Bergabunglah dengan buletin harian dan mingguan kami untuk pembaruan terbaru dan konten eksklusif tentang liputan AI terkemuka di industri. Pelajari lebih lanjut
Catatan data pasien dapat berbelit -belit dan kadang -kadang tidak lengkap, yang berarti dokter tidak selalu memiliki semua informasi yang mereka butuhkan tersedia. Ditambah dengan ini adalah fakta bahwa para profesional medis tidak mungkin mengikuti rentetan studi kasus, makalah penelitian, uji coba dan perkembangan mutakhir lainnya yang keluar dari industri.
NYU Langone Health yang berbasis di New York City telah datang dengan pendekatan baru untuk mengatasi tantangan ini untuk generasi dokter berikutnya.
Pusat Medis Akademik – yang terdiri dari Sekolah Kedokteran NYU Grossman dan Sekolah Kedokteran Long Island NYU Grossman, serta enam rumah sakit rawat inap dan 375 lokasi rawat jalan – telah mengembangkan model bahasa besar (LLM) yang berfungsi sebagai pendamping penelitian yang terhormat dan medis yang terhormat penasihat.
Setiap malam, model memproses catatan kesehatan elektronik (EHR), mencocokkannya dengan penelitian yang relevan, tip diagnosis, dan informasi latar belakang penting yang kemudian diberikan dalam email yang ringkas dan dirancang khusus kepada penduduk keesokan paginya. Ini adalah bagian unsur dari pendekatan perintis NYU Langone untuk sekolah kedokteran – apa yang disebutnya “pendidikan kedokteran presisi” yang menggunakan AI dan data untuk memberikan perjalanan siswa yang sangat disesuaikan.
“Konsep 'Precision in Everything' ini diperlukan dalam perawatan kesehatan,” Marc Triola, Associate Dean untuk Informatika Pendidikan dan Direktur Institut Inovasi dalam Pendidikan Kedokteran di NYU Langone Health, mengatakan kepada VentureBeat. “Jelas bukti muncul bahwa AI dapat mengatasi banyak bias kognitif, kesalahan, limbah dan inefisiensi dalam sistem perawatan kesehatan, bahwa itu dapat meningkatkan pengambilan keputusan diagnostik.”
Bagaimana Nyu Langone menggunakan Llama untuk meningkatkan perawatan pasien
NYU Langone menggunakan model bobot terbuka yang dibangun di atas versi terbaru dari LLAMA-3.1-8B-instruct dan database vektor Chroma open-source untuk Retrieval-Augmented Generation (RAG). Tapi itu bukan hanya mengakses dokumen – model ini melampaui Rag, secara aktif menggunakan pencarian dan alat lain untuk menemukan dokumen penelitian terbaru.
Setiap malam, model terhubung ke database EHR fasilitas dan mengeluarkan data medis untuk pasien yang terlihat di Langone hari sebelumnya. Kemudian mencari informasi latar belakang dasar tentang diagnosis dan kondisi medis. Menggunakan API Python, model ini juga melakukan pencarian literatur medis terkait di PubMed, yang memiliki “jutaan dan jutaan makalah,” Triola menjelaskan. LLM menyaring melalui ulasan, kertas penyelaman dalam dan uji klinis, memilih beberapa yang tampaknya paling relevan dan “menyatukan semuanya dalam email yang bagus.”
Dini hari berikutnya, mahasiswa kedokteran dan kedokteran internal, bedah saraf dan radiasi onkologi menerima email yang dipersonalisasi dengan ringkasan pasien terperinci. Misalnya, jika seorang pasien dengan gagal jantung kongestif telah dilakukan untuk pemeriksaan pada hari sebelumnya, email tersebut akan memberikan penyegaran tentang patofisiologi dasar kondisi jantung dan informasi tentang perawatan terbaru. Ini juga menawarkan pertanyaan belajar mandiri dan literatur medis yang dikuratori AI. Lebih lanjut, ini dapat memberikan petunjuk tentang langkah -langkah yang dapat diambil penduduk berikutnya atau tindakan atau detail yang mungkin mereka abaikan.
“Kami mendapat umpan balik yang bagus dari para siswa, dari penghuni dan dari fakultas tentang bagaimana ini tanpa gesekan terus memperbarui mereka, bagaimana mereka memasukkan ini dalam cara mereka membuat pilihan tentang rencana perawatan pasien,” kata Triola.
Metrik keberhasilan utama baginya secara pribadi adalah ketika pemadaman sistem menghentikan email selama beberapa hari – dan anggota fakultas dan siswa mengeluh bahwa mereka tidak menerima dorongan pagi yang mereka andalkan.
“Karena kami mengirim email -email ini tepat sebelum dokter kami memulai putaran – yang merupakan salah satu waktu paling gila dan tersibuk dalam sehari bagi mereka – dan bagi mereka untuk memperhatikan bahwa mereka tidak mendapatkan email ini dan merindukan mereka sebagai bagian dari mereka Berpikir itu luar biasa, ”katanya.
Mengubah industri dengan pendidikan kedokteran presisi
Sistem pengambilan AI yang canggih ini merupakan hal mendasar bagi model pendidikan kedokteran presisi NYU Langone, yang dijelaskan Triola didasarkan pada data digital “kepadatan yang lebih tinggi, tanpa gesekan”, AI dan algoritma yang kuat.
Lembaga ini telah mengumpulkan sejumlah besar data selama dekade terakhir tentang siswa – kinerja mereka, lingkungan tempat mereka merawat pasien, EHR mencatat yang mereka tulis, keputusan klinis yang mereka buat dan cara mereka masuk akal melalui interaksi dan perawatan pasien. Lebih lanjut, NYU Langone memiliki katalog besar dari semua sumber daya yang tersedia untuk mahasiswa kedokteran, apakah itu video, belajar mandiri atau pertanyaan ujian, atau modul pembelajaran online.
Keberhasilan proyek ini juga berkat arsitektur yang ramping fasilitas medis: ia membanggakannya, gudang data tunggal di sisi perawatan kesehatan dan gudang data tunggal untuk pendidikan, yang memungkinkan Langone untuk menikahi berbagai sumber datanya.
Chief Medical Information Officer Paul Testa mencatat bahwa sistem AI/ML yang hebat tidak dimungkinkan tanpa data yang bagus, tetapi “itu bukan hal yang paling mudah dilakukan jika Anda duduk di data yang tidak dianggap tidak dianggap dalam silo di seluruh sistem Anda.” Sistem medis mungkin besar, tetapi beroperasi sebagai “satu pasien, satu catatan, satu standar.”
Jenderal AI Mengizinkan Nyu Langone untuk menjauh dari pendidikan 'satu ukuran untuk semua'
Seperti yang dikatakan Triola, pertanyaan utama yang ingin diatasi oleh timnya adalah: “Bagaimana mereka menghubungkan diagnosis, konteks masing -masing siswa dan semua materi pembelajaran ini?”
“Tiba -tiba kami punya kunci yang bagus untuk membuka kunci itu: AI generatif,” katanya.
Ini telah memungkinkan sekolah untuk beralih dari model “satu ukuran untuk semua” yang telah menjadi norma, apakah siswa bermaksud menjadi, misalnya, ahli bedah saraf atau psikiater-disiplin ilmu yang sangat berbeda yang membutuhkan pendekatan unik.
Penting bagi siswa untuk mendapatkan pendidikan yang disesuaikan di seluruh sekolah mereka, serta “dorongan pendidikan” yang beradaptasi dengan kebutuhan mereka, katanya. Tetapi Anda tidak bisa hanya memberi tahu fakultas untuk “menghabiskan lebih banyak waktu dengan setiap siswa” – itu mustahil secara manusiawi.
“Siswa kami haus akan hal ini, karena mereka menyadari bahwa ini adalah periode perubahan yang berkecepatan tinggi dalam kedokteran dan AI generatif,” kata Triola. “Ini benar -benar akan berubah … apa artinya menjadi dokter.”
Melayani sebagai model untuk lembaga medis lainnya
Bukannya belum ada tantangan di sepanjang jalan. Khususnya, tim teknis telah bekerja melalui model “ketidakdewasaan.”
Seperti yang dicatat Triola: “Sangat menarik betapa luasnya dan akurat pengetahuan mereka yang tertanam, dan kadang -kadang seberapa terbatas. Ini akan bekerja dengan sempurna, dapat diprediksi, 99 kali berturut -turut, dan kemudian pada ke -100 kalinya ia akan membuat serangkaian pilihan yang menarik. “
Misalnya, sejak awal pengembangan, LLMS tidak dapat membedakan antara maag pada kulit dan ulkus di perut, yang “tidak terkait sama sekali sama sekali,” Triola menjelaskan. Timnya telah fokus pada pemurnian dan landasan yang cepat, dan hasilnya telah “luar biasa.”
Faktanya, timnya sangat percaya diri dalam tumpukan dan proses sehingga mereka percaya itu dapat berfungsi sebagai contoh yang bagus untuk diikuti orang lain. “Kami menyukai open source dan bobot terbuka karena kami ingin sampai pada titik di mana kami bisa mengatakan, 'Hei, sekolah kedokteran lain, banyak dari mereka tidak memiliki banyak sumber daya, Anda dapat melakukan ini dengan murah,' “Triola menjelaskan.
Testa setuju: “Apakah ini dapat direproduksi? Apakah itu sesuatu yang ingin kita sebutkan? Tentu saja, kami ingin menyebarkannya di seluruh perawatan kesehatan. “
Menilai kembali praktik 'sakral' dalam kedokteran
Dapat dimengerti, ada banyak kekhawatiran di seluruh industri tentang bias bernuansa yang mungkin dipanggang ke dalam sistem AI. Namun, Triola menunjukkan bahwa itu bukan masalah besar dalam kasus penggunaan ini, karena ini adalah tugas yang relatif mudah untuk AI. “Ini mencari, itu memilih dari daftar, itu meringkas,” katanya.
Sebaliknya, salah satu kekhawatiran muncul yang terbesar adalah sekitar tidak berkaitan atau deskilling. Inilah korelasi: orang -orang dari vintage tertentu mungkin ingat belajar kursif di sekolah dasar – namun mereka kemungkinan telah melupakan keterampilan karena mereka telah menemukan kesempatan langka untuk menggunakannya dalam kehidupan dewasa mereka. Sekarang, hampir usang, jarang diajarkan dalam pendidikan dasar saat ini.
Triola menunjukkan bahwa ada bagian “sakral” dari menjadi seorang dokter, dan bahwa beberapa orang tahan untuk memberikannya pada AI atau sistem digital “dengan cara, bentuk atau bentuk apa pun.” Misalnya, ada persepsi bahwa dokter muda harus secara aktif meneliti dan menurunkan hidung dalam literatur terbaru setiap kali mereka tidak berada dalam pengaturan klinis. Tetapi jumlah pengetahuan medis yang tersedia saat ini dan “kecepatan hingar -bingar” dari kedokteran klinis menuntut cara yang berbeda dalam melakukan sesuatu, Triola ditekankan.
Ketika datang untuk meneliti dan mengambil informasi, ia mencatat: “AI melakukannya dengan lebih baik, dan itu adalah kebenaran yang tidak nyaman yang banyak orang ragu -ragu untuk percaya.”
Sebaliknya, ia berpendapat: “Katakanlah ini akan memberikan kekuatan super kepada dokter dan mencari tahu hubungan co-pilot antara manusia dan AI, bukan hubungan kompetitif dari siapa yang akan melakukan apa.”
