برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
سوابق داده های بیمار می توانند پیچیده و گاه ناقص باشند ، به این معنی که پزشکان همیشه تمام اطلاعات مورد نیاز مورد نیاز خود را در دسترس ندارند. به این واقعیت اضافه شده است که متخصصان پزشکی احتمالاً نمی توانند از سد مطالعات موردی ، مقالات تحقیقاتی ، آزمایشات و سایر پیشرفت های پیشرفته که از این صنعت خارج می شوند ، کنار بیایند.
NYU Langone Health مستقر در شهر نیویورک با رویکردی جدید برای مقابله با این چالش ها برای نسل بعدی پزشکان روبرو شده است.
مرکز پزشکی دانشگاهی – که شامل دانشکده پزشکی NYU Grossman و دانشکده پزشکی NYU Grossman Long Island و همچنین شش بیمارستان بستری و 375 مکان سرپایی است – یک مدل زبان بزرگ (LLM) ایجاد کرده است که به عنوان یک همراه و پزشکی تحقیقاتی محترم عمل می کند مشاور
هر شب ، این مدل سوابق سلامت الکترونیکی (EHR) را پردازش می کند ، و آنها را با تحقیقات مربوطه ، نکات تشخیصی و اطلاعات اساسی که در آن زمان در ایمیل های مختصر و متناسب به ساکنان ارائه می دهد ، تطبیق می دهد. این یک بخش ابتدایی از رویکرد پیشگام NYU Langone برای دانشکده پزشکی است – آنچه که آن را “آموزش دقیق پزشکی” می نامد که از هوش مصنوعی و داده ها برای ارائه سفرهای دانشجویی بسیار سفارشی استفاده می کند.
مارک تریولا ، معاون معاون آموخته های آموزشی و مدیر انستیتوی نوآوری در آموزش پزشکی در NYU Langone Health ، به VentureBeat گفت: “این مفهوم” دقت در همه چیز “در مراقبت های بهداشتی لازم است.” “واضح است که شواهد در حال ظهور است که هوش مصنوعی می تواند بر بسیاری از تعصبات شناختی ، خطاها ، زباله ها و ناکارآمدی در سیستم مراقبت های بهداشتی غلبه کند ، که می تواند تصمیم گیری تشخیصی را بهبود بخشد.”
چگونه Nyu Langone از Llama برای تقویت مراقبت از بیمار استفاده می کند
NYU Langone با استفاده از یک مدل وزن باز که بر روی آخرین نسخه از مدرک LLAMA-3.1-8B و بانک اطلاعاتی وکتور کروما منبع باز برای تولید بازیابی (RAG) ساخته شده است. اما این فقط دسترسی به اسناد نیست – این مدل فراتر از RAG است و به طور فعال از جستجو و ابزارهای دیگر برای کشف آخرین اسناد تحقیقاتی استفاده می کند.
هر شب ، این مدل به پایگاه داده EHR تسهیلات متصل می شود و داده های پزشکی را برای بیمارانی که روز قبل در لانگون دیده می شوند ، بیرون می کشد. سپس اطلاعات اساسی پس زمینه را در مورد تشخیص و شرایط پزشکی جستجو می کند. Triola توضیح داد: با استفاده از API Python ، این مدل همچنین جستجوی ادبیات پزشکی مرتبط در PubMed را انجام می دهد که “میلیون ها و میلیون ها مقاله” دارد. LLM از طریق بررسی ها ، مقالات عمیق و آزمایشات بالینی ، انتخاب یک زن و شوهر از به ظاهر مهمترین و “همه اینها را در یک ایمیل خوب قرار می دهد.”
در اوایل صبح روز بعد ، دانشجویان پزشکی و طب داخلی ، جراحی مغز و اعصاب و پرتودرمانی با خلاصه های دقیق بیمار یک ایمیل شخصی دریافت می کنند. به عنوان مثال ، اگر بیمار مبتلا به نارسایی احتقانی قلبی روز گذشته برای معاینه در نظر گرفته شده بود ، ایمیل برای پاتوفیزیولوژی اساسی شرایط قلب و اطلاعات مربوط به آخرین روشهای درمانی ، تازه کننده ای را فراهم می کند. همچنین سؤالات خودآموزی و ادبیات پزشکی با هوش مصنوعی را ارائه می دهد. علاوه بر این ، ممکن است نشانگرهایی راجع به گام هایی که ساکنان می توانند بعدی یا اقدامات یا جزئیاتی را که ممکن است از آنها غافل کرده باشد ، انجام دهد.
