首尔大学医院与哈佛医学院发布全球首个医疗AI模拟器“CES”
摆脱既往数据评估,在临床现场实时追踪“连锁效应”

摆脱过去仅凭既有数据进行笔试式、片段化医疗人工智能(AI)评估的做法,在与真实临床现场完全相同的虚拟医院中对AI进行实战验证的模型,已首次在全球发布。由于可以事先验证AI处方对患者预后以及医院资源耗竭所产生的连锁效应,被评价为在将其应用于真实患者之前,开启了彻底检验安全性的“前临床关卡”。


首尔大学医院医生命研究院特化研究所研究教授 Kim Seongeun。首尔大学医院提供

首尔大学医院医生命研究院特化研究所研究教授 Kim Seongeun。首尔大学医院提供

View original image

首尔大学医院特化研究所研究教授 Kim Seongeun 与哈佛医学院联合研究团队14日表示,他们开发出了用于动态评估基于大语言模型(LLM)的医疗AI的“临床环境模拟器(Clinical Environment Simulator,CES)”。


既有的医疗AI评估仅是基于已经确定的既往数据来判断答案是否正确。然而在真实医院中,患者状态时刻变化,医生的一项处方会直接转化为对床位和人力等有限资源的消耗,因此既无法评估这种时间性与系统性相互依存关系。对此,研究团队分析认为,正如飞行员要在飞行模拟器中接受训练一样,医疗AI也必须在时间流逝和资源受限的条件下接受应对能力评估。


为实现这一点,研究团队同步运行了两个核心引擎。首先,“患者引擎”以专科医生定义的疾病轨迹模板和真实电子病历中的患者初始数据为基础,由LLM动态生成症状与治疗反应的多种虚拟路径,从而模拟患者状态的变化。


与之配套的“医院引擎”则依据真实医院的时间数据,原样再现一线各阶段的业务流程,实时追踪床位、医务人员和设备状态。当下达血液检查指令时,会按照实际所需时间,分阶段依次分配所需医务人员;并且还完整实现了优先向极危重患者分配资源的优先级体系。


在这家虚拟医院中,会根据AI的介入时点逼真再现危机情境。比如,如果AI延迟下达检查处方,原本稳定的胸痛患者可能恶化为急性心肌梗死。此外,当AI将CT扫描仪等关键资源优先分配给某一名极危重患者时,也会出现其他患者等候队列拉长等现实中的“瓶颈”现象。AI的一个决策不仅可能决定某位患者的生死,还可能耗尽医院剩余资源,进而以连锁方式限制下一位患者的就诊机会,从而再现真实医院环境。


AI作出的所有决策,将以“患者预后(生存与否、治疗耗时、指南遵守度)”与“医院运营效率(总住院时间、急诊室处理量、床位及设备利用率)”这两大维度合成的“二元指标复合得分”进行评估。如果在不破坏医院系统的前提下改善治疗效果,就会获得奖励;但若将资源过度集中于特定患者、牺牲其他患者的就诊机会,则会被扣分,对平衡性提出了严格要求。此外,还会进行诸如计算机网络瘫痪、多发性急诊患者涌入等极端情境下的对抗性压力测试。


随时间变化的动态患者病情。根据医疗人工智能介入的时间点,中重症患者的预后分化为三种路径(绿色:病情稳定,蓝色及橙色:病情恶化),图中展示了这一连锁效应的仿真结果。首尔大学医院提供

随时间变化的动态患者病情。根据医疗人工智能介入的时间点,中重症患者的预后分化为三种路径(绿色:病情稳定,蓝色及橙色:病情恶化),图中展示了这一连锁效应的仿真结果。首尔大学医院提供

View original image

本次研究的核心在于构建了一个在不让患者暴露于风险之下即可证明系统安全性的“零风险前临床测试环境”。如果经过如此严苛验证的AI,能够成为医务人员的数字代理人,全面负责复杂的系统实务工作,那么医生就终于可以把视线从监视器上移开,回到患者身边,专注于共情与判断这一医生本职角色。


共同第一作者、研究教授 Kim Seongeun 表示:“虚拟医院不可能完美预测人体复杂的生理反应”,但他同时强调:“本研究将成为使医疗AI超越解决片段性问题的工具,进一步在动态医疗体系中实现完全整合、并被验证能够提供现实帮助的最有价值的下一阶段。”



此次关于数字虚拟医院评估体系的研究,已发表于国际学术期刊《自然·医学》(Nature Medicine,影响因子50)最新线上版。


本报道由人工智能(AI)翻译技术生成。

版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。

不容错过的热点