【應華永專欄】生成式AI一體化電子病歷系統將成為主流

來源：HIT專家網     作者：應華永

在CHIMA2023上，最吸引筆者眼球的是有兩家公司展示了GPT大語言模型在生成式電子病歷中的應用，產品能夠實時提取醫患對話的關鍵信息，并根據預置模板，自動生成結構化的電子病歷，從而提高了診療服務效率和患者就醫體驗。

這引發了筆者對GPT等大語言模型未來可能對傳統電子病歷及相關衍生系統產生影響的思考。在此談一點個人見解，不當之處請大家批評指正。

大語言模型在醫療行業的適用場景

大語言模型是一種基于深度學習的自然語言處理技術，能夠自動學習語言規則和語義關系，從而生成符合語法和語義要求的文本，未來可以在以下幾個場景得到很好的應用。

1.診前環節

GPT等大語言模型可以用于自動化問診。通過改變手機或自助機的傳統人機交互方式，實現與患者的智能對話，并自動收集和記錄病史等基礎診療信息，輔助醫生進行初步問診，自動給出分診建議并協助預約掛號。

2.診中環節

GPT等大語言模型可以提取并自動記錄醫生和患者溝通交流的關鍵信息，輔助醫生進一步問診，并將醫生查體信息通過語音交互的方式自動書寫到電子病歷之中。

根據醫學知識庫和歷史病案數據，可以對模型進行持續訓練。這使得原來一些獨立開發的、通過接口方式與電子病歷進行交互的周邊系統，有可能成為一體化生成式電子病歷的一個集成模塊。

例如，基于大語言模型內置藥學知識庫的電子病歷系統，就能輔助醫生為患者提供個性化的用藥建議和風險評估。內置的臨床知識庫能為醫生提供標準化的診療流程、個性化的診斷建議和治療方案，以及病歷全過程質控管理。

這將對那些外掛式存在的知識型系統，如合理用藥系統、臨床路徑系統、臨床輔助決策支持系統和病歷內涵質控系統等產品，構成降維打擊。

3.診后環節

GPT等大語言模型可以用于患者診后隨訪、康復指導、慢病和健康管理、醫學科研等領域。

例如，模型可以根據患者的病情和康復進展，提供個性化的康復指導；根據患者的病情和治療進展，提供個性化的疾病管理方案；根據患者的需求和健康狀況，提供個性化的患者教育和健康知識；根據患者反饋和意見，提供改進建議和優化方案，幫助醫生更好地了解患者的需求和反饋。

此外，模型還可以形成類模板的思考鏈，并通過對文獻的自動分析和數據分析，幫助醫生獲得可能的研究方向和領域。

困難和障礙

雖然基于GPT等大語言模型的產品，未來對傳統醫療信息化產業的沖擊和顛覆將勢不可擋，但現階段這類產品暫時還停留在實驗室研發環境。它需要完美的醫生和患者互動才能體現出產品真正的魔力，離臨床實際應用還有一些困難和障礙，需要我們去克服，具體表現為：

1.數據難以獲取

醫療數據的獲取和處理需要遵循嚴格的法律法規和倫理標準，而且醫療數據的質量和數量也存在一定的限制，這使得訓練GPT等大語言模型的數據，尤其是經過標注的高質量數據難以獲取。此外，應用境外的大模型進行數據訓練，將會存在較大的信息安全和法律風險。

2.模型的可解釋性不足

GPT等大語言模型的黑盒特性，使得其難以解釋其決策過程和結果。這對于醫療領域來說是不可接受的，因為醫生需要了解模型的決策過程和結果，以便更好地理解和接受模型的建議。

3.模型的準確性和穩定性有待提高

GPT等大語言模型的準確性和穩定性仍然存在一定的問題，尤其是在處理醫療數據時。模型的表現可能會受到數據質量和數量的影響，這需要進一步的研究和改進。尤其是國內的大模型產品離產業應用可能還需要較長時間的等待。

4.語音識別引擎的準確性有待提高

模型對地方方言，以及在有一定聲噪環境下醫患雙方語義的識別和理解能力，還需要有一個更好的解決方案。

盡管生成式AI電子病歷在實際應用中還存在諸多的困難和障礙，但是它的前景應該非常廣闊。生成式AI一體化電子病歷必將成為主流產品。未來，生成式AI電子病歷還將促進醫學研究和數據分析的發展，從而加速醫學研究的進展。

對于傳統電子病歷及其周邊應用系統廠商而言，過去十年的技術積累或許已經形成了較高的行業壁壘。但GPT等大語言模型的出現，使得這些所謂的壁壘將不再高不可攀；未來的競爭對手也不再是視野中的傳統對手，而是那些原本被忽視的公司或產品。

【責任編輯：陳曦】