تریولا گفت: “ما بازخورد خوبی از دانشجویان ، از ساکنان و دانشکده در مورد چگونگی به روز نگه داشتن این اصطکاک به روز کرده ایم.
یک معیار موفقیت آمیز برای وی شخصاً زمانی بود که قطع سیستم برای چند روز ایمیل ها را متوقف کرد – و اعضای هیئت علمی و دانشجویان شکایت کردند که آنها برهنه های صبحگاهی را که به آنها اعتماد کرده بودند دریافت نکردند.
“از آنجا که ما این ایمیل ها را درست قبل از شروع دور پزشکان – که جزء دیوانه ترین و شلوغ ترین روزهای روز برای آنها است – ارسال می کنیم و برای اینکه آنها متوجه شوند که این ایمیل ها را دریافت نمی کنند و آنها را به عنوان بخشی از آنها از دست می دهند فکر کردن عالی بود. ”
تبدیل صنعت با آموزش دقیق پزشکی
این سیستم پیشرفته بازیابی هوش مصنوعی برای مدل آموزش دقیق پزشکی NYU Langone اساسی است ، که Triola توضیح داد بر اساس داده های دیجیتالی “تراکم بالاتر ، بدون اصطکاک” ، AI و الگوریتم های قوی است.
این موسسه در طی یک دهه گذشته داده های زیادی را در مورد دانش آموزان جمع آوری کرده است – عملکرد آنها ، محیط هایی که از بیماران مراقبت می کنند ، EHR یادداشت می کنند ، تصمیمات بالینی که می گیرند و نحوه استدلال آنها تعامل و مراقبت از بیمار. علاوه بر این ، NYU Langone دارای کاتالوگ گسترده ای از کلیه منابع موجود در دانشجویان پزشکی ، خواه این فیلم ها ، سوالات خود مطالعه یا امتحان یا ماژول های یادگیری آنلاین باشد.
موفقیت این پروژه همچنین به لطف معماری ساده تسهیلات پزشکی است: آن را به متمرکز می کند ، یک انبار داده واحد در سمت مراقبت های بهداشتی و یک انبار داده واحد برای آموزش و پرورش ، به لانگون اجازه می دهد تا با منابع مختلف داده خود ازدواج کند.
Paul Testa ، مدیر ارشد اطلاعات پزشکی خاطرنشان كرد كه سیستم های عالی AI/ML بدون داده های عالی امكان پذیر نیست ، اما “اگر شما روی داده های ناشناخته در سیلوهای سیستم خود نشسته اید ، ساده ترین كاری نیست.” سیستم پزشکی ممکن است بزرگ باشد ، اما به عنوان “یک بیمار ، یک رکورد ، یک استاندارد” عمل می کند.
Gen Ai به Nyu Langone اجازه می دهد تا از آموزش “یک اندازه متناسب” دور شود
همانطور که Triola بیان کرد ، سؤال اصلی که تیم وی به دنبال آن بوده است این است: “چگونه آنها تشخیص ، زمینه دانش آموز فرد و همه این مطالب یادگیری را پیوند می دهند؟”
وی گفت: “ناگهان ما این کلید عالی را برای باز کردن قفل آن بدست آورده ایم: هوش مصنوعی.”
این امر به مدرسه این امکان را داده است تا از الگوی “یک اندازه متناسب” که یک هنجار است ، دور شود ، خواه دانش آموزان قصد داشته باشند ، به عنوان مثال ، یک جراح مغز و اعصاب یا روانپزشک شوند-رشته های بسیار متفاوتی که نیاز به رویکردهای منحصر به فرد دارند.
وی گفت ، این مهم است که دانش آموزان در طول تحصیلات خود آموزش متناسب داشته باشند ، و همچنین “برهنه های آموزشی” که با نیازهای آنها سازگار است. اما شما فقط نمی توانید به دانشکده بگویید که “وقت بیشتری را با هر دانش آموز اختصاص دهید” – این از نظر انسانی غیرممکن است.
Triola گفت: “دانش آموزان ما به این دلیل گرسنه بوده اند ، زیرا آنها می دانند که این یک دوره با سرعت بالا در تغییر پزشکی و هوش مصنوعی است.” “این کاملاً تغییر خواهد کرد … معنی پزشک بودن.”
