迈向用于疾病管理的对话式人工智能

尽管大语言模型（LLM）在诊断对话中展现了潜力，但其在有效管理推理方面的能力——包括疾病进展、治疗反应和安全处方开具——仍有待深入探索。我们通过一种新的基于 LLM 的智能体系统推进了先前展示的 Articulate Medical Intelligence Explorer (AMIE) 的诊断能力，该系统针对临床管理和对话进行了优化，结合了对疾病演变和多次患者就诊经历的推理、对治疗的反应以及处方开具的专业能力。为了将其推理建立在权威临床知识的基础上，AMIE 利用了 Gemini 的长上下文能力，将上下文检索与结构化推理相结合，以使其输出与相关且最新的临床实践指南和药物处方集保持一致。在一项随机、盲法的虚拟客观结构化临床考试（OSCE）研究中，AMIE 与 21 名初级保健医生（PCP）在 100 个多就诊场景中进行了比较，这些场景旨在反映英国 NICE 指南和 BMJ Best Practice 指南。根据专科医生的评估，AMIE 在管理推理方面不劣于 PCP，并且在治疗和检查的精确性以及管理计划与临床指南的一致性和依据方面得分更高。为了对药物推理进行基准测试，我们开发了 RxQA，这是一个源自两个国家药物处方集（美国、英国）并由委员会认证药师验证的多项选择题基准。尽管 AMIE 和 PCP 都受益于获取外部药物信息的能力，但 AMIE 在更高难度的问题上优于 PCP。尽管在现实世界转化之前还需要进一步研究，但 AMIE 在各项评估中的强劲表现标志着对话式人工智能作为疾病管理工具迈出了重要一步。