加入我们的每日和每周信息选票，以获取人工智能领先的行业照明中的最新更新和独家内容。了解更多
患者有关患者的记录可能会令人困惑，有时不完整，这意味着医生并不总是拥有所需的所有必要信息。为此，医务人员不能落后于主题研究，研究，测试和其他离开行业的先进事件的情况。
纽约市纽约市纽约市Langone Health提出了一种新的方法来解决下一代医生的问题。
包括纽约格罗斯曼医学，纽约医学格罗斯曼·朗曼（Grossman Longman）以及六家固定医院和375个门诊病人的学术医疗中心开发了大型语言模型（LLM），该模型（LLM）是受人尊敬的研究伴侣和医疗服务。顾问。
每天晚上，模型处理电子病历（EHR），将它们与适当的研究，诊断提示和重要参考信息进行比较，然后在第二天早上简短地向居民提供了简短的电子邮件。这是NYU Langone创新的医学培训方法的基础 – 它所谓的“准确医学教育”，该方法使用AI和数据来确保高级学生旅行。
NYU Langone Health的医学教育领域的教育信息学副院长Mark Triola说：“医疗保健中必不可少的“一切准确性”的概念。 “很明显，有证据表明，AI可以克服医疗保健系统中许多认知偏见，错误，浪费和效率低下，这可以改善诊断决策。”
NYU Langone如何使用Llama改善患者护理
NYU Langone使用的开放权重模型构建在最新版本的Llama-3.1-8B-8B-Nation和矢量矢量 – 矢量 – 矢量数据库中，用于搜索（RAG）。但这不仅是对文档的访问 – 该模型超越了抹布，还积极使用搜索和其他工具来检测最新的研究文档。
每天晚上，该模型都连接到机构的EHR数据库，并收到前一天在Langone中观察到的患者的医疗数据。然后，他寻求有关诊断和疾病的主要参考信息。 Triol解释说，使用Python API，该模型还搜索了PubMed中的相关医学文献，该文献具有“数百万件作品”。 LLM浏览评论，深度潜水和临床试验领域的文件，选择一对看似最相关的文档，并“通过一封好信件将所有这些联系在一起”。
第二天早上开始，医学生和内科，神经外科和放射肿瘤学收到了个性化的电子邮件，并带有详细的患者简历。例如，如果前一天患有充血性心力衰竭的患者，该电子邮件将提供有关心脏病的基本病理生理学的最新信息以及有关最新治疗方法的信息。他还向AI提供了自我学习和医学文献问题。此外，这可以给出有关居民可能会忽视的以下操作或细节的指示。
Triola说：“我们收到了来自居民和老师的学生的出色评论，涉及他们如何不摩擦，这使他们知道他们如何将其包括在对患者护理计划中的选择中。”
成功的关键指标是在系统关闭几天后个人，老师和学生抱怨说，他们没有得到早晨的推动力。
“由于我们在医生开始回合之前就发送了这些电子邮件 – 这是他们一天中最疯狂，最负担的时间之一 – 让他们注意到他们没有收到这些电子邮件，并想念他们作为其中的一部分思考真是太神奇了，”他说。
通过准确的医学教育对行业的转变
搜索AI的复杂系统是Nyu Langone医学教育的确切模型的基础，该模型是基于“较高的密度，没有摩擦”，数字数据，AI和强算法的基础。
在过去的十年中，该机构收集了有关学生的大量数据 – 他们的表现，他们关心患者的环境，指出他们写的，他们做出的临床决定以及如何通过患者的相互作用推理和关心。此外，纽约大学Langone拥有大量的医学生可用资源的目录，无论是视频，自我培训，考试还是在线学习模块。
该项目的成功也要归功于医疗机构的优化体系结构：它可以夸耀其集中式，单一的数据存储和一个用于教育的单个数据存储，这使Langone可以嫁给其各种数据资源。
测试的主要员工是医疗信息的主要员工指出，如果没有出色的数据，就不可能使用出色的AI/ML系统，但是“如果您坐在整个系统中，这不是最简单的事情。”医疗系统可能很大，但它充当“一位患者，一个记录，一个标准”。
AI代允许Nyu Langone放弃“单一大小的方法”。
正如Triola所说，他试图解决的主要问题：“他们如何将诊断，个人学生的背景和所有这些培训材料联系起来？”
他说：“突然之间，我们有一个大钥匙可以解锁这一点：生成的AI。”
这使学校能够摆脱通用模式，这成为常态，无论学生是否打算成为神经外科医生或精神科医生，都具有需要独特方法的不同学科。
他说，重要的是，学生在整个培训中接受适应的教育以及适应他们需求的“推动教育”。但是，您不能只告诉老师“与每个学生一起度过更多的时间” – 这是不可能的。
Triola说：“我们的学生之所以渴望这是因为他们承认这是医学和生成性AI变化的高速时期。” “这绝对会改变……成为医生意味着什么。”
作为其他医疗机构的典范
并不是说这条道路上没有问题。值得注意的是，技术团队通过紧急模型进行工作。
正如Triol指出的那样：“令人兴奋的是，他们的知识是多么庞大，精确，有时是有限的。这将是完美，可以预见的，连续99次，然后在第100次将其做出有趣的选择。
例如，在LLM开发开始时，他们无法区分皮肤上的溃疡和胃中的溃疡，而胃中的溃疡“在概念上没有连接”。从那以后，他的团队专注于快速处理和接地，结果是“很棒的”。
实际上，他的团队对堆栈和过程非常有信心，以至于他们认为这可以成为他人的一个很好的例子。 “我们更喜欢开源代码和开放的重量，因为我们想说的是：“嘿，其他医学院，其中许多资源没有很多资源，您可以便宜地做到这一点。” Triola解释了。
测试同意：“它可再现吗？这是我们想要传播的吗？当然，我们希望在整个医疗保健中传播。”
重估医学“神圣的神圣”实践
显然，该行业对可以在AI系统中烘烤的细微偏见非常关注。但是，Triola表示，在这种情况下，这不是一个大问题，因为这对于AI来说是一项相对简单的任务。他说：“它正在寻找，他从列表中选择，总结了它。”
相反，最大的全神贯注问题之一与非熟练或桌面有关。这是一个相关性：某种年份的相关性，也许会记住他在小学中如何学习斜体，但他们可能忘记了技巧，因为他们发现了一个罕见的案例，可以在成年后使用它。现在，他几乎已经过时了，在今天的初等教育中很少教过。
Triola表示，作为医生有“神圣”的部分，有些人可以稳定地将它们送到AI或数字系统“以什么方式，形状或形状”。例如，有一个想法是，年轻的医生在最新文献中不在临床状态时必须积极调查。 Triol强调，但是当今可用的医学知识量以及临床医学的“疯狂速度”需要另一种做事的方式。
在研究和获取信息方面，他指出：“ AI做得更好，这是一个令人不安的事实，其中许多人不敢相信。”
取而代之的是，他说：“假设这将赋予医生的超级大国，并找出人与人工智能之间的关系，而不是即将要做的人的竞争关系。”
Source link
