在生成式人工智能和大型语言模型（LLM）取得突破性进展的推动下，医疗行业即将迎来一场技术变革，有望改变患者护理、医疗研究和行政效率。
行业领导者对生成式人工智能的技术进步，及其在重塑医疗服务和管理中的关键作用持乐观态度。生成式人工智能技术依靠深度学习算法生成文本、音频、代码等新内容，可以获取非结构化数据集，并对其进行分析，这对医疗业务而言是一个潜在突破：医疗业务中存在大量非结构化数据，如临床笔记、诊断图像、病历和录音等。正如人类依赖多种感官做出决策一样，多模态人工智能将各种类型的数据和模型结合起来，生成更精确、更完整的见解和预测，反映出我们解释世界的复杂方式。将生成式人工智能和LLM融入医疗领域可带来许多益处和机遇：临床决策支持系统主要依赖静态规则和算法，可能无法考虑每位患者复杂而独特的特征。生成式医疗人工智能可以根据患者数据、临床指南和最佳实践提供实时建议，帮助临床医生做出更明智的决策。这可以提高诊断的准确性，减少医疗失误，改善患者的治疗效果。一项发表在Medical Internet Research上的研究发现，ChatGPT在临床决策（包括诊断和护理管理）中的准确率约为 72%，适用于初级和急诊护理环境中的所有医疗专科。研究评估了ChatGPT从最初的患者互动到整个护理过程的实用性，凸显了其作为医疗辅助工具的潜力。研究分析了ChatGPT对36个标准化临床案例的反应，考察了它在鉴别诊断、诊断检测、最终诊断和管理方面的能力。虽然ChatGPT在最终诊断方面显示出较高的准确率（77%），但在鉴别诊断（60%）和临床管理决策（68%）方面的准确率较低。研究还注意到ChatGPT在各种医疗环境中的表现一致，而且在回答中没有性别偏见。生成式人工智能有可能大大简化临床操作，减轻医疗人员的行政负担。例如，生成式人工智能可实时自动生成出院摘要、护理协调说明和临床医嘱，从而提高效率，减少人为错误。UNC Health与Epic和微软合作，在Epic的电子健康记录软件中采用了一种名为DAX Copilot的人工智能生成工具，实现了患者检查过程中临床笔记的自动化。这一整合得益于微软收购的Nuance Communications产品，将减少临床医生的文书工作量。在一项针对部分临床医生的试点研究中，该工具的优势包括：将记录时间大幅减少50%，认知负担减轻70%，以及增加每天接诊的患者数量。这项研究的成功性使得基于AI的“抄写技术”得到推广。据悉，这是业界首创的集成技术，可为医疗文档提供增强型对话式、环境式和生成式人工智能解决方案。LLM可以通过考虑每位患者的具体病史、遗传信息和生活方式因素，帮助制定适合其的医疗计划。通过汇总不同来源的数据，可以更全面地了解患者的健康状况，从而做出更明智的决策。生成式人工智能还能帮助优化患者的治疗路径，确定实现预期结果的最有效路径。例如，如果患者患有某种疾病，生成式人工智能可以分析治疗该疾病的最佳方法，并建议一系列最有可能取得积极疗效的行动，包括从特定药物到改变生活方式等一切措施。Healthinov Digital Twin的 Playground，使用生成式人工智能模型来组合和分析临床信息，如临床笔记、临床结果、来自可穿戴设备的数据以及完整的基因检测报告等原始数据。基于这款产品的互动模型，患者可以更多地了解自己的健康状况、治疗效果以及可能的结果。除了基于患者数据建立数字孪生模型，生成式人工智能还能生成合成数据，用于模拟各种场景或情况，从而扩大分析范围。而且，正如患者的健康状况会随着时间的推移而发生变化一样，数字孪生也应通过使用FHIR，整合可穿戴设备和医疗服务提供商提供的最新临床信息而不断发展。生成式人工智能可以实时调整和生成新数据，使数字孪生不断更新。通过生成式人工智能，可以模拟多种健康场景，从对药物的反应到疾病的进展，从而洞察潜在的结果，并采取相应行动。数字孪生还为医疗保险计划、制药公司和医疗系统带来了无限可能。医疗保险计划可以利用数字孪生来制定更全面、更具成本效益的计划。制药和生命科学可以利用数字孪生更快、更高效地测试和开发新的治疗方法和药物。医疗系统可以利用数字孪生更好了解患者的需求，提供更好的医疗服务，并在问题出现之前预测潜在的问题。根据《人工智能对医疗保健支出的潜在影响》研究报告，在美国医疗保健系统中有效部署分析和自动化可大幅节省成本，估计可节省2,000亿至3,600亿美元。而且，这些节约不仅限于收入周期管理（RCM），还扩展到非临床操作，如文档、索赔、计费、日程安排等。显然，在医疗保健领域利用生成式人工智能等技术前景广阔。Change Healthcare最近的一项研究表明，到2023年底，几乎所有的医疗保健领导者都希望在RCM中使用某种形式的人工智能。已经在医疗收入周期中使用人工智能的医疗机构，旨在加强从医疗编码到支付方付款和现金流的整个收入周期管理，其正专注于某些流程的自动化，如资格验证（72%）、患者付款估算（64%）、预先授权（68%）、付款金额/时间估算（62%）和拒绝管理（61%）。根据该报告，医疗保健领导者对在RCM中使用人工智能的满意度因角色不同而有很大差异。RCM决策者的满意度最高，有78%的人表示满意。然而，只有25%的企业领导者和46%的IT领导者对人工智能在医疗收入循环中的应用表示满意。生成式人工智能系统能够以高精确度分析海量数据，最大限度地减少编码错误，确保准确计费。通过自动化编码流程和标记潜在差异，这些技术有助于更好遵循监管标准，降低报销被拒和报销延迟的风险。这些解决方案加快了报销申请的提交速度，实现了实时资格验证，并提供了对潜在报销问题的洞察力，从而加快了收入周期，增强了医疗服务提供商的现金流。通过人工智能驱动的分析，医疗机构可以定制财务互动和付款计划，以满足患者的特殊需求。生成式人工智能工具可以评估患者的财务数据，预测潜在的付款问题，并提供个性化的财务指导，提高患者满意度，降低拖欠付款的可能性。通过利用预测分析，生成式人工智能可协助医疗服务提供商预测收入模式、识别潜在的财务挑战并优化收入流。这些洞察力有助于做出积极主动的决策，使医疗机构能够实施最大化创收和最小化收入流失的战略。凭借其提高准确性、简化流程和提供有价值见解的能力，生成式人工智能有望在塑造医疗财务的未来方面发挥关键作用，为医疗服务提供者和患者营造一个更具可持续性弹性的医疗生态系统。生成式人工智能在药物开发方面最有前途的应用之一是生成新的候选药物。由于这些人工智能模型可以在科学家收集的现有药物分子和生物数据的大型数据集上进行训练，因此它们可以学习药物发现和开发的基本模式和关系，并利用这些模式和关系加快将安全、有效的疗法推向市场的进程。制药行业中的生成式人工智能正在从炒作过渡到实际应用，有望彻底改变药物发现、临床试验、监管审批和市场营销。根据麦肯锡全球研究院（MGI）的预测，这项技术每年可为制药行业带来600亿至1100亿美元的收益。制药公司已经在利用人工智能理解疾病，AlphaFold2等工具在蛋白质结构预测方面取得了重大进展。在整个价值链中整合生成性人工智能可以大大加快研发过程、加强临床开发并改进营销策略。然而，要充分发挥人工智能的潜力，就必须克服行业特有的挑战，如扩展人工智能解决方案和确保负责任的使用。人工智能在制药业的成功，就像电力的变革性影响一样，取决于战略实施和解决运营障碍。生成式人工智能代表着医疗技术向前迈出的重要一步。随着这些工具的不断发展，它们与全球医疗系统的整合有望进一步提高效率、准确性和患者护理水平。医疗机构与微软、谷歌等科技巨头之间的合作对于推动这些创新至关重要，这也展示了人工智能在更好地改变医疗保健方面的潜力。然而，要将生成式人工智能和LLM融入医疗保健领域，需要在技术准备、治理和风险管理方面做好准备。各组织应投资提升员工的技能，使其了解人工智能技术并与之协同工作，包括数据管理、隐私问题和人工智能的道德使用方面的培训。此外，升级IT基础设施以支持LLM的计算需求也至关重要。建立健全的管理框架对于确保在医疗领域使用生成式人工智能符合监管标准和道德原则至关重要，包括制定有关数据隐私、患者同意和人工智能驱动决策透明度的政策，识别和降低与生成式人工智能相关的风险，如解决人工智能算法中潜在偏差、确保患者数据安全、制定人工智能系统故障应急计划等。
