一项最新研究揭示了在医疗系统中实施大型语言模型（LLMs）——一种人工智能（AI）形式的方法，同时保持成本可控并确保有效性能。该研究强调了健康组织如何利用这些先进的AI技术高效地自动化流程，节约时间并降低运营费用，同时确保在高峰任务需求期间的可靠性。
来自西奈山医学院Icahn校区的研究人员的最新研究揭示了在医疗系统中部署大型语言模型（LLMs）——一种人工智能（AI）——的策略，同时保持成本效益和性能水平。
这些研究结果于11月18日在《npj数字医学》在线版上发表，阐明了医疗系统如何利用尖端AI工具有效地自动化任务，从而节省时间并降低运营费用，同时确保这些模型的可靠性，即使在显著的工作负荷压力下。
共同首席作者Girish N. Nadkarni博士，公共卫生硕士表示：“我们的研究结果为医疗系统有效整合先进AI工具以进行任务自动化提供了一条指导方针，在保持高频率使用期间的稳定性能的同时，可能将与LLMs相关的应用程序编程接口（API）调用成本降低多达17倍。”他担任Icahn Mount Sinai的艾琳与阿瑟·M·费希伯医学教授，并担任Mount Sinai健康系统个性化医学查尔斯·布隆夫曼研究所所长和数据驱动与数字医学（D3M）部门主任。
医疗提供者每天生成大量数据。LLMs，例如OpenAI的GPT-4，为自动化和精简多个任务中的工作流程提供了良好的机会。然而，研究人员指出，使用这些AI模型的持续运营费用可能是其广泛应用的重大财务障碍。
首席作者Eyal Klang博士，Icahn Mount Sinai D3M生成AI研究项目主任解释说：“我们研究的动机是发现实际解决方案来降低费用，而不影响性能，从而使医疗系统能够自信地更大规模采用LLMs。我们旨在“压力测试”这些模型，以评估它们在处理多个同时任务时的有效性，并识别能够维持高性能的方法，同时保持成本在可控之中。”
这项研究使用实际患者数据检验了10种LLMs，重点关注它们对各种临床查询的响应。研究团队进行了超过300,000次测试，逐步增加工作负荷，以确定模型应对不断增加的需求的效率。
除了检查准确性外，研究人员还测量了模型遵循临床指南的有效性，随后进行了经济分析。他们发现，合并任务可以帮助医疗机构减少与AI相关的费用，同时保持强大的模型性能。
研究表明，通过具体组合最多50个临床任务——例如匹配临床试验的患者、设计研究队列、提取流行病学研究数据、评估药物安全性以及识别预防健康筛查的候选者——LLMs可以有效地同时管理这些任务，并在准确性减低极小的情况下完成。这一方法表明医院可以提高工作流程，并可能将API费用降低多达17倍，这意味着对于大型医疗系统可能节省数百万美元，使先进AI工具的使用更具财务可行性。
Nadkarni博士强调：“确定这些模型在高认知负荷下开始遇到困难的临界点至关重要，以确保可靠性和运营稳定性。我们的研究结果为将生成AI整合到医疗环境中提供了一种现实的途径，并鼓励进一步探索LLMs在实际约束下的能力。”
研究人员指出，一个令人惊讶的发现是，即使是像GPT-4这样复杂的模型在达到其认知极限时也表现出压力迹象。当处于高压力状态时，其性能偶尔会不可预测地下降，而不是表现出微小的错误。
共同作者、大西奈健康系统首席临床官David L. Reich博士表示：“这项研究对AI在医疗系统中的整合具有重要意义。通过为LLMs分组任务，我们不仅可以降低成本，还可以保护资源以直接用于患者护理。此外，通过了解这些模型的认知限制，医疗提供者可以提高AI的效用，同时降低风险，从而确保这些工具在关键医疗情境中作为可靠支持运作。”
展望未来，研究团队打算调查这些模型在实时临床情况下的表现，管理实际的患者工作负荷并直接与医疗团队互动。他们还计划评估新兴模型，以确定随着技术进步认知阈值是否会变化。他们的总体目标是建立一个可靠的框架，以将AI整合到医疗中，为系统提供平衡效率、准确性和成本效益的工具，以改善患者护理而不引入额外风险。
