Parallel Doctors and Parallel Hospitals: Impact and Perspective of ChatGPT-like AIGC and AGI on Medicine and Medicare
-
摘要: 生成式人工智能和大模型智能技术的应用,如ChatGPT等,必将冲击各行各业,特别是事关生命健康的医疗事业。此类通用智能科技的深入与普及,将使数字医生理念变得现实且迫切,并将进一步加快推动医生与医院的虚实互动平行化进程。本文从智慧新医学的“三个三”概念出发,讨论如何在此大背景下降低社会成本,提高医疗保健效益,未来使“患者拥有个性化和私人专属的数字医院”愿景成为现实。Abstract: Issues related to the impact of ChatGPT-like artificial intelligence generated content (AIGC) and artificial general intelligence (AGI) technologies on medicine and medicare have been presented and discussed. We believe that advances in medical foundation models, scenarios engineering, and medical operations with operating systems would lead to parallel doctors in parallel hospitals, i.e., digital, robotic, and human doctors working in parallel within cyber-physical-social spaces under three modes: autonomous, parallel, and expert/emergency operations. Under decentralized/distributed autonomous organizations/operations (DAO) and DeSci, as well as DeMed and DeHospitals, the vision for individual patients with her/his personalized digital hospital could be a reality in the future.
-
重症患者病情危重且变化速度快、病理生理机制复杂,临床治疗具有较强的特殊性和专业性[1-2]。同时,重症患者的治疗更强调治疗方法的个体化[3],对于诊断的准确性和治疗的精确性要求较高。如何达到准确、精确诊治始终是重症患者救治的难点,并推动着越来越多的崭新监测技术在重症医学领域应用,其中可视化床旁影像监测技术的发展尤为迅速。
北京协和医院重症医学科目前开展的床旁影像监测技术主要包括以下3种:(1)电阻抗断层成像(electrical impedance tomography,EIT):EIT技术是通过置于人体胸部皮肤的电极向组织施加电流,并测量组织器官的边界电压响应,通过重建电阻抗分布图以反映胸腔内的气流和血流状态。该技术具有实时、无创及连续成像的特点[4]。(2)重症超声(critical care ultrasound,CCUS):区别于常规超声,CCUS是在重症医学理论的指导下,针对重症患者,以问题为导向、多目标整合的动态评估手段,是确定重症治疗方向及调整精细治疗的重要手段[5-6]。(3)旁流暗视野技术(sidestream dark field,SDF):作为活体微循环第二代可视化技术,SDF的基本成像原理是将530纳米的滤光投射并穿过表浅组织,由血管内血红蛋白的部分吸收形成暗点,被其他组织反射回系统的部分形成背景亮区,通过图像分析软件显示微血管结构和红细胞流动速度。SDF是目前临床研究和应用最广泛的微循环监测技术,微循环障碍相关研究多依赖该技术[7]。
以上述新技术为代表的床旁影像监测技术联合X线、CT、MRI等传统影像学手段,使重症医学科的临床影像学资料表现出种类多、数量多等特点,同时由于重症患者病情变化迅速,需进行连续、动态监测,因此其影像学资料还具有连续性特点。而传统床旁查房模式普遍以口述病史、诊断、诊疗经过为核心,床旁以展示X线、CT、MRI等静态影像为主,缺乏动态影像展示手段。鉴于传统床旁查房模式的局限性及影像学资料的重要性愈发凸显,北京协和医院重症医学科近年来在临床查房之外,尝试采用影像学查房模式,取得了较好的临床效果,现介绍其在重症医学科医疗、教学及科研方面的优势和应用,以供国内同行借鉴和参考。
