平价医疗法案》和联邦医疗保险优势计划会员创建"初稿"材料和产品概述
医院和医生集团：
- 连续性护理：汇总出院信息和后续护理需求；为转诊生成护理摘要；为初级保健医生团队综合专科医生笔记
- 质量与安全：基于患者病史和现有医学文献综合并推荐定制化风险考量
- 基于价值的医疗：提高文档准确性，利用结构化和非结构化数据创建患者教育视频、图像和摘要；基于市场特性起草标准基于价值的医疗和细分合同
- 网络与市场洞察：自动生成按专科划分的提供商细分摘要；基于外部资源和数据汇总市场表现和比较
- 报销：为保险公司开发事先授权文档；基于语音、电子医疗记录（EMR）、文本等数据生成当前病情和潜在代码列表；创建识别理赔中编码错误的护理管理摘要；基于医生笔记自动编码和检查
- 临床运营：生成就诊后摘要和指导；生成和综合护理协调笔记、EMR变更、口述和消息；为流程和地点生成工作材料和排班；创建疾病识别和管理的教育材料；为临床医生开发个性化培训路径并综合项目要求
- 企业职能：IT（开发代码、协助网络安全测试用例生成和质量保证）；采购（起草RFP、合同、生成报告和KPI、起草供应商通信、基于库存水平创建采购订单）；人才（协助招聘、生成录用信和材料、创建定制化标准操作程序、为新员工创建教育内容、定制入职流程、开发聊天机器人解答IT和HR问题）；财务（生成财务报告）；其他（为法律、合规和监管部门生成报告）
- 临床分析：利用对话语言获取分析洞察；使用AI辅助编码自动化重复任务或生成新代码
- 消费者：通过汇总在线文本/图像中的客户反馈提取主题；创建个性化护理指导、视频、视觉和通信；改进聊天机器人处理非临床主题的会员服务；自动生成通知和外拨通信
将生成式AI引入医疗保健
将生成式AI应用于医疗企业有望变革行业，但领导者需先盘点自身运营、人才和技术能力。在此过程中，医疗领导者可考虑采取以下行动。
评估行业格局
寻求将生成式AI引入组织的医疗高管首要任务是确定技术如何最佳服务自身。为识别与组织最相关的应用，高管可组建跨职能领导团队（包括但不限于数据和技术负责人），评估生成式AI（及更广泛的AI）能为各部门带来的价值。此举有助于避免零散或片面的应用方式，确保高效性。这些用例经优先级排序后，应整合到组织更广泛的AI路线图中。
评估数据规模
从生成式AI机会中提取最大价值需广泛且高质量的数据集。因此，医疗领导者应开始思考如何通过战略合作伙伴关系（与提供商、保险机构或技术供应商）及互操作性投资来提升数据保真度和准确性。
领导者还需评估其AI技术栈——包括当前使用的应用程序、模型、API及其他技术基础设施——以确定何处需增强技术能力以规模化利用大型语言模型。当前投资AI技术栈将帮助组织未来扩展生成式AI用途。
为训练生成式AI模型，组织应确保在安全防火墙内处理数据。领导者可在评估内部能力后选择外包技术栈的部分组件。
应对风险和偏见
对私人保险机构、医院和医生集团而言，使用生成式AI存在若干潜在高成本风险，尤其当技术仍在演进时。
会员和患者的个人身份信息必须得到保护——开源生成式AI工具可能无法提供此安全级别。生成式AI还可能利用此信息改进模型训练。若生成式AI平台所依据的数据集过度代表特定患者群体，则生成的患者护理计划可能存在偏见，导致信息不准确、无用甚至有害。若将生成式AI平台与医院其他系统（如计费系统）错误集成，可能引发低效和错误支出。鉴于生成式AI可能生成不准确答案，保持"人类监督"模式至关重要。
为权衡生成式AI在医疗中应用的价值与风险，领导者应创建规范组织内生成式AI使用的风险和法律框架。数据安全、偏见与公平性、监管合规与问责均应纳入这些框架。
能快速实施生成式AI的组织最有可能受益，无论是效率提升还是结果和体验改善。
投资人力与合作伙伴关系
将生成式AI引入医疗组织不仅改变工作方式，也改变执行主体。随着技术简化部分工作，医疗专业人员角色将演变。因此，"人类监督"模式至关重要：即使流程发生根本变化且工作方式不同，人在所有受生成式AI影响的领域仍不可或缺。
为推动医疗变革，组织必须学习如何使用生成式AI平台、评估建议并在错误发生时干预。换言之，AI应增强而非取代运营。医疗组织可能需提供学习资源和指南以提升员工技能。在医院和医生集团环境中——员工倦怠已很普遍——领导者应简化生成式AI应用，使其易于一线员工使用，不增加工作量或占用患者时间。
尽管部分医疗组织可能选择构建自有生成式AI能力或产品，但多数需与技术公司建立战略伙伴关系。选择合作伙伴前，领导者应评估其对监管合规要求（如美国《健康保险流通与责任法案》HIPAA）的遵守、数据隐私与安全，以及医疗组织数据是否会用于训练未来基础模型。私人保险机构和医疗服务提供者还可能与其他拥有丰富数据集的组织合作，共同提升生成式AI输出质量。
生成式AI有潜力以此前技术无法实现的方式重塑医疗保健行业的大部分领域。一旦生成式AI成熟，它还可能与其他新兴技术（如虚拟现实、增强现实或其他形式AI）融合，变革医疗服务。例如，医疗提供者可授权其形象和声音创建品牌化视觉化身，供患者互动；医生可比对患者完整病史，检查其治疗方案与其他类似患者（曾获积极结果者）的契合度。这些设想看似遥远，但随着生成式AI进步，在近期具有真实潜力。
但首要任务是，私人保险机构、医院和医生集团领导者应优先确保技术的负责任和安全使用。保护患者隐私、创造公平临床结果的条件、改善医疗服务提供者体验均为核心目标。今日启动是实现这些目标的第一步。
沙尚克·巴什克是麦肯锡芝加哥分公司的副合伙人；达米恩·布鲁斯是墨尔本分公司的高级合伙人；杰西卡·兰姆和乔治·斯坦是新泽西分公司的合伙人。
作者感谢舒巴姆·巴内吉、桑吉夫·巴克希、亚当·布罗特曼、大卫·布埃诺、萨米尔·乔杜里、珍妮·科迪纳、杰克·伊斯伯恩、普拉纳伊·古普塔、奥马尔·卡坦、杰伊·克里希南、梅雷迪思·拉波因特、郑荣培、阿尔多·罗萨莱斯、高兰·萨特吉亚、约翰·舒尔茨、斯里拉姆·塞卡尔、威尔·温斯坦、卢克·扬西和德尔芬·祖尔基亚对本文的贡献。
本文由纽约分公司的编辑亚历山德拉·蒙达莱克编辑。
【全文结束】
