برنامه‌های بزرگ جان هاپکینز برای هوش مصنوعی

مصاحبه با جان هاپکینز در مورد هوش مصنوعی

بیایید به هوش مصنوعی در پزشکی جان هاپکینز بپردازیم. شما از فناوری محیط نویس استفاده می‌کنید. این کار چگونه در گردش کار شما کار می‌کند و چه نوع نتایجی را می‌بینید؟

مطمئناً یک فضای بسیار موضوعی. ما شاهد تعدادی از محصولات هستیم که طیف گسترده‌ای از استراتژی‌ها را در پیش گرفته‌اند. ما شبیه بسیاری از کسانی هستیم که برخی از اقدامات اولیه را در این زمینه انجام داده‌اند، تشخیص اینکه فناوری واقعاً کاری را که قرار است در مراقبت‌های بهداشتی انجام دهد انجام نداده است.

مسلماً، اکثر داده‌ها حداقل به پزشکان می‌گویند، فناوری از جهاتی آسیب بیشتری وارد کرده است، حداقل به گردش کار و تجربه ما در مراقبت‌های بهداشتی. بنابراین، ما سعی می‌کنیم به برخی از آن قطعات فکر کنیم که بتوانیم فناوری را به مرکز برگردانیم و آن را لذت‌بخش‌تر کنیم.

باز هم، بسیاری اذعان کرده‌اند که بار اسنادی که با انفجار محتوای EHR بر دوش پزشکان ما قرار می‌گیرد، هم به دلیل الزامات نظارتی و هم گردش کار عمومی در بسیاری از سیستم‌های اصلی. بنابراین، برای اکثر سیستم‌های ما که هوش مصنوعی محیطی، یک دستگاه شنود را دریافت کرده‌اند، بخش محیطی آن گوش دادن به یک برخورد بالینی است، خواه ویزیت سرپایی، سابقه اورژانس یا دورهای بستری باشد.

و در پشت صحنه، ابزار هوش مصنوعی، معمولاً چیزی که امروزه به عنوان یک مدل زبان بزرگ شناخته می‌شود، مانند GPT، سپس کلمه‌های گفتاری را بین طرف‌های مختلف می‌گیرد و آن را در یک پاراگراف مولد جدید می‌سازد.

این از عملکرد واقعی آن مدل‌های زبان بزرگ برای تولید یک پاراگراف از محتوا، معمولاً حول یک درخواست خاص استفاده می‌کند. با توجه به آن مدل، «لطفاً تاریخچه ای بر اساس این پیشینه پزشکی بنویسید». و ما در حال حاضر آن را در تعدادی از کلینیک‌های سرپایی یا سرپایی، در چند حوزه تخصصی مختلف، در حال حاضر با اولین محصول خود به کار گرفته‌ایم و احتمالاً به این فکر می‌کنیم که چگونه از بیش از یک محصول برای درک سطوح مختلف عملکرد استفاده کنیم.

جان هاپکینز پزشکی همچنین از هوش مصنوعی برای پاسخ‌های پیش‌نویس پیام‌های پورتال بیماران استفاده می‌کند. لطفاً توضیح دهید که چگونه پزشکان و پرستاران از این مورد استفاده می‌کنند و انواع نتایجی که به دست می‌آورند.

این ابزار سازمانی برای کاربران اولیه عرضه شده است. احتمالاً اکنون برای بسیاری از کسانی که محتوای رسانه HIMSS را دنبال می‌کنند، کاملاً شناخته شده است که ایمیل‌های بیمار یا پیام‌های درون سبد، پیام‌هایی که از طریق پورتال بیمار تولید می‌شوند، از طریق همه‌گیری منتشر شده‌اند.