1. 影像学查房模式
影像学查房是指以床旁动态影像学资料为核心内容,通过简要诊疗经过的描述串联起影像资料,以动态影像为表现手段展示患者实时、客观的病理生理状态,同时通过干预前后的动态影像学改变以评估干预效果,从而制订下一步治疗计划。
传统影像查房以静态影像展示为主、以诊断为主要目的,而重症医学科影像学查房与传统影像查房存在明显不同,其以床旁监测提供的实时、动态、客观影像为主要内容,以导向治疗和评估治疗为主要目的。
影像学查房步骤:(1)影像学资料收集。针对休克、急性呼吸窘迫综合征、脓毒症等常见危重症,科室制订相关检查仪器设备及检查部位的具体操作流程。医生严格按照流程要求进行影像学资料的采集,数据资料妥善保存。(2)集中展示与集体讨论。每日上午临床查房后,挑选影像学检查齐备的典型病例开展影像学查房,通过专用屏幕展示影像学资料进行集体讨论(图 1),同时将不同设备对系统或器官的多维度评价进行归纳汇总。如循环系统方面,需将心脏影像与血压、心率、中心静脉压、动静脉二氧化碳分压差、上腔静脉氧饱和度、外周灌注指数、尿量等传统血流动力学指标相结合;呼吸系统方面,通过肺部超声和EIT影像解读目前的呼吸机支持参数、呼吸力学参数,了解肺部通气状态;对于神经重症患者,需完善脑血流、脑氧饱和度、脑电图等检查,并结合心脏超声等全身循环指标解读患者的整体脑灌注和功能情况。(3)影像学资料的保存。集体讨论后,相关负责医生将影像学资料内容分类存入科室影像数据库,并进行长期保存。
独立影像学查房具有诸多优点,如专用的场地和设备,动态和静态的影像展示;查房中通过集体讨论方式将影像学参数与传统的评价参数进行对比和整合,更全面、深刻地理解患者的病理改变;有助于床旁新监测技术的标准化、规范化等。
2. 影像学查房的作用
2.1 在医疗工作中的作用
2.1.1 提高临床诊疗的准确性
影像学查房可将患者的所有影像学资料进行集中展示,从多维度、多方位反映患者的疾病状态,展示患者最真实的病理生理状态,减少临床病历汇报中信息的遗漏和主观倾向性,提高了查房医生对患者病情的掌握度。同时,以患者影像学参数为基础制订的诊疗方案相对客观,便于执行。因此,影像学查房有助于提高治疗方案的准确性和可执行性。如对呼吸困难患者进行病因分析时,目前常采用肺部听诊、呼吸机参数、血气分析、静态床旁X线等方法,因缺乏对肺部病变的精准体现和准确定位,临床误诊率较高。肺部CT检查较为准确,但患者外出检查的转运风险较大,且无法实现动态监测。而EIT联合肺部CCUS则可实时反映肺部的通气和血流改变情况,及时发现通气/血流比失调的区域,有助于临床医生结合其他检查正确判断患者呼吸困难的原因,有针对性地设置体位引流和复张方案,在一定程度上可替代肺部CT检查。
床旁影像监测技术还可实时监测患者的治疗效果,及时调整治疗方案,保障治疗措施的有效性。如仰卧位和俯卧位状态时分别完善EIT检查,可实时、客观地反映俯卧位对肺通气的改善情况,明确俯卧位是否获益。EIT结合肺部CCUS还可为停止俯卧位通气提供客观参考。
2.1.2 提高医疗团队工作的一致性
团队工作模式是指团队中每位成员作为共同体的一个组成部分,以共同的知识体系为基础,按照统一的思维方式,通过协同作用完成同一目标的工作方式[8]。治疗团队各级医生在面对相同的影像学资料和测量指标时,应具有大致相同的治疗行为,团队工作模式的一致性对治疗延续性需求较高的重症患者尤其重要。影像学查房病例为提高团队工作一致性提供了客观的病例素材,在此基础上通过集体讨论制订下一步治疗方案,有助于发现团队成员之间的学术思想差异,并促进其相互交流,统一团队中每位医生的重症医学思维方式和患者处理流程,形成共同的临床诊疗决策,达到团队内部医疗行为的统一,并使危重症患者的治疗达到最优化。
2.1.3 提高重症治疗的个体化、器官化水平
重症治疗已从群体化走向个体化、器官化治疗时代[3]。床旁影像监测技术可进行器官血流和功能的实时监测[9],是了解器官病理生理状态的窗口,也是评估受损器官支持和保护效果的直接手段。EIT技术可用于评估肺的通气和血流情况;CCUS技术则可监测脑、心、肺、胃肠道、肾等器官的血流与功能。床旁影像监测技术作为推动个体化、器官化治疗的“武器”,已成为重症治疗技术中不可或缺的组成部分。
2.2 在教学工作中的作用
2.2.1 加深医生对危重症病理生理机制的理解
