导语：作为2024年服贸会重要组成部分之一，国家卫生健康委员会百姓健康频道（CHTV））定于9月13日在京举办“2024首都国际医学大会的平行论坛——数智医疗与医学人工智能创新论坛”，CHTV&医学论坛网将为您带来AI赋能医疗的系列报道，今天我们就来聊一聊电子病历中的发展与革新。
在繁忙的诊室里，我常常回想起那些翻阅厚重病历本的日子。如今，随着AI技术的融入，电子病历不仅数字化了，更智慧化、规范化，极大地提升了我们临床工作的效率和质量。正如我们在这篇文章里读到的——AI在医疗领域的应用正开启一个全新的数智医疗时代。
01
AI在医疗领域的应用亮点：电子病历的智能化转型
随着人工智能技术的飞速发展，其在医疗领域的应用正逐渐从辅助工具转变为革新力量。最近，Npj Digital Medicine的主编Joseph C. Kveda与两名同事共同发表了题为“Generative AI and Large Language Models in Health Care: Pathways to Implementation”的述评文章。Kveda博士和同事们深入探讨了AI在电子病历领域的应用前景，并回顾了AI在模拟人类对话方面的进展，其中，作者们还特别关注了其在电子电子病历（EMR）数据上的应用潜力与挑战。
作者们指出，在电子病历的数字化转型过程中，数据量的激增与管理效率的提升构成了双重需求。生成性AI（Generative AI）和大型语言模型（LLMs）的引入，为这一转型提供了新的解决方案。这些技术通过学习大量数据，模拟人类对话，已在医疗咨询、病例撰写甚至医学考试中展现出潜力。然而，尽管AI在电子病历中的应用前景广阔，但目前的研究和应用仍处于起步阶段，面临数据隐私保护、模型泛化能力不足等挑战。
此外，作者们还提出了一个系统性的评估框架，旨在指导未来AI模型的开发与实施。该框架包括预测性能、数据标注、模型部署等多个维度，为医疗系统选择和评估AI模型提供了科学依据。文章通过这一框架，展示了AI技术在电子病历领域的应用潜力，并针对当前研究和实践中的挑战提出了解决策略。
02
从数据模拟到临床决策：AI预测性能的精准度量
预测性能：AI模型准确性的关键指标
在电子病历的智能化转型中，预测性能是衡量AI模型有效性的核心指标。Raza等人通过深入分析84种基础模型，揭示了AI在提高医疗预测准确性方面的潜力。这些模型经过大量临床结构化文本数据的训练，能够提供更为精确的预测结果。然而，模型的泛化能力受限，多数模型仅在单一或小型数据库上训练，限制了其在多样化医疗环境中的适用性。
数据标注与模型部署：简化AI模型应用的关键路径
数据标注是AI模型训练的基础，但同时也是资源消耗的重要环节。文章中提出，通过减少训练数据的需求，可以显著降低模型部署的成本和时间。这不仅简化了模型的实施过程，也为医疗系统快速采纳AI技术提供了可能（表1）。简化模型部署还涉及到减少临床使用前的技术培训和支持需求，进一步降低了AI技术的门槛。
表1 生成性AI模型评估清单
微软与Epic EHR的合作：AI在医疗自动化中的创新应用
微软与Epic EHR的合作标志着AI技术在医疗自动化中的创新应用。通过集成OpenAI服务，该合作致力于开发能够自动草拟回复的系统，以应对患者常见的咨询和问题。这一系统利用生成性AI的能力，不仅提高了医生回复患者咨询的效率，而且通过减少等待时间，显著改善了患者的就医体验。这种自动化回复的功能，通过精准的语言模型，能够理解患者的问题并提供及时、准确的反馈，从而减轻医疗工作者的负担，使他们能够专注于更复杂的医疗任务。
Oracle Cerner的Oracle Clinical Digital Assistant：多模态交互的前沿实践
Oracle Cerner推出的Oracle Clinical Digital Assistant工具代表了AI技术在多模态交互领域的前沿实践。该工具结合了语音和屏幕交互技术，在预约过程中自动化笔记记录，并能够提出行动建议，如药物处方、实验室检查和后续预约安排。这种创新的交互方式不仅提高了电子病历的准确性和完整性，还通过提供实时的临床决策支持，增强了医疗服务的连贯性和个性化。Oracle Clinical Digital Assistant工具通过其先进的自然语言处理能力，能够理解并回应医生和患者的指令和问题，从而在临床实践中扮演了一个新的角色，为医患沟通提供了一个更为高效和直观的平台。
持续监管：确保AI技术安全有效的政策保障
随着AI技术的快速发展，监管框架的更新变得尤为重要。文章强调，监管机构需要提供明确的指导原则，帮助医疗系统评估和选择最合适的AI模型。这不仅涉及到技术安全性的评估，还包括数据隐私保护、模型透明度和公正性等多个方面。持续的监管和政策指导是确保AI技术在医疗领域安全有效应用的关键。
03
讨论
作者们指出，尽管AI在医疗领域的应用前景广阔，但要实现其在临床实践中的广泛应用，还需要解决包括模型泛化、数据隐私和监管框架在内的一系列挑战。他们强调，为了使AI技术在医疗领域不仅仅是一时的热潮，而能成为持久的实践，需要明确的领导力、激励机制和持续的监管。通过领导力推动模型的持续开发、验证和实施，通过激励机制促进技术的采纳，以及通过监管确保技术的安全和有效性，AI在医疗领域的应用才能走上一条可行的实施路径。
参考文献
RAZA M M, VENKATESH K P, KVEDAR J C. Generative AI and large language models in health care: pathways to implementation[J]. NPJ Digit Med, 2024, 7(1): 62. DOI: 10.1038/s41746-023-00988-4.
编辑：梨九
二审：且行
三审：清扬
排版：半夏
