Доктор Скотт Готтлиб, консультант телеканала CNBC и член советов директоров компаний" Пфайзер", " Темпус", " АэтионИнк, Исследование, проведенное исследователями Гарвардского университета, показало, что чатГПТ, являющийся глобальной языковой моделью, добился значительных успехов: он превзошел примерно 10% студентов- медиков, сдававших экзамен на получение медицинской лицензии в США. Поэтому возникает вопрос, когда, а не если, устройства искусственного интеллекта смогут встать на обувь врачей. Интеграция этих инструментов искусственного интеллекта в медицинскую сферу происходит гораздо быстрее, чем предполагалось. Для понимания потенциала революции в медицине важно классифицировать различные технологии и их применение в здравоохранении. В целом, инструменты ИИ в здравоохранении можно разделить на две основные категории: машинное обучение и обработка естественного языка. Машинное обучение использует алгоритмы, позволяющие компьютеру изучать данные и делать прогнозы, включая изображения. С другой стороны, обработка естественного языка сосредоточена на понимании и генерации человеческого языка, что позволяет компьютеру преобразовывать неструктурированный текст в организованные, машиночитаемые данные. В то время как модели машинного обучения могут быть обучены выполнению специфических задач, модели большого языка обладают способностью понимать и генерировать текст, что делает их особенно ценными для воспроизведения взаимодействия с медицинскими работниками. В медицине использование технологий, как правило, идет по одному из различных направлений. Первое направление включает в себя применение моделей большого языка в административных функциях, таких как обработка медицинских заявлений и анализ медицинских записей. Например, Amazon'sHealthScribe представляет собой программируемый интерфейс, который транскрибирует разговоры между врачами и пациентами, извлекает важную медицинскую информацию для облегчения создания структурированных записей. В таких областях, как радиология, патология и кардиология, уже используютсяAI для анализа изображений, что позволяет читать МРТ, оценивать слайды патологоанатомических исследований и интерпретировать электрокардиограммы. Например, компания GoogleBrainAI разработала программное обеспечение, анализирующее изображения с задней поверхности глаза для диагностики диабетического макулосклероза и диабетической ретинопатии- двух причин слепоты. Поскольку эти инструменты обеспечивают диагностику и оказывают непосредственное влияние на лечение пациентов, FDA часто относит их к категории медицинских приборов, подлежащих регулированию для обеспечения точности. В третью категорию входят программные средства, использующие крупные языковые модели для извлечения клинической информации из данных о конкретном пациенте и интерпретации ее с целью подсказать врачу возможный диагноз и методы лечения.

Известные как программные средства поддержки принятия клинических решений, эти средства выполняют роль интеллектуальных помощников, призванных помочь, а не заменить суждения врача. Примерами таких инструментов являются" WatsonforOncology" и" DeepMindHealth" компании GoogleHealth. Пока врачи остаются вовлеченными в процесс независимого суждения, эти инструменты не всегда могут жестко регулироваться FDA. FDA уделяет больше внимания тому, как эти инструменты принимают конкретные клинические решения, а не предоставляют информацию для помощи врачам в их оценках. Четвертая и последняя категории представляют собой наиболее оптимальную стратегию для примененияAI в здравоохранении: большие модели языка, которые работают автономно, анализируя чувства пациента и его медицинские показания, и назначают лечение непосредственно пациенту, без участия врача. В настоящее время существует лишь несколько моделей клинического языка, и их параметры относительно невелики. Однако основная трудность в разработке таких автономных систем может заключаться не только в самой силе моделей и доступных наборов обучающих данных. Скорее, самой большой трудностью может стать создание соответствующей нормативной базы. Регулирующие органы проявляют беспокойство, опасаясь, что модели могут порождать ошибки, а наборы обучающих данных могут содержать неправильные решения, что приводит к тиражированию медицинских ошибок с помощью моделейAI. Преодоление этих трудностей в процессе интеграции полностью автономных систем в медицинское обслуживание пациентов представляет собой огромную перспективу не только для улучшения результатов, но и для решения финансовых проблем, с которыми сталкивается отрасль здравоохранения. Для решения этих проблем медицина привлекает неврачебных специалистов для снижения затрат, однако эта стратегия лишь частично снимает центральную экономическую дилемму. По мере того, как расширяется качество и доступность клинических данных для обучения крупноязычных моделей, расширяются и их возможности. Несмотря на то, что текущие этапы разработки не позволяют полностью исключить врачей из процесса принятия решений, эти инструменты будут все больше повышать продуктивность работы медицинских работников, а во многих случаях и заменять их.