危重症患者的病理生理状态具有复杂性强、个体差异大等特点,对危重症患者的救治离不开对其病理生理状态的精准判断。通过床旁影像技术将患者重要器官的功能和血流实时、直观地展现,结合传统的血气分析、压力等监测指标,可以让医生了解不同重症状态下重要器官的病理生理改变,理解整个机体与具体器官的相互影响,能够更加全面、深刻地认识危重症的病理生理机制。如心源性休克的诊断和治疗,通过CCUS可对左心和右心的收缩功能、舒张功能、心脏瓣膜功能等进行评估,有助于医生分析心输出量不足的具体原因。
2.2.2 培养医生的重症临床思维
EIT、CCUS、SDF等技术具有无创性、连续性等特点,有助于监测患者对治疗的反馈,促进住院医师“连续与动态”重症临床思维的训练[10]。CCUS指标具有可客观量化和可重复性好等特点,适合设定为治疗的目标指标;EIT技术可量化通气不足及通气/血流的不匹配[11],可作为目标参数进行治疗。床旁影像监测技术有助于培养和实践“目标与目的”的重症临床思维[10],因其监测对象一般为具体的器官,如心、肺、脑、肾、肝、胃肠道等,是将器官化治疗的重症临床思维落实到临床的有力武器[3]。
2.2.3 提高医生的技术操作水平
重症医学科制订了EIT、CCUS、SDF等仪器的具体操作流程,以规范临床医生的操作。如心脏外科术后转入重症医学科的患者,要求入室后尽快完成心脏和肺的基本切面超声检查及EIT检查。在影像学查房后,由具备CCUS培训资质和丰富操作经验的教授对超声切面参数进行解读和采集质量点评,用统一且标准化的要求规范每位医生的CCUS操作。EIT影像展示后,由科室具备书写EIT报告资质的专家进行分析,解读图像及参数涵义,结合血气分析、呼吸机参数等数据综合分析目前患者的肺部通气和血流情况,并对呼气末正压(end-expiratory positive pressure, PEEP)等呼吸机参数的设定提出建议。通过影像学查房考核每位团队成员的设备使用能力和操作流程掌握情况,促进团队成员积极提高自身的技术操作水平。
2.3 在科研工作中的作用
2.3.1 促进影像学数据的标准化、规范化
影像学查房时,医生需对每个病例的所有影像学资料进行归类,通过命名标准化、分类标准化、排列标准化进行影像资料的汇总,促进了影像数据存贮的标准化,也促进科室建立规范化的影像学资料数据库。目前,北京协和医院重症医学科已建立5000余例病例的CCUS影像数据库,数百例EIT影像数据库和SDF数据库,这些日益壮大的数据库为后续进行大数据分析及回顾性研究提供了坚实的基础。
2.3.2 开拓临床医生的科研思路
影像监测技术的器官化特点,有助于将查房讨论推向器官化支持和治疗的重症前沿领域。如在影像学查房讨论中,我科工作人员发现EIT可敏感地监测PEEP对于急性呼吸窘迫综合征患者塌陷肺组织的复张效果,由此产生科研思路并设计了“电阻抗断层扫描引导下早期个体化呼气末正压治疗急性呼吸窘迫综合征”的随机对照临床试验研究[12],目前研究正在开展中。
3. 影像学查房需注意的问题
北京协和医院重症医学科实施影像学查房已近2年,在影像学查房实践中不断探索,总结其对医疗、教学、科研领域的积极作用,以供国内同行借鉴和参考。在影像学查房实施过程中需注意以下细节:(1)数据的安全性。采集的影像学数据资料在汇总和存贮过程中需统一管理,同时存贮服务器应具备防火墙或物理隔离功能,保障数据安全,避免医疗数据泄露。由于影像数据量大、运行持续时间长,需保证服务器的稳定性和可靠性。科室应安排专门的医生定期对服务器进行维护。(2)患者的隐私性。影像学查房前需对患者的个人信息进行保护性处理,数据储存设备应设置防火墙并禁止外网接入,同时应建立影像数据资料提取的科室审核制度等,以保护患者的隐私安全。(3)影像学资料的局限性。影像学资料仅是患者病情的一部分,床旁观察、查体以及传统指标仍然具有重要意义。影像学资料是为患者的诊疗提供服务,患者是治疗的“最终裁判官”。
4. 小结
随着技术的快速发展,医学影像数据种类越来越多,有助于临床医生更深刻、准确地了解患者的机体状态,对诊断和治疗的影响日益凸显。因此,全面展示和分析影像学资料并结合指导临床诊治的影像学查房适用于重症领域各个学科。影像学查房有助于推动床旁动态影像技术在临床的应用,促进医生对新技术的理解和掌握,提高诊治的准确性。同时,影像学查房过程中对于客观影像资料的集体讨论有助于住院医师医疗素养和临床思维的提升;影像学查房所积累并建立的数据库是进行大数据分析、回顾性研究的宝库。在推进影像学查房的同时,也应警惕数据存贮的风险、保护患者的隐私安全,在与传统检查指标的对比中发现影像学检查的局限性,并寻找更加完善的诊疗路径,使影像学查房在医疗、教学及科研工作中发挥更大作用。
