医疗保健中的生成式人工智能：使用案例与实际应用

数据生成

像医疗人工智能聊天机器人这样的人工智能需要大量、多样化的数据集来学习，但 HIPAA 等患者隐私法使得跨机构共享真实临床数据变得十分困难。这就需要生成式人工智能来生成合成数据。

研究人员使用在去标识化数据集上训练的生成模型，而不是访问真实的病人记录。这些模型可以了解疾病如何发展、症状如何与实验室结果相关联以及治疗如何影响疗效。然后，他们生成完全合成的病人记录，这些记录的外观和行为与真实数据相似，但与任何个人无关。

假设一家医院想训练一个人工智能模型，以发现败血症的早期征兆。它只有 200 个病例。这远远不够。于是，人工智能模型分析了这 200 个真实病例，并生成了数千个合成病例：

• 有些人表现出典型的败血症症状。
• 还有一些是模仿罕见的组合，如延迟发烧加上三天后生命体征异常。
• 有几款甚至模拟了有误导症状的病人，帮助测试边缘情况。

这些合成记录不属于任何人，但它们的行为却与真实数据无异。

这为测试想法和探索医学中的 "假设 "情景提供了新的方法，同时又不会危及病人的隐私。

医疗诊断

在美国，梅奥诊所（Mayo Clinic）和布里格姆综合医院（Mass General Brigham）等医院正在将核磁共振成像、CT 扫描、化验结果和临床笔记等匿名患者数据输入人工智能诊断工具。 

事实上，65% 的美国医院已经在其诊断工作流程的某些部分使用了预测性人工智能模型。

放射学是应用尤为迅速的一个领域，人工智能正在帮助医生超越人眼的极限。经过训练的算法可以重建模糊的图像，并突出肿瘤或骨折等令人担忧的部位。

但是，最有影响力的应用并不局限于单一图像。大型语言模型可以将从放射报告和医生笔记到化验值、处方和患者生命体征等多个来源的数据结合起来，以构建更完整的图像。

想象一下，病人的病历上写着："轻微气短两周，新发喘息，无哮喘病史"。

人工智能助手可能会识别出早期心力衰竭的潜在模式。然后，它会检查最近的 B 型钠尿肽实验室值（用于检测心脏压力）和用药史。如果患者年龄超过 65 岁，系统可能会将心力衰竭的可能性优先于哮喘，并标记出来供临床医生查看。

药物发现

2020 年，麻省理工学院和哈佛大学的科学家们利用生成式人工智能找出了一种可以杀死耐药细菌的新型抗生素--卤素。 

这种人工智能突破正在改变化学家和药物研究人员处理医学中最昂贵、最耗时的部分的方式。

开发一种药物，包括失败候选药物的成本，可能需要 10 亿至 20USD。传统上，这是一个数字游戏：筛选成千上万种化合物，进行一次又一次的试验，希望有一种能成功。 

生成式人工智能大大加快了这一过程。研究人员从 "设计一种抑制肺癌 KRAS G12C 突变但不影响健康细胞的分子 "这样的药物发现提示开始。 

这一提示被输入一个根据化学结构数据库、蛋白质相互作用和已知副作用训练的生成模型。在几个小时内，该模型就能提出符合这些标准的全新分子结构，其中一些结构的灵感来自现有化合物，而另一些则是全新的。 

然后，研究人员就可以模拟这些分子与目标蛋白质的结合方式，从而在进行实验室实验之前缩小筛选范围。

它还能反过来发挥作用。如果研究人员输入患病病人的基因表达数据，模型就能推断出哪种化合物可能会修复潜在的功能障碍，即使这种化合物还不存在。

临床文件 

现在，医生不用再花几个小时翻阅电子健康记录（EHR），而是可以收到即时摘要，显示诊断、用药、化验趋势和治疗史等关键信息。

这些摘要可帮助医疗服务提供者更快地进入工作状态，尤其是在换班或病人数量较多的情况下。

除了改善信息获取，这些工具还被用于自动记录。医生花在写病历上的时间往往多于治疗病人的时间。但有了LLMs，医生可以口述或上传病人的详细资料，并收到进度记录草稿或出院摘要。最后一步是快速审核和批准。