خدمت به عنوان الگویی برای سایر موسسات پزشکی
نه این که در این راه چالش هایی وجود نداشته است. نکته قابل توجه ، تیم های فنی از طریق مدل “ناهماهنگی” کار می کنند.
همانطور که Triola خاطرنشان کرد: “این جذاب است که دانش تعبیه شده آنها چقدر گسترده و دقیق است و گاهی اوقات چقدر محدود است. این کار کاملاً کار خواهد کرد ، به طور قابل پیش بینی ، 99 بار پشت سر هم ، و سپس در صدمین بار مجموعه ای جالب از انتخاب ها را انجام می دهد. “
به عنوان مثال ، در اوایل توسعه ، LLM ها نمی توانند بین زخم روی پوست و زخم در معده تفاوت قائل شوند ، که “اصلاً از نظر مفهومی مرتبط نیستند”. تیم وی از آن زمان به پالایش سریع و پایه گذاری متمرکز شده است و نتیجه “قابل توجه” بوده است.
در حقیقت ، تیم وی چنان به پشته و فرآیند اطمینان دارد که معتقدند این می تواند به عنوان نمونه ای عالی برای دیگران باشد. “ما از منبع باز و وزن باز استفاده می کردیم زیرا می خواستیم به جایی برسیم که بتوانیم بگوییم ،” سلام ، سایر دانشکده های پزشکی ، که بسیاری از آنها منابع زیادی ندارند ، شما می توانید این کار را با ارزان انجام دهید. ” “Triola توضیح داد.
Testa موافقت کرد: “آیا قابل تکرار است؟ آیا این چیزی است که می خواهیم منتشر کنیم؟ کاملاً ، ما می خواهیم آن را در سراسر مراقبت های بهداشتی منتشر کنیم. “
ارزیابی مجدد شیوه های “Sacriesanct” در پزشکی
قابل درک است که نگرانی های زیادی در مورد تعصبات ظریف که ممکن است در سیستم های AI پخته شوند وجود دارد. با این حال ، تریولا خاطرنشان کرد که این یک نگرانی بزرگ در این مورد استفاده نیست ، زیرا این یک کار نسبتاً ساده برای هوش مصنوعی است. وی خاطرنشان كرد: “این در حال جستجو است ، این لیست را انتخاب می كند ، خلاصه می شود.”
در عوض ، یکی از بزرگترین نگرانی های ظاهر شده ، حول محاسبه یا میز کار است. در اینجا یک همبستگی وجود دارد: ممکن است کسانی که از یک پرنعمت خاص یاد می گیرند ، یادگیری لعنتی در دبستان را به یاد بیاورند – اما احتمالاً آنها این مهارت را فراموش کرده اند زیرا به مناسبت نادر برای استفاده از آن در زندگی بزرگسالان خود پیدا کرده اند. اکنون ، تقریباً منسوخ شده است ، که بندرت در آموزش ابتدایی امروز تدریس می شود.
تریولا خاطرنشان کرد: بخش های “Sacrosanct” از پزشک بودن وجود دارد و برخی از آنها مقاوم هستند که بتوانند از سیستم های هوش مصنوعی یا دیجیتال “به هر طریقی ، شکل و شکل” استفاده کنند. به عنوان مثال ، این تصور وجود دارد که پزشکان جوان باید در آخرین ادبیات در هر زمان که در یک وضعیت بالینی نباشند ، به طور فعال تحقیق و بینی خود را انجام دهند. Triola تأکید کرد: اما میزان دانش پزشکی موجود امروز و “سرعت دیوانه کننده” طب بالینی ، روش متفاوتی برای انجام کارها دارد.
وقتی صحبت از تحقیق و بازیابی اطلاعات می شود ، وی خاطرنشان کرد: “هوش مصنوعی این کار را بهتر انجام می دهد ، و این یک حقیقت ناراحت کننده است که بسیاری از مردم از اعتقاد خود دریغ می کنند.”
در عوض ، وی اظهار داشت: “بیایید بگوییم که این امر به پزشکان ابرقدرت ها می دهد و رابطه مشترک بین انسان و هوش مصنوعی را می فهمد ، نه رابطه رقابتی چه کسی می خواهد چه کاری انجام دهد.”