志谢: 感谢李轩、戴星原、赵宸、韩金朋、刘宇航、沈宇、丁文文博士以及李艳芬、胡小蕾为本文整理资料和录入手稿。利益冲突:作者声明不存在利益冲突 -
图 5 分布开放科学与生态现状[42]
-
[1] Wang FY, Miao Q, Li X, et al. What does ChatGPT say: The DAO from algorithmic intelligence to linguistic intelligence[J]. IEEE/CAA J Autom Sinica, 2023, 10: 575-579. DOI: 10.1109/JAS.2023.123486
[2] Wang FY, Zhang JJ, Zheng X, et al. Where does AlphaGo go: From Church-Turing thesis to AlphaGo thesis and beyond[J]. IEEE/CAA J Autom Sinica, 2016, 3: 113-120. DOI: 10.1109/JAS.2016.7471613
[3] Hinton G. Comments on radiology and deep learning[R]. Toronto: Machine Learning and Market for Intelligence Conference, 2016.
[4] 卢经纬, 郭超, 戴星原, 等. 问答ChatGPT之后: 超大预训练模型的机遇和挑战[J]. 自动化学报, 2023, 49: 705-717. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202304002.htm [5] Haver HL, Ambinder EB, Bahl M, et al. Appropriateness of breast cancer prevention and screening recommendations provided by ChatGPT[J]. Radiology, 2023. doi: 10.1148/radiol.230424.
[6] Šlapeta J. Are ChatGPT and other pretrained language models good parasitologists[J]. Trends Parasitol, 2023, 39: 314-316. DOI: 10.1016/j.pt.2023.02.006
[7] Biswas S. ChatGPT and the future of medical writing[J]. Radiology, 2023, 307: e223312. DOI: 10.1148/radiol.223312
[8] Patel SB, Lam K. ChatGPT: The future of discharge summaries[J]. Lancet Digit Health, 2023, 5: e107-e108. DOI: 10.1016/S2589-7500(23)00021-3
[9] Liebrenz M, Schleifer R, Buadze A, et al. Generating scholarly content with ChatGPT: Ethical challenges for medical publishing[J]. Lancet Digit Health, 2023, 5: e105-e106. DOI: 10.1016/S2589-7500(23)00019-5
[10] Grünebaum A, Chervenak J, Pollet SL, et al. The exciting potential for ChatGPT in obstetrics and gynecology[J]. Am J Obstet Gynecol, 2023. doi: 10.1016/j.ajog.2023.03.009.
[11] Cheng K, Sun Z, He Y, et al. The potential impact of ChatGPT/GPT-4 on surgery: Will it topple the profession of surgeons[J]. Int J Surg, 2023. doi: 10.1097/JS9.0000000000000388.
