患者越来越多地依赖非正式的信息来源，特别是互联网，这一趋势在医疗系统中已经存在一段时间。然而，生成式人工智能（AI）的出现不仅加剧了这种依赖，还迅速扩展到了医生和其他医疗专业人员。
生成式AI在频繁重复且风险较低的环境中表现最佳。这种效率源于技术依赖历史数据来识别模式并预测结果，假设未来情况将反映过去的经验。在这种低风险环境中实施这项技术是一种明智的策略。这种方法带来了许多好处：它使医疗专业人员和患者能够逐步了解AI的能力并建立对其有效性的信心。此外，它为AI开发者提供了在受控框架内彻底测试和改进系统的重要机会，然后再将其应用于更关键的情况。
生成式AI在医疗领域的可能应用
鉴于这一背景，我们可以评估生成式AI在不同医疗功能中的适用性。
常规信息收集
生成式AI可以通过用清晰易懂的语言与患者沟通，解决不确定性并为医疗专业人员整理数据，从而提高信息收集和报告的效率。AI系统可以通过提出有针对性的问题来支持医疗提供者收集患者的病史。此外，AI可以利用健康信息交换（HIE）访问患者的医疗记录，分析信息并根据患者的病史生成相关问题。
诊断
人工智能在改善诊断过程方面显示出潜力，尤其是对于数据丰富的疾病。然而，追求精确诊断和减少偏见仍然是重大挑战，特别是在缺乏足够数据表示的罕见疾病方面。这种数据稀缺性损害了AI有效诊断罕见疾病的能力，导致性能不佳，因为学习样本不足。即使对于数据丰富的常见疾病，AI系统也需要访问大量数据集。这种访问对于提高其性能和防止AI环境碎片化至关重要。这种碎片化可能导致大型医疗系统拥有重要的专有数据，进一步增强其相对于小型组织的竞争优势。
治疗
尽管人工智能在改善诊断程序方面具有潜力，但其在治疗中的应用面临诸多挑战。这些挑战主要来自责任和法律责任方面的担忧，以及与患者信任和接受度相关的各种技术和实际限制。最终，医疗提供者对其提供的治疗负责。在发生医疗事故时，这些提供者必须为其临床决策辩护。修改当前法律框架将治疗责任转移给AI开发者似乎不太可能，这可能会对开发者施加过高的医疗事故责任风险。此外，患者对AI驱动治疗的信任尚未达到广泛采用的门槛。
(全文结束)