در اینجا در هاپکینز، شاهد افزایش تقریباً 3 برابری در تعداد پیام‌های ارسال شده توسط بیماران به پزشکان ما از دوران پیش از کووید در اواخر سال 2019 به میزان سرعتی بودیم که اکنون می‌بینیم. و برخی از اینها واقعاً چیز خوبی است. ما می‌خواهیم بیمارانمان با ما درگیر باشند. ما می‌خواهیم بدانیم که آنها چه زمانی احساس خوبی دارند یا نه، و کمک کنیم که بتوانیم تریاژ کنیم.

اما باز هم، گردش کار بالینی، از جمله مدل‌های پرداخت و مدل‌های مراقبت بالینی، برای این ارتباط ثابت، این تماس دائمی ساخته نشده است. این بر اساس بازدیدها ساخته شده است. ما یک کار با نیت خوب انجام دادیم و ارتباط با بیماران خود را افزایش دادیم. این یک روش بسیار آسان است، کاری که همه ما هر روز انجام می‌دهیم، ایمیل و پیامک.

ما عادت کرده‌ایم آنچه را که می‌گوییم به صورت ناهمزمان یا از طریق ارتباط نوشتاری برقرار کنیم. اما واقعاً طرف دیگر آن را تغییر ندادیم. عواقب ناخواسته این بود که تمام آن حجم را روی یک سیستم عمل بالینی بدون تغییر ریخت. اکنون، همه ما در تلاشیم تا بفهمیم که چگونه می‌توانیم بهبود را در آن حوزه معنی‌دار فرسودگی شغلی پزشک تسریع کنیم و در عین حال از مزایای بیماران خود در ارتباط آزادتر با تیم بالینی‌شان حفظ کنیم.

من می‌دانم که پزشکی جان هاپکینز در حال کار بر روی خلاصه‌سازی نمودار از طریق هوش مصنوعی، با تأکید اولیه بر خلاصه دوره بیمارستان بستری است. هوش مصنوعی در اینجا چگونه کار خواهد کرد و چه انتظاراتی دارید؟

از بین تمام پروژه‌ها، این یکی در مراحل اولیه خود است. این مثال خوبی از تفاوت در کاربرد فناوری در سراسر مراقبت و عمق مشکل است.

در نمونه‌های قبلی، پاسخ‌های پیش‌نویس محیط و درون سبد، ما واقعاً در حال کار بر روی یک مؤلفه معاملاتی بسیار مختصر برای پیوستار بالینی هستیم. بازدید واحد و بحث مرتبط با آن، پیام واحد و تهیه پیش نویس پاسخ. این داده ها بسیار حاوی است.

هنگامی که ما شروع به فکر کردن در مورد موضوع گسترده تر خلاصه کردن نمودار می‌کنیم، متاسفانه یا خوشبختانه، مشکلی که باید به آن پرداخته شود، آسمان است، عمق داده‌هایی که باید درک شوند. و دوباره، باید از ساختاری به ساختاریافته استخراج شود.

این بسیار محدودتر از زمان است و هنوز هم کارایی معنی داری را به تیم‌های بستری تزریق می‌کند، و مطمئناً یک منطقه خطر شناخته شده را شناسایی می کند که همان انتقال است. هر زمان که تیم بالینی شما در طول اقامت شما در بستری تغییر کند، که مکرر است، زیرا ما از پزشکان نمی‌خواهیم که 72 ساعت مستقیم کار کنند، در این صورت فرصتی داریم که به حمایت از مناطق پرخطر کمک کنیم.

بنابراین، تلاش برای محدود کردن محدوده، و حتی در اینجا، در این مورد بسیار محدود، کار زیادی باید انجام شود تا یک ابزار بالقوه برای استفاده واقعی در گردش کار بالینی آماده شود، با توجه به صراحت، وسعت و عمق داده‌های موجود ما به تازگی این سفر اکتشافی را آغاز کرده ایم و با شرکای EHR خود در Epic کار می کنیم و مشتاقانه منتظریم تا ببینیم چه چیزی ممکن است در اینجا امکان پذیر باشد.