随着医学知识的迅速扩展，临床医生必须花费大量时间和精力来跟上其领域的最新进展。人工智能能提供帮助吗？
临床决策在很大程度上取决于医生利用自身专业知识和新兴医学知识为患者提供护理的能力。但医学知识正在迅速扩展——每73天就翻一番——并且预计将继续如此。面对诸如医生职业倦怠等问题，医生不仅需要跟上其专业领域的最新医学知识，还需要能够应用这些知识来改善患者的治疗结果。
生成式人工智能（GenAI）在医疗保健领域的应用被吹捧为临床文档、患者参与和其他用途的潜在变革者，但它能否简化医生获取医学知识的过程呢？爱思唯尔（Elsevier）正在探索这一应用场景，推出了名为ClinicalKey AI的新工具。
获取高质量信息的障碍
“医学界有一句老话，‘你在医学院学到的一半知识都是错误的。只是他们不知道是哪一半’，”康尼健康勒鲍健康护理中心的家庭医学医生布拉德·汤普森（Brad Thompson）博士指出，医学知识的爆炸性增长及其迅速过时的速度使得在临床实践中有效利用新见解变得困难重重。这些困难因管理突发情况（如COVID-19感染）或慢性疾病（如糖尿病）的复杂性而进一步加剧。初级保健医生是患者护理旅程中的关键接触点，通常需要从患者的病史中寻找线索，以确定诊断或转介给专科医生。
汤普森表示，跟上治疗指南和新兴医学研究的步伐是这项工作的核心，但高效获取高质量信息对于已经负担过重的医生来说是一个重大障碍。像ClinicalKey AI这样的工具旨在简化知识检索过程，根据医生的搜索查询，以对话的方式总结基于证据的内容来源（如医学期刊）。
汤普森指出，在初级保健中，医生与患者互动的很大一部分时间用于判断症状是否符合常见病症或更严重的情况。如果是常见病症，医生通常可以在同一就诊中提出建议或开始制定护理计划；而对于更严重的情况，医生可以将患者转介给专科医生。但他强调，存在“灰色地带”——患者出现的症状可能不符合初级保健医生日常实践中常见的病症类型。在这种情况下，参考最新的医学知识对于帮助医生决定如何继续患者的护理至关重要。
“在初级保健中，很多情况都会来到我这里，我试图根据这些情况进行分类：这是我可以处理的常见病症吗？这是需要立即处理的紧急情况吗？还是在灰色地带，可以转介给专科医生？我经过艰苦的训练，努力提供优质护理，但我并不知道一切，”他解释道。“有很多事情处于这个灰色地带，[人工智能]帮助我调整了一些测试或护理导航，以更好地适应患者。它帮助我评估或增强一些诊断。”
但开发一个能够提供临床决策支持的人工智能模型是一项重大任务。
构建临床知识检索AI
“医生认为我们所做的就是用我们的数据训练了一个大型语言模型，但这不是我们所做的……他们认为GenAI等于大型语言模型（LLM），这不一定是事实，”爱思唯尔健康市场首席技术官瑞特·奥尔登（Rhett Alden）解释说，ClinicalKey AI反而使用了检索增强生成（RAG）框架——一种从外部知识源检索数据的方法。
像ChatGPT这样的生成式AI工具在生成、总结和理解新内容方面非常有用，但在处理知识密集型任务或需要最新信息的任务时往往表现不一致。这可能导致AI产生幻觉，而RAG架构可以通过允许模型访问其初始训练数据之外的信息来帮助防止这种情况。在临床环境中的知识检索工具中使用RAG框架是成功的关键。与传统聊天机器人不同，后者是在一个数据集上训练的，模型在生成响应时从中提取数据，ClinicalKey AI使用RAG从现有的大量数据集中提取与用户查询相关的基于证据的内容片段。
该工具可以访问的内容来自爱思唯尔自己的书籍和期刊，以及其他经过验证的临床期刊和来源，如美国心脏病学会、PubMed和FDA出版的期刊。奥尔登强调，这些期刊通常是发布指导临床护理指南的地方，因此AI提供了对这些材料的全面访问。所有ClinicalKey AI提取的材料都已获得版权许可，并由数百名医生组成的团队定期审查，以确保内容及时、准确和高质量。当用户查询模型时，它使用自然语言处理来理解查询意图，并生成引用向量化数据库中相关内容的响应。
例如，用户可能会问：“我有一位患者患有肾感染，但同时是二型糖尿病患者，正在进行短期胰岛素管理，还患有高血压，且对青霉素有抗药性。”奥尔登指出，“我们的系统将解析这种对话输入，然后查询原始数据源，以检索特定段落或文档的子部分，这些内容随后由语言流畅的LLM进行总结。”用户可以进一步调查完整的引用来源，或查看AI响应中引用的具体段落，如果他们愿意的话。