美国最大的 EHR 提供商之一 Epic 系统公司正在与微软合作，积极试行人工智能辅助记录生成。在另一项研究中，早期结果显示临床医生使用人工智能辅助文档平均每周可节省3.3 个小时。 

这些系统还引入了一层临床安全检查。人工智能模型会标记潜在的问题，如药物过敏相互作用或记录中埋藏的相互矛盾的说明。虽然它们并不做决定，但它们可以充当第二双眼睛，降低医疗失误的风险。

个性化医疗

生成式人工智能可以通过分析个人的遗传学和病史来预测他们对治疗的反应。 

通过在大型数据集上进行训练，人工智能模型可以发现微妙的模式，例如特定基因变异如何影响药物代谢，并利用这种洞察力推荐量身定制的解决方案。

心理健康治疗

在心理健康领域，我们也在探索利用生成式人工智能建立个性化反应模型的原理。 

Woebot Health等公司正在开发人工智能驱动的认知行为疗法（CBT）工具。这些系统分析以往的互动，创建定制的治疗对话，并模拟现实世界中的焦虑诱因，如参加拥挤的聚会或在工作中受到批评。然后，它们会实时指导患者采取应对策略，在治疗过程中提供连续性。

医学教育和培训

传统的医学培训一直偏重于静态病例研究和标准化病人。这些方法很有用，但并不能让学生为真实临床工作的不可预测性做好充分准备。 

生成式人工智能通过引入新的模拟，适应每个学生的反应和学习方式，从而改变了这种状况。

英国公司 Virti 开发了人工智能驱动的 "虚拟病人"，以加强远程临床培训。在 Virti 中，学生可能需要

• 向虚拟癌症患者宣布坏消息
• 安抚要求答案的愤怒家人
• 用简单的语言解释复杂的诊断

虚拟病人会对学生的言行做出实时反应，从而创造出更加逼真的体验。 

维蒂的虚拟病人还能评估受训者沟通的清晰度和移情能力。如果学员说了 "转移 "之类的话，系统可能会建议改写为 "癌症已经扩散"，让患者更容易理解。

Virti 还能跟踪学生在各种模拟中的表现，为教师提供仪表板，突出显示学习者可能遇到困难的地方，如抗生素处方过多或漏诊。

这种人工智能技术在实践中越来越受欢迎。在 COVID-19 大流行期间，维蒂的技术为西达-西奈医院培训了 300 多名医生。

病人教育

在患者教育方面，生成式人工智能可通过分析患者的病情和病史实现个性化教育。 

OneRemission 等应用程序使用人工智能聊天机器人指导癌症幸存者进行治疗后护理。如果病人问："吃药时能吃这种食物吗？"聊天机器人会根据病人的病史直接给出答案。 

这种互动超越了静态对话。例如，新确诊的糖尿病患者可能会从基础知识开始：如何检查血糖、何时注射胰岛素、吃什么。然后，他们可能会问："如果我错过剂量会怎么样？"或者 "我可以吃水果吗？"人工智能会立即用通俗易懂的非技术性语言做出回答。

人工智能还能满足人们的需求。如果某人的健康知识水平较低或使用不同的语言，人工智能就会调整其解释方式。它可能会说："用这个设备检查您的血糖。方法是这样的"。

为了让患者按时服药，人工智能聊天机器人还能及时发送提醒，如 "现在服用下午 4 点的药片 "或 "明天上午 10 点是您的复诊时间"。 

后台职能

医院的手术室可能是高科技的，但在幕后，许多医院仍然依靠电子表格、扫描的 PDF 文件和冗长的电子邮件线程运行。人力资源、财务和运营部门往往依赖于过时的系统，即使是基本的工作流程也效率低下。

生成式人工智能正通过将人工流程转化为自动化系统，帮助实现这些后台功能的现代化。

以财务为例。一些医院现在不再让员工手动审核每张发票，而是使用人工智能扫描采购订单，将其与供应商合同进行匹配，标记重复收费等不一致之处，并将其转给正确的审批人。 

在人力资源领域，人工智能支持内部人工智能聊天机器人回答员工的问题，如 "我在哪里可以找到 PTO 政策？员工无需等待 IT 或人力资源部门回复数小时（或数天），即使在凌晨 2 点也能立即得到答复。

