大型语言模型（LLMs）和生成式AI在医疗保健领域的应用引发了广泛的关注。预测表明，这些技术将重塑患者护理、行政流程和医学研究，迎来一个新时代。然而，如同其他行业的早期AI应用一样，医疗保健领域的LLMs也引发了一波高估的浪潮。尽管它们的变革潜力巨大，但实现这一目标的道路将漫长而复杂，既需要技术成熟，也需要适应特定行业的需求。
万亿美元的机会
麦肯锡估计，包括LLMs在内的生成式AI可能为医疗保健行业释放高达1万亿美元的价值。这种价值可以通过多种方式体现，例如改善临床结果、减少运营低效以及简化行政任务。然而，医疗保健不同于金融或零售业，在这些行业中AI的应用已经迅速推进。医疗保健是一个错误可能导致生死攸关后果的领域，因此患者安全、隐私和伦理考虑对无缝集成AI提出了重大挑战。
医疗保健的多样性进一步增加了难度。每个学科都有独特的业务流程、数据结构和法规。许多LLMs已经在临床数据上进行了训练和微调，每种模型都有自己的性能评分。一些模型更适合特定的医疗任务，如药物发现，而另一些则擅长自动化患者沟通或解释医学图像。开发能有效应对这一广泛需求的AI系统，需要深入了解每个子领域的复杂性。在这个背景下，“一刀切”的解决方案并不存在。
早期在行政效率方面的胜利
尽管面临这些挑战，LLMs已经开始在医疗保健管理中发挥重要作用。保险理赔处理、患者通信和账单任务通常消耗大量宝贵资源，而这些资源本可以更好地用于患者护理。减轻此类行政负担是LLMs可以大显身手的地方。
特别引人注目的是环境听写（ambient scribing）。LLMs现在可以通过听取医生与患者的互动来生成详细、结构化的临床笔记，显著减少了医生花在记录上的时间。虽然投资回报率和长期影响尚未完全证明，但在临床文件方面的这一创新显示出改善提供者满意度、减少职业倦怠的潜力，使医生能够更专注于患者护理，减少繁重的行政任务。
在医学编码方面，LLMs也表现出潜力，但正如《新英格兰医学杂志》AI版所述，现成的LLMs并不是“灵丹妙药”。Nym采取了更具针对性的方法，选择性地使用LLMs进行特定任务，如解析文档和执行命名实体识别（NER），即从文本中识别医学术语。Nym通过微调在生物医学文献上训练的临床LLMs，使其在处理否定、时间性和主观性方面表现更好，从而确保更高的准确性。Nym的编码引擎随后应用基于美国急诊医师学会（ACEP）、美国专业编码员协会（AAPC）和斯克里普斯健康标准操作程序（SOPs）制定的既定编码指南的规则系统，自动分配计费代码。整个过程在几秒钟内完成，无需人工干预，准确率超过95%，简化了工作流程，减少了错误，并有效地恢复了收入。
支付方也在采用由LLM驱动的流程来改进理赔审核，进一步简化整个账单生态系统。这种自动化可以节省时间和金钱，使医疗服务提供者能够更专注于其核心使命——提供护理。
此外，LLMs在自动生成保险理赔上诉信方面也显示出潜力。目前，医院和诊所投入大量资源用于上诉被拒的理赔，这个过程通常涉及手动收集医疗记录、总结临床理由并起草全面的回复。通过使用LLMs生成这些信件的初稿，医疗机构可以节省时间、减少错误，并可能收回更多的报销款，从而提高运营效率。
在预约安排方面也取得了进展。LLMs可以帮助管理预约请求和取消，简化患者与提供者之间的沟通。通过自动化这些互动，医疗机构可以减轻行政压力，并通过更快的响应时间改善患者体验。
重症护理：诊断和安全的进步
尽管LLMs在直接临床护理中的应用正在谨慎推进，但在某些领域，技术作为人类专业知识的补充工具，提供了提高准确性和速度的方法，而不会取代关键决策者。
病理学是LLMs证明其有用的一个领域。传统上，病理学家手动审查组织样本切片以诊断癌症等疾病——这是一个耗时且容易出错的过程。在一项发表于《柳叶刀》的研究中，LLMs被训练用于分析医学图像，标记可能被最资深病理学家忽略的异常情况。LLMs并不替代专家，而是提供第二双“眼睛”，使病理学家能够专注于最关键的病例，加快诊断过程，并提高高负荷区域的疾病检测准确性，尤其是在高风险地区。
另一个新兴应用是在药房错误检测中。药物错误，如剂量不当或危险的药物相互作用，是医疗保健中可预防伤害的主要原因。根据《自然医学》2024年的一项研究，LLMs被用于审查处方订单，以检测潜在错误，如禁忌症或过量，从而在药物分发前实时标记这些错误。通过实时标记这些错误，LLMs有助于减少不良药物事件的发生，提高患者安全。
产品市场契合度的挑战
尽管取得了一些早期成功，但LLMs尚未实现许多人预期的全面变革。在这个空间中实现产品市场契合度仍然是一个重大挑战。主要障碍之一是解决医疗保健用例的长尾问题——那些低频但复杂的场景，需要专门的知识和细致的处理。虽然有可能构建有效解决30-50%常见案例的解决方案，但长尾问题提出了独特的问题。正如Benedict Evans指出的那样，许多AI技术最初在狭窄的应用中表现良好，但在扩展到更复杂的现实世界用例时却遇到了困难。在医疗保健中，由于风险较高，适应LLMs以应对这一广泛范围的场景需要广泛的测试、微调和跨学科的合作。
监管合规进一步复杂化了采用。与患者数据交互的技术必须遵守严格的隐私和安全法律，如美国的HIPAA。还需要缓解算法偏见，这可能会加剧健康不平等。实现真正的产品市场契合度不仅需要技术创新，还需要医疗提供者、技术开发者和监管机构之间的协调。
构建LLMs在医疗保健领域的可持续未来
尽管广泛采用的道路可能缓慢，但LLMs在医疗保健领域的长期潜力巨大。随着技术的发展，它可能成为个性化医学、预测分析和患者参与等领域的重要组成部分，从根本上改变护理的提供方式。
为了实现这一潜力，利益相关者必须关注患者安全、伦理透明度，并促进整个医疗生态系统内的合作。LLMs的承诺不在于取代人类专业知识，而在于增强它，创造一个更高效、更准确的医疗保健系统，同时保护信任和福祉。
(全文结束)