奥尔登强调，这对于推动透明度和信任至关重要，这是临床决策支持工具需要克服的一个难点。爱思唯尔为模型开发了一个评估框架，独立医生会审查从内部和开源数据库中抽取的大约3000个临床问题。作为这一过程的一部分，评审人员定期监测答案的完整性、响应的帮助性、错误（如果有）等指标。该工具还有一个现实世界监控流程，临床医生用户可以报告模型响应中的潜在不一致或不准确性。
这种关注用户反馈的做法是有意为之，奥尔登表示。他解释说，许多开发者依赖用户的正面反馈来自动化改进工作。“但我们更感兴趣的是负面反馈，”他说。“在那里，实际上需要人工干预来了解[AI响应]出了什么问题。因此，我们专注于这一点，因为质量和精确性是医生关心的差异化因素，最终这关系到患者安全。”
优先考虑健康公平
除了提高患者安全外，汤普森强调，该工具还可以帮助医生更好地根据患者的具体情况定制临床建议和指南，无论是通过揭示医生可能不熟悉的额外实验室测试，还是提供关于新型治疗方法的进一步见解。个性化医疗正变得越来越流行，随着数据分析能力、基因组学和其他医疗行业创新的普及，这一趋势日益明显。然而，工具帮助个体化护理的潜力必须与防止健康差异的保障措施相平衡。
偏见是医疗AI的主要缺点之一，因为在开发过程中可能会无意中将人类偏见嵌入模型。偏见也可能出现在医学研究中，无论是通过某些群体在临床试验中的代表性不足，还是在临床研究中使用种族作为生物学结构的算法。
在ClinicalKey AI的情况下，奥尔登表示，优先考虑健康公平意味着考虑潜在偏见的三个来源：数据、工具在其响应中总结数据的方式以及用户。管理数据偏见的关键在于在研究发表前进行编辑审查的机制，以及必要时召回文章或反驳研究发现的方法。同行评审期刊有这些机制，减少了发布有偏见材料的可能性。对工具数据库进行质量控制的过程有助于确保其响应无偏见，但用户内部的偏见几乎无法应对。
“你不应该因为生活在低收入地区而无法接触到梅奥诊所或克利夫兰诊所那样的医生而处于不利地位。你应该能够使用那些能够提升医生技能的工具，以满足你的需求。这就是这种工具的愿景：真正提供最广泛的质量信息访问。这对患者有利，对医生也有利。” 瑞特·奥尔登 爱思唯尔健康市场首席技术官
然而，奥尔登指出，AI可以通过促进高质量临床知识的访问来解决这些问题。“这种技术使医生更容易获得正确的信息，并抵消了给他们提供错误信息的风险，”他解释道，只要医生提供了相关信息，该工具的设计可以考虑“患者背景”在其响应中。他通过患者案例说明了这一点，这些患者正在服用一种可能与激素避孕药有禁忌症的神经药物。如果有人询问该工具，服用这种神经药物的患者应采取哪些预防措施，它将提供一个更通用的概述；但如果查询中包括患者是女性，响应将更有可能突出避孕药的禁忌症。奥尔登强调，在查询中包含性别认同等细节在为边缘化群体提供高质量护理时非常重要。他指出，如果在查询中添加患者是跨性别者并在出生时被分配为女性的上下文，工具可以提供更详细的响应。
能够在查询中细分以提取更多个性化的见解，对于尝试为边缘化群体成员提供高质量护理具有重要价值，但这也带来了挑战。“我认为，如果没有我们的工具，医生很难轻松地提出这些问题。因此，这在一定程度上取决于医生对处理边缘化群体的认识，以及如何正确利用工具，”他表示。“如果是一个完全合格的问题，我们可以提供非常详细的响应，以适当的方式解决边缘化和系统性偏见，因为许多医生根本没有接受过跨性别患者护理或其他问题的培训，”他继续说道。由于提出一个合格且适当的问题的责任在于医生，爱思唯尔正在探索提供培训和指导的可能性，以正确使用工具并减轻潜在偏见。
虽然这些减少偏见的努力不一定万无一失，但奥尔登表示，它们可能会鼓励在改善健康公平方面取得有意义的进展，帮助医生更加意识到潜在的偏见问题。除了现实世界的监控和医生反馈外，他认为听取患者的意见也是推进公平努力的关键。“医生并不是偏见的最终仲裁者，”奥尔登表示。“我们实际上需要听到LGBTQ+群体、黑人社区和其他潜在边缘化群体的看法，了解他们如何看待这一工具的工作。”通过汇集各种利益相关者，临床知识检索工具在民主化护理质量方面具有巨大潜力。
“你不应该因为生活在低收入地区而无法接触到梅奥诊所或克利夫兰诊所那样的医生而处于不利地位，”奥尔登说。“你应该能够使用那些能够提升医生技能的工具，以满足你的需求。这就是这种工具的愿景：真正提供最广泛的质量信息访问。这对患者有利，对医生也有利。”
(全文结束)