[12] Ali SR, Dobbs TD, Hutchings HA, et al. Using ChatGPT to write patient clinic letters[J]. Lancet Digit Health, 2023, 5: e179-e181. DOI: 10.1016/S2589-7500(23)00048-1
[13] Wang FY, Li J, Qin R, et al. ChatGPT for computational social systems: From conversational applications to human-oriented operating systems[J]. IEEE Trans Comput Soc Syst, 2023, 10: 414-425. DOI: 10.1109/TCSS.2023.3252679
[14] Bush V. As we may think[J]. The Atlantic Monthly, 1945, 176: 101-108.
[15] 王飞跃. 平行哲学与智能技术: 平行产业与智慧社会的对偶方程与测试基础[J]. 智能科学与技术学报, 2021, 3: 245-255. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJS202103001.htm [16] 王飞跃. 平行哲学与智能科学: 从莱布尼茨的Monad到区块链之DAO[J]. 模式识别与人工智能, 2023, 33: 1055-1065. https://www.cnki.com.cn/Article/CJFDTOTAL-MSSB202012001.htm [17] 王飞跃. 平行哲学: 智能产业与智慧经济的本源及其目标[J]. 中国科学院院刊, 2021, 36: 308-318. https://www.cnki.com.cn/Article/CJFDTOTAL-KYYX202103010.htm [18] 王飞跃. 平行管理: 复杂性管理智能的生态科技与智慧管理之DAO[J]. 自动化学报, 2022, 48: 2655-2669. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202211003.htm [19] 王飞跃. 平行科学: 可持续智能产业和智慧社会的基础与保障[R]. 青岛: QAII报告, 2014. [20] Wang FY. Parallel healthcare: Robotic medical and health process automation for secured and smart social healthcares[J]. IEEE Trans Comput Soc Syst, 2020, 7: 581-586. DOI: 10.1109/TCSS.2020.2995282
[21] Wang S, Wang J, Wang X, et al. Blockchain-powered parallel healthcare systems based on the ACP approach[J]. IEEE Trans Comput Soc Syst, 2018, 5: 942-950. DOI: 10.1109/TCSS.2018.2865526
[22] 王飞跃. 数字医生与平行医疗: 从医疗知识自动化到系统化智能医学[J]. 协和医学杂志, 2021, 12: 829-833. DOI: 10.12290/xhyxzz.2021-0586 [23] Topol E. Deep medicine: How artificial intelligence can make healthcare human again[M]. New York: Basic Books, 2019.
[24] 杨静, 王晓, 王雨桐, 等. 平行智能与CPSS: 三十年发展的回顾与展望[J]. 自动化学报, 2023, 49: 614-634. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202303008.htm [25] Wang FY. The emergence of intelligent enterprises: From CPS to CPSS[J]. IEEE Intell Syst, 2010, 25: 85-88. DOI: 10.1109/MIS.2010.104
[26] Wang FY, Yang J, Wang X, et al. Chat with ChatGPT on industry 5.0: Learning and decision-making for intelligent industries[J]. IEEE/CAA J Autom Sinica, 2023, 10: 831-834. DOI: 10.1109/JAS.2023.123552
[27] Wang T, Ye P, Lv H, et al. Modeling digital personality: A fuzzy-logic-based Myers-Briggs type indicator for fine-grained analytics of digital human[J]. IEEE Trans Comput Soc Syst, 2023, 10: 1-12. DOI: 10.1109/TCSS.2023.3273790
[28] Ye P, Wang FY. Parallel population and parallel human: A cyber-physical social approach[J]. IEEE Intell Syst, 2022, 37: 19-27. DOI: 10.1109/MIS.2022.3208362
[29] 周燕燕, 邓杨, 包骥, 等. 可信病理人工智能: 从理论到实践[J]. 协和医学杂志, 2022, 13: 525-529. DOI: 10.12290/xhyxzz.2022-0184 [30] 王国昌, 朱朝晖. 分子影像指导下的一体化精准诊疗[J]. 协和医学杂志, 2022, 13: 165-168. DOI: 10.12290/xhyxzz.2021-0773 [31] 李锡荣. 多模态深度学习及其在眼科人工智能的应用展望[J]. 协和医学杂志, 2021, 12: 602-607. DOI: 10.12290/xhyxzz.2021-0500 [32] 王飞跃. 平行医学: 从医学的温度到智慧的医学[J]. 智能科学与技术学报, 2021, 3: 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJS202101001.htm [33] 王拥军, 王飞跃, 王戈, 等. 平行医院: 从医院信息管理系统到智慧医院操作系统[J]. 自动化学报, 2021, 47: 2585-2599. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202111008.htm [34] 王飞跃. 平行军事与平行战争: 智能时代智能军事的起源与目标[R]. 北京: 第十届中国指挥控制大会, 2023. [35] 田永林, 王雨桐, 王建功, 等. 视觉Transformer研究的关键问题: 现状及展望[J]. 自动化学报, 2022, 48: 957-979. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO202204002.htm [36] Li L, Lin Y, Zheng N, et al. Parallel learning: A perspective and a framework[J]. IEEE/CAA J Autom Sinica, 2017, 4: 389-395.