这些幕后工具可能不像诊断模型或虚拟助手那样显而易见，但它们能捕捉错误，让员工腾出手来专注于影响更大的工作。 

医院并不是医疗系统中唯一需要解决工作流程过时问题的部门。保险提供商正在使用人工智能聊天机器人处理保单更新和理赔等任务，这为医院如何在自身运营中提高效率提供了一个清晰的思路。

利用语音人工智能自动进行疫苗跟踪呼叫

在意大利推广 COVID-19 疫苗期间，公共卫生团队需要一种方法来监测数千名患者的副作用。依靠亲身检查或电话联系无法扩大规模，而且延误可能会错过严重的反应。

engineon 使用Botpress 构建了一个语音机器人，可主动致电患者，询问疫苗接种后的症状并记录回复，同时遵守欧盟隐私法。 

这些数据被直接输入 engineon 的分析系统，帮助卫生官员快速应对不良事件。

其结果是，响应准确率达到95%，每年节省 80,000 欧元，并腾出 6,000 多个工时。 

医生的免提临床助手

范德堡大学医疗中心面临着一个日益严重的问题：医护人员的职业倦怠。 

文档和行政工作耗费了大量时间，导致人力成本上升。为了减轻负担，Yaa Kumah-Crystal 博士带头将语音人工智能工具引入日常临床工作流程。

该团队与 Epic 系统公司合作开发了V-EVA：一种语音助手，让医生通过口头询问就能获取病人的关键信息。医生无需翻阅记录或聆听冗长的语音回复，而是能在屏幕上即时看到为其量身定制的摘要。

现在，医生可以使用语音指令免提下达化验单和要求更新信息。随着人工智能的改进，它有望做得更多，比如聆听对话和预测临床需求。

人工智能聊天机器人大规模处理公共卫生常见问题

在 COVID-19 在魁北克爆发期间，卫生和社会服务部（MSSS）面临着大量的公众咨询，涉及症状、检测、财政援助和公共卫生规则等方方面面。他们的呼叫中心跟不上。

为了快速响应，MSSS 在两周内就部署了一个由Botpress人工智能聊天机器人。该聊天机器人经过培训，能够回答大量与 COVID 相关的问题，全天候可用，并始终掌握最新的健康指南。

COVID-19 分诊热线由人工智能语音机器人处理

在 COVID-19 的第一波浪潮中，麻省总医院布里格姆分院开通了一条热线，帮助病人解决问题。但几个小时内，电话量就激增。 

为了解决这个问题，该团队根据美国疾病预防控制中心的筛查协议建立了一个人工智能语音助手。该机器人会询问症状问题，提供下一步治疗方案，并引导患者去看急诊、主治医生或急诊室。

通过卸载常规呼叫，人工智能机器人大大缩短了等待时间，帮助数千名患者更快地获得指导。 

如今，早期使用人工智能的势头仍在继续：每 10 位麻省总医院布里格姆分院的医生中就有 1 位在使用生成式人工智能，现在是为了帮助记录。

人工智能助力残疾人语音工具

Vocable是一款免费的应用程序，它通过使用头部、面部或眼部动作来生成自然的人工智能响应，从而帮助有语言障碍的人进行交流。

第一个版本使用移动设备的前置摄像头跟踪头部和面部的运动，让用户可以在屏幕上选择单词和短语。与传统的辅助和替代性交流（AAC）设备相比，这是一个很大的进步，因为传统的设备通常价格超过 15,000 美元，而且功能有限。

但它仍然给人一种机械的感觉。为了改变这种状况，团队整合了 ChatGPT.现在，Vocable 可以理解护理人员所说的话，并实时生成智能回复。

在 Apple Vision Pro 上，这种体验更进一步。用户可以在完全沉浸式的显示屏上通过眼动追踪来浏览界面。

其结果是为中风幸存者、肌萎缩性脊髓侧索硬化症（ALS）或多发性硬化症（MS）患者、不会说话的病人以及其他说话困难的人提供了一种现代交流工具。

1.确定目标

不要为了拥有一个聊天机器人而构建一个聊天机器人。准确决定它应该做什么。

• 是否应该预约？
• 发送处方提醒？
• 分诊症状并指导病人接受治疗？

每个目标都会带来不同的功能、集成和设计决策。例如，如果您需要症状分诊，您就需要一个LLM代理，它能理解自然语言，并能处理开放式输入，如："我喉咙痛、发烧两天了--我应该来医院吗？"我喉咙痛、发烧两天了--我应该进来吗？

没有明确的目标 = 杂乱的机器人，没有明确的价值。

2.选择正确的人工智能平台

并非所有聊天机器人都适用于医院或诊所。选择一个专为医疗保健而建或易于适应医疗保健的平台。以下是9 款最好的人工智能聊天机器人构建工具，供您参考。

寻找可定制的工作流，这样你就可以定义分诊、提醒或收治的逻辑，并与电子病历、病人门户和日程安排工具集成。

还要确认它支持合规性（如 HIPAA）和可扩展性。当试点扩大时，您可不想重建系统。 

确保您选择的平台包含强大的聊天机器人安全措施，如数据加密和基于角色的访问控制。 

3.与核心系统集成

独立的聊天机器人帮不上什么忙。要想从聊天机器人的实施中获得真正的价值，就必须将其与核心系统集成，这样它才能真正发挥作用，比如：

• 从电子病历中提取患者数据，实现个性化互动
• 实时查看预约情况
• 通过连接保险和理赔工具处理账单问题
• 通过 Looker 或 Tableau 等分析平台跟踪使用数据

如果没有集成，聊天机器人只是一个花哨的常见问题。

4.构建和测试

像设计临床流程一样设计对话流程。绘制出地图：

• 机器人应该先说什么？
• 应该提出哪些后续问题？
• 如何处理混乱的输入或升级？

流程明确后，就可以构建聊天机器人了。

5.重申

最后，反复测试。

模拟患者聊天，找出问题所在并加以解决。从一线员工和真实用户那里获得反馈。调整语气和回复，直到达到预期效果。

改进不会在发布后就结束。最好的机器人会在实际使用中不断发展。

如何判断医疗机构是否准备好实施生成式人工智能？

如果您的医疗机构有明确要解决的问题（如缩短文档记录时间或改进数据分析），而且您的团队愿意采用新的数字工具，那么您就知道您的医疗机构已经做好了实施生成式人工智能的准备。准备就绪还意味着拥有人工智能可以集成的安全数据系统（如电子病历），以及领导层支持在扩大规模之前试点小型、重点人工智能项目。

在医疗保健领域使用生成式人工智能时需要考虑哪些患者数据隐私法？

在医疗保健领域使用生成式人工智能时，您必须遵守患者隐私法，如美国的 HIPAA（或欧洲的 GDPR），这些法律规定了受保护健康信息（PHI）的存储和共享方式。这意味着您部署的任何人工智能工具都应支持加密、严格的访问控制、审计日志以及用于训练模型或分析的数据去身份化流程。

生成式人工智能对临床决策是否足够安全，还是只能用于行政任务？

生成式人工智能还不够可靠，无法取代临床判断，应将其用作辅助工具，而不是病人护理的决策者。它可以安全地完成行政任务，如起草说明和处理病人的常规询问，但任何医疗诊断或治疗计划都应始终在人类的监督下进行，以避免出错。

在医疗环境中部署人工智能聊天机器人一般需要多长时间？

在医疗环境中部署人工智能聊天机器人可能需要几周到几个月的时间，具体取决于复杂程度。一个基本的常见问题解答机器人可能在 2-4 周内推出，而一个连接到电子病历、处理符合 HIPAA 标准的对话或执行分诊的复杂聊天机器人可能需要 2-6 个月的开发、测试和合规审批时间。

在哪些特定医学专业中，生成式人工智能更有用？

是的，生成式人工智能在放射学（用于解读图像和起草报告）、病理学（用于总结检查结果）、肿瘤学（用于总结复杂的治疗方案）、心理健康（用于对话式治疗机器人）等专科以及初级保健等管理繁重的领域尤其有用，它可以帮助生成临床文档并高效地处理与患者的沟通。