мэдээ

Large Language Model (LLM) нь шуурхай үгэнд тулгуурлан үнэмшил төрүүлэхүйц нийтлэл бичиж, мэргэжлийн ур чадварын шалгалтыг өгч, өвчтөнд ээлтэй, эмпатик мэдээлэл бичих боломжтой. Гэсэн хэдий ч LLM-д зохиомол зохиол, хэврэг байдал, үнэн зөв бус баримт зэрэг олонд танигдсан эрсдэлээс гадна тэдгээрийг бүтээх, ашиглахдаа ялгаварлан гадуурхах "хүний ​​үнэт зүйлсийг" агуулсан хиймэл оюун ухааны загварууд зэрэг бусад шийдэгдээгүй асуудлууд аажмаар анхаарлын төвд орж байна, мөн LLM нь агуулгыг зохиохоо больж, илт хор хөнөөлтэй үр дүнг арилгасан ч гэсэн "LLM нь хүний ​​үнэ цэнийг өөрчлөх" хэвээр байна.

Хиймэл оюун ухааны загваруудыг сургахад ашигласан өгөгдөл нь хувь хүний ​​болон нийгмийн үнэт зүйлсийг хэрхэн кодлодогийг тоо томшгүй олон жишээ харуулж байгаа бөгөөд энэ нь загвар дотор батжиж болно. Эдгээр жишээнүүд нь цээжний рентген туяаг автоматаар тайлбарлах, арьсны өвчний ангилал, эмнэлгийн нөөцийн хуваарилалтын талаар алгоритмын шийдвэр гаргах зэрэг олон төрлийн хэрэглээг хамардаг. Манай сэтгүүлд саяхан гарсан нийтлэлд дурьдсанчлан сургалтын нэг талыг барьсан мэдээлэл нь нийгэмд байгаа үнэт зүйлс, өрөөсгөл хандлагыг нэмэгдүүлж, илчлэх болно. Эсрэгээр, судалгаанаас харахад хиймэл оюун ухаан нь буруу ойлголтыг багасгахад ашиглаж болно. Жишээлбэл, судлаачид өвдөгний рентген зураг дээр гүнзгий суралцах загваруудыг хэрэглэж, өвдөгний үений хүндийн стандарт үзүүлэлтүүдэд (радиологичид ангилсан) орхигдсон хүчин зүйлсийг олж илрүүлснээр хар, цагаан арьст өвчтөнүүдийн хооронд тайлбарлагдаагүй өвдөлтийн ялгааг багасгасан.

Хэдийгээр улам олон хