Cedars-Sinai 的 AI 故事：从初级护理到数据集训练

编者注：这是我们对 Craig Kwiatkowski 的采访的第二部分。要阅读第一部分， 点击这里。

加州著名的医疗系统 Cedars-Sinai 已经部署或正在开发各种人工智能项目。它在医疗人工智能领域处于领先地位。

Craig Kwiatkowski 是 Cedars-Sinai 的首席信息官，他领导的团队负责整合旨在改善护理并帮助患者和提供者的人工智能。

在今天的采访中，我们与拥有药学博士学位的 Kwiatkowski 谈论了医疗系统中正在使用的一些 AI 工具。他描述了如何衡量 AI 支持的计划的成功，以及 AI 如何帮助促进健康公平。具体来说，他展示了由 AI 驱动的初级保健应用程序 Cedars Sinai Connect 如何解决 AI 偏见和对反映不同人群的数据集进行训练。

问：您在 Cedars Sinai 使用或部署了哪些看起来特别有前景的 AI 工具？

A。 我们对工具的关注实际上是寻找那些可以帮助减少摩擦、提高效率和简化事情的工具，坦率地说，是为了帮助我们的护理人员、临床医生和患者。生成式人工智能领域不乏机会。

让我兴奋的一件事是环境记录，有时也被称为环境记录员或虚拟记录员。这项技术看起来很有前途，我对此非常乐观。我们已经试用这些工具一段时间了。到目前为止，反馈都很好。

许多医生发现环境工具有助于减轻认知负担和记录笔记的琐碎事务，我们在推出这些工具时也开始看到这一点。我们还注意到，它并不总是在所有情况下都能节省时间，但它可以让他们更轻松，并对抗倦怠因素。它让他们能够更多地关注患者，而不是电脑，这显然很重要。

我采访过的一位医生将 Ambient 描述为一名非常优秀的医学生。它并不是把所有事情都做得很完美，但它已经相当不错了，可以说，它几乎为他们提供了一名助手。

但我们也开始意识到，它并不适合所有人。一些医生使用当前的工具、模板、短语和大量的肌肉记忆，拥有非常高效的工作流程，可以点击他们的笔记并收集他们需要的信息。这种方式比他们实际上必须阅读散文和 AI 生成的笔记中可能存在的所有语言更有效率。

我们在试用的其他一些工具中也看到了这些主题。比如草稿收件箱功能。人工智能生成的内容确实很好，也很全面，但确实有点冗长。

我们兴奋并开始倾向于的另一项技术是 虚拟保姆和虚拟护理，使用一些人工智能和可视化功能，在这些比例开始发生变化时提供警报和更主动的管理。这似乎在提高效率和护理以及帮助人员配备方面具有巨大的潜力。

坦率地说，我们对围绕患者访问和进一步扩展虚拟工具的计划和正在进行的工作感到非常兴奋，再次问自己，我们如何才能让事情变得更容易，不仅让护理人员和工作人员更容易，而且让患者也能够更轻松地安排自己的时间并接受护理？

问：您如何衡量人工智能计划的成功？

A。 我们处理这个问题的方式与衡量任何技术或新解决方案的方式非常相似或一致。也许我们应该提醒自己，我们可以继续依靠多年来部署和使用的许多久经考验的技术衡量方法。

我们希望制定 KPI 和指标，然后根据这些标准衡量计划的绩效。这些标准通常与我们要解决的问题以及我们期望从解决方案中获得的投资回报率相关。

因此，这些结果指标应该非常清晰。在我提到的访问示例中，我们可能会查看下一个可用的预约，或者如果我们希望扩展数字调度功能，它就是一个简单的分子分母和我们当前位置与我们想要的位置的百分比。所以这些事情通常非常清楚。

有时，更具挑战性的是，我们并不总是有基准，我们并不总是有基准指标，或者它可能是一个更难衡量的东西。在那些我们可以做到的情况下，我们会快速收集这些基准，或做出一些有根据的猜测，以推断出新工具的衡量标准。

在环境记录方面，量化或衡量医生的健康状况或倦怠并不总是那么容易。离职率当然是一种方式，但倦怠率的浮动范围可能永远不会被报告或导致离职。因此，如果您还没有这样做，它就会尝试进行某种衡量。

调查是一种方法，幸福感量表、留职意向等等。但我们还可以查看其他替代指标和笔记，这些都是笔记写作的方面——睡衣时间、工作以外的时间、总时间和文档。因此，有办法获取信息并衡量价值，但在某些情况下，这需要更多的意图，也许还需要一些我们并不总是主动的创造力。

问：人工智能如何帮助促进健康公平？

A。 人工智能可以在很多方面提供帮助。它可以分析大量健康数据，以确定获取和结果方面的差异，它可以帮助个性化护理。人工智能自动化可以使系统更高效，有望改善获取和可用性。

一个很好的例子就是我们在 Ceder's Sinai 开展的一项名为 CS Connect 的项目，这是一个虚拟医疗选项，医生可以全天候提供紧急护理、当日护理和常规初级护理。这有助于缓解我们实体诊所的容量挑战。它可以随时随地为人们提供护理。

有一个引导式的入院流程，可以动态响应患者在入院过程中将要进行的问答。他们可以看到有关其潜在诊断的信息，然后可以选择是否去看医生。

我们最近将这项服务扩展至三岁及以上的儿童和讲西班牙语的人群，从而再次扩大了可以使用这些工具接受护理的人群范围。

问：Cedars Sinai Connect 如何解决 AI 偏见并利用反映不同人群的数据集来训练 AI？

A。 我们知道，这些大型语言模型和人工智能工具的有效性在很大程度上取决于训练数据的质量和多样性。我们知道，我们纳入的人口和地理分布越多样化，我们就越能控制某些偏见。如果人口代表性不足，我们就可以进行偏见预测。

所以，我们知道这很重要，用于训练和监控 CS Connect 这些工具的数据量也很重要。人工智能技术是由以色列的一家名为 K Health 的公司开发的，我们与他们共同打造了应用体验。再次回到自建还是购买的问题。

我们看到了市场空白，并决定开发。但人工智能最初是在以色列的患者群体中进行训练的，这些群体显然与我们洛杉矶社区的人们以及整个加利福尼亚州使用该工具的人们有很大不同。

因此，认识到存在数学方法和途径来调整数据集和训练以确保我们的人口得到考虑以控制这些偏见，人们也越来越认识到数据和训练是本地化的，而且必须是本地化的。

我们在构建这些工具时需要考虑这一点，并在部署模型时持续训练和监控它们。随着我们部署 CS Connect，大约有 10,000 名患者使用了该工具，约有 15,000 次就诊。所有这些患者和就诊都将有助于持续训练和增强模型，希望这将继续提高准确性，并随着时间的推移保持解决方案的安全性和稳健性。

编者注：这是医疗 IT 领域顶级专家讨论人工智能在医疗保健领域的应用的系列专题的第八篇。要阅读第一篇专题，即关于梅奥诊所的 John Halamka 医生， 点击此处。要阅读第二次采访，即与 Geisinger 的 Aalpen Patel 博士的采访，点击此处。要阅读第三次采访，即与 Meditech 的 Helen Waters 的采访，点击此处。要阅读第四次采访，即与 Epic 的 Sumit Rana 的采访，点击此处。要阅读第五次采访，即与 Mass General Brigham 的 Rebecca G. Mishuris 博士的采访，点击此处。要阅读第六次采访，即与威斯康星健康网络 Froedtert & 医学院的 Melek Somai 博士的采访，点击此处。要阅读第七次采访，即与约翰霍普金斯医学院的 Brian Hasselfeld 博士的采访，点击此处。

在 LinkedIn 上关注 Bill 的 HIT 报道： 比尔·西维克基
给他发电子邮件：[email protected]
医疗保健 IT 新闻是 HIMSS 媒体出版物。