关键点
- AI正在从诊断转向持续的疾病管理，跟踪整个护理过程中的健康状况。
- AI能够随着时间的推移细化治疗计划，减少变异性并提高护理的一致性。
- 尽管AI在医学中的作用不断扩大，但仍需解决数据碎片化和信任等挑战。
一项关于AI驱动医疗的新研究突显了医疗AI的潜在转变。谷歌的Articulate Medical Intelligence Explorer（AMIE）不仅改善了诊断，还展示了管理疾病随时间发展的能力。与其仅仅识别病症，AI正在演变成一个长期疾病管理的合作伙伴。
这反映了AI在医学中更为广泛的用途。直到现在，许多关于AI的叙述都集中在诊断的卓越性上——例如，AI能够在医学扫描中检测癌症、识别罕见遗传病或标记患者记录中的异常情况。这些进展非常重要，但它们主要关注的是单个时刻的决策。然而，医学很少只涉及一个时刻。像糖尿病、心血管疾病和自身免疫性疾病这样的慢性病需要持续的、适应性的护理，随着患者病情的变化而调整。
这就是AMIE可能标志着转折点的地方。AMIE不仅仅是作为诊断助手，它已经展示了参与疾病管理全过程的能力，跟踪症状、细化治疗建议，并根据既定的护理标准调整护理计划。在结构化的测试场景中，AMIE的管理计划被评为不低于人类医生，在某些情况下甚至显示出更精确的治疗建议。重要的是，该系统不仅仅是在评估某个时刻，而是综合了多次患者就诊的情况，反映了病情的发展，而不仅仅是提供一个快照。
AI作为连续性引擎
虽然这项研究的主要结论是AI生成高质量疾病管理计划的能力，但其更深层次的意义可能在于这对连续护理意味着什么，这是医学领域的一个持久挑战。
连续护理是指对患者的健康进行无缝、协调的管理。目前，由于电子健康记录（EHR）系统的不连贯、多个不同的医疗服务提供者以及不一致的随访，这种连续性常常被打破。然而，AI具有独特的能力，可以跨多次就诊、多位医生甚至多家医疗机构跟踪和分析大量临床数据，从而为患者管理提供前所未有的连续性。
如果患者数据结构合理且可访问，像AMIE这样的AI系统可以：
- 分析多次就诊的患者历史，以改进长期疾病管理。与间歇性护理不同，AI可以综合过去的数据来保持治疗计划的连续性。
- 根据结构化的临床指南随时间调整治疗建议。AMIE展示了在多次就诊中调整护理计划的能力，确保治疗与不断变化的患者状况保持一致。
- 通过系统应用循证指南减少医生决策的变异性，从而提高护理的一致性。
- 通过详细的知识支持药物管理，包括评估适应症、禁忌症和剂量调整，提高药理学的精确度。
从间歇性护理到连续护理
受时间和系统效率限制的人类医生通常以间歇性的方式管理患者——即在有限的背景下做出决定的离散预约。然而，AI受到的约束较少。它可以持续分析患者的状况，提供纵向见解，补充和增强人类的临床判断。
例如，想象一个心力衰竭患者的体重在六个月内出现微妙波动，表明有液体潴留。一位忙碌的初级保健医生可能不会立即看到这一趋势，但实时监控患者记录的AI系统可以标记出这一模式，促使早期干预。同样，AI可以在多次就诊中检测到药物副作用的早期预警信号，允许在问题升级为严重并发症之前进行调整。
这种主动的、数据驱动的护理对于任何一位临床医生来说都是难以提供的——而这正是大型语言模型（LLMs），以其庞大的数据综合能力所优化的方向。
长期医学中的AI未来
AMIE的研究表明，我们可能很快会重新定义“看”患者的含义。医生不再依赖记忆、笔记或不完整的记录，而是可以与一个动态保留和综合患者全部病史的AI合作，实时识别风险和机会。
然而，仍然存在挑战。AI的有效性取决于患者数据的质量和可访问性——这在医疗系统中仍然高度分散。还需要解决患者信任、AI驱动决策和医疗责任等伦理问题。最重要的是，AI不能取代定义医学的人际关系。虽然AI可以跟踪患者旅程中的每一个数据点，但人类临床医生可以提供同情、安慰和共享决策，这些都是患者在最脆弱时刻所寻求的。
尽管如此，趋势是明确的。医学正在从将AI作为诊断助手转变为将其作为长期护理伙伴——而AMIE是这种未来的第一个具体例子之一。AI驱动医疗的下一个重大挑战不仅仅是正确诊断，而是使整个护理过程正确无误。这才是AI的最大潜力所在，也是医疗保健领域可能出现的重要变革之处。
(全文结束)