[37] Miao Q, Lv Y, Huang M, et al. Parallel learning: Overview and perspective for computational learning across Syn2Real and Sim2Real[J]. IEEE/CAA J Autom Sinica, 2023, 10: 603-631.
[38] Li X, Ye P, Li J, et al. From features engineering to scenarios engineering for trustworthy AI: I&I, C&C, and V&V[J]. IEEE Intell Syst, 2022, 37: 18-26.
[39] Wang G, Li J, Wang X, et al. Blockchain-based crypto management for reliable real-time decision-making[J]. IEEE Trans Comput Soc Syst, 2022, 9: 1-10.
[40] Wang S, Ouyang L, Yuan Y, et al. Blockchain-enabled smart contracts: Architecture, applications, and future trends[J]. IEEE Trans Syst Man Cybern: Syst, 2019, 49: 2266-2277.
[41] Wang FY, Qin R, Chen Y, et al. Federated ecology: Steps toward confederated intelligence[J]. IEEE Trans Comput Soc Syst, 2021, 8: 271-278.
[42] Dunbar S, Basile S. The decentralized science ecosystem: Building a better research economy[R]. Messari: UltraRare Bio, 2023.
[43] Wang FY. The DAO to MetaControl for MetaSystems in metaverses: The system of parallel control systems for knowledge automation and control intelligence in CPSS[J]. IEEE/CAA J Autom Sinica, 2022, 9: 1899-1908.
[44] Wang FY, Ding W, Wang X, et al. The DAO to DeSci: AI for free, fair, and responsibility sensitive sciences[J]. IEEE Intell Syst, 2022, 37: 16-22.
[45] Wang X, Yang J, Han J, et al. Metaverses and DeMetaverses: From digital twins in CPS to parallel intelligence in CPSS[J]. IEEE Intell Syst, 2022, 37: 97-102.
-
期刊类型引用(6)
1. 钟小芳,李雅,朱虹,孙致远,赵舒扬. 基于政策工具的我国抗肿瘤创新药物政策文件分析. 医药导报. 2024(04): 654-660 . 百度学术
2. 王潇,文敏,郑沛,刘秋叶,左亚杰. 土鳖虫化学成分和药理作用的研究进展及其质量标志物(Q-Marker)的预测分析. 环球中医药. 2024(05): 933-940 . 百度学术
3. 刘娟,李庆,朱胜钦,薛志勇. 3-甲基-6-氨甲基-喹喔啉-2-甲酸衍生物的合成. 合成化学. 2024(07): 622-626 . 百度学术
4. 巫建群,邓晓莉. 95例新型抗肿瘤药物不良反应分析. 海峡药学. 2024(11): 114-117 . 百度学术
5. 刘肃,刘颍,朱飞跃. 关于药品定期安全性更新报告审核的一点思考. 药品评价. 2024(10): 1174-1177 . 百度学术
6. 李佳新. 抗肿瘤药物的分类及不良影响研究现状. 人人健康. 2023(10): 99-101 . 百度学术
其他类型引用(2)