大型语言模型（LLM）在抗生素处方中的应用为高风险医疗活动带来了新的可能性。当然，这一应用应在合格的人类医疗专业人员的监督下进行。但值得注意的是，这种选择现在已得到该领域专家的认可。
这是本月发表在《传染病与治疗》（Infectious Diseases and Therapy）上的评论文章的一个重要观点。文章指出，使用大型语言AI模型进行抗生素处方“具有极大的潜力来改善患者的治疗效果。这些工具可以提供快速而细致的建议，补充临床专业知识，提高效率和决策能力。”
研究团队强调，这一应用充满挑战。其中最重要的挑战包括定义可接受的误差范围、解决幻觉问题以及减少性能变化。这些潜在的问题要求持续的研究和谨慎的监督，他们指出。
论文的主要作者是意大利热那亚大学感染病学副教授Daniele Roberto Giacobbe博士，高级作者是同城市的圣马尔蒂诺大学医院感染病科主任Matteo Bassetti博士。他们和同事们提出了六个考虑点，供那些考虑在抗生素处方中使用AI的人参考：
1. 大型语言AI模型具有极大潜力来改善感染性疾病患者的治疗效果。然而，基于LLM的支持抗生素处方非常复杂。
抗生素处方增加了复杂性，因为医生必须平衡两个目标：选择最有效的治疗方案，同时尽量减少耐药性的风险。
“误判幻觉或遗漏可能会不成比例地影响其中一个优先事项，给医生在利用LLM援助时带来新的挑战。”
**2. 在科学写作和实际抗生素处方支持中使用LLM存在显著的共性和关键概念差异。”
虽然撰写评论文章可能具有挑战性，但它通常缺乏对抗生素处方所伴随的直接和即时的患者健康影响。
“抗生素处方涉及对个体结果和公共卫生产生深远影响的关键决策，要求医生权衡患者特定因素与更广泛的抗菌管理原则。”
**3. LLM以概率方式运行，且通常不可解释（或仅部分可解释），这使得复杂任务如抗生素处方中的错误风险成为一个特殊的目标。”
评估和减轻LLM生成的处方中的错误风险具有挑战性，因为它们具有内在的变异性。LLM以概率方式运行，基于训练数据预测句子中最有可能的下一个“标记”（单词或部分单词）。
“这种方法引入了变异性，即使对于相同的提示也是如此，使错误风险成为一个移动目标。”
**4. 存在许多其他挑战，包括训练数据质量的差异和需要妥善处理幻觉或遗漏。”
专有模型通常不会披露其最新版本模型的训练数据集，这使得评估其稳健性以及特定主题的数据质量和数量变得困难。
“此外，人类互动增加了另一层变异性。”
**5. 培训当前和未来的医生以优化他们与LLM的交互是实现协同改进性能的关键，超越人类或LLM单独所能达到的效果。”
抗生素处方是一个复杂的医学决策过程，受到多种因素的影响，包括患者特定变量、当地抗菌素耐药模式和临床指南。
“特别是大型语言模型，通过处理和综合大量信息的能力，可以为治疗提供快速、情境化的建议，从而补充临床专业知识。”
关于最后一点，作者补充说：“尽管对LLM的兴奋是有道理的，但要实现其全部潜力，仍需谨慎、系统的方法。前进的道路涉及在创新与严格评估之间取得平衡，确保这些工具能够安全有效地整合到临床实践中。”
(全文结束)
