使用电子健康病历对患者时间线进行建模的生成式预训练转换器Foresight：一项回顾性建模研究
电子健康病历保存着有关患者健康状况和一般临床病史的详细纵向信息，目前其中大部分都是以非结构化自由文本的形式储存。现有的患者轨迹建模方法主要集中在结构化数据和单一领域结果的子集上。本研究旨在评估一款名为Foresight工具的有效性，它是一种生成转换器，可以对患者数据进行时间建模，整合自由文本和结构化格式，从而预测未来各种各样的医疗结果，如疾病、物质（与药物、过敏或中毒等有关）、程序和结果（与观察、判断和评估有关）。作为一个生成模型，Foresight可以根据指定的步骤预测生物医学概念的后续发展。Foresight作为生物医学概念建模的通用模型，可用于现实世界风险预测、虚拟试验和临床研究，以研究疾病的进展、模拟干预和反事实，并用于教育目的。
责任重大和基于证据的人工智能：AI的过去五年
围绕人工智能在医疗健康领域的讨论往往呈现出令人惊讶的自信和两极分化。目前我们对于人工智能的谈论往往反映的是我们认为它应该是什么样子，而不是基于实际证据。这可能有很多原因，但最常见的应该有三个：一是人工智能前景的模糊性和广度，让我们每个人都能围绕它带来的机会或威胁构建自己的假设；二是人工智能在媒体、小说和消费电子产品中无处不在，这会给人一种未证实但信任人工智能能力的印象，包括在医疗健康领域；三是我们迫切需要一个能解决我们健康危机的简单方案，在这种情况下，我们把人工智能作为低成本、全天候、高质量的医疗健康提供者，以解决能力需求不匹配的问题，并减少我们对医疗保健系统中那些容易出错、不完美的组成部分，即对人类的依赖。
令人鼓舞的是，根据我们的观察，这些讨论已经进步。过去5年，人们越来越意识到尽管人工智能与众不同，它在某些方面也并不例外：它既不在证据规则之外，也不在法治之外。在此期间，重点是确保我们健康系统的看门人具备必要的知识和工具，能够批判性地评估人工智能健康技术，以确保这些技术能够造福于患者、公民和社会。
使用大型语言模型回复患者信息，或提供广泛的教育、自我管理建议和应急计划
电子健康记录系统使临床医生的行政责任不断增加，从而转移了他们对患者直接护理的注意力，并加剧了他们的职业倦怠。为此，人们开始采用大型语言模型来简化临床和行政任务。本研究试图了解大型语言模型对电子健康记录中患者电子门户信息的辅助作用将如何影响主观效率、临床建议和潜在危害。尽管这只是一项模拟研究，但这些早期发现提供了一个安全信号，表明我们有必要在预期的临床环境中对大型语言模型进行全面评估，以反映精确的任务和人为监督的水平。展望未来，电子健康记录供应商和机构迫切需要提高评估方法的透明度。大型语言模型辅助是减轻临床医生工作量的一个很有前景的途径，但也可能会对患者的治疗效果产生下游影响。在这种情况下，有必要像对待其他医疗设备软件一样对大型语言模型进行严格的评估。在医疗行业逐渐接受这些先进技术时，医生和机构必须要谨慎行事，争取在这些技术的创新潜力和对患者安全和护理质量的承诺之间取得平衡。
在临床实践中评估人工智能的随机对照试验：概况性综述
对临床实践中人工智能随机对照试验的概况性综述显示，临床专业和地区对人工智能的兴趣正在不断扩大。其中，美国和中国在试验数量上处于领先地位，试验领域主要是医学成像的深度学习系统，尤其是在胃肠病学和放射学方面。大多数试验（86项试验中的70项[81%]）报告了阳性的主要终点，主要是与诊断率或表现有关。然而，单中心试验占主导地位，人口统计报告较少，操作效率报告也不尽相同，这些问题引起了人们对这些结果普遍性和实用性的担忧。尽管关于人工智能应用的结果很有希望，但考虑到发表偏倚的可能性和更全面研究的必要性，包括多中心试验，多样化结果测量和报告标准改进等措施是至关重要的。未来的人工智能试验应优先考虑与患者相关的结果，以充分了解人工智能在医疗健康中的真实影响和局限性。
医学中大型语言模型的伦理和监管挑战
随着各行业对大型语言模型的兴趣和使用迅速增长，我们正面临着一些关键且深刻的伦理问题，尤其是在医学领域。大型语言模型独特的技术架构和所谓的涌现能力与其他人工智能模型和使用的自然语言加工技术有很大区别，因此需要对它所涉及的伦理问题进行细致入微的探讨。在这篇观点文章中，我们强调了用户、开发者和监管机构等多个角度关注的伦理问题，特别是数据隐私和使用权、数据来源、知识产权污染以及大型语言模型的广泛应用和可塑性。为了将大型语言模型正确的整合到医疗实践，确保符合伦理原则和防范潜在的社会风险，一个全面的框架和缓解策略是必要的。END
题图Copyright © Getty/FrankRamspott
中文翻译仅供参考，所有内容以英文原文为准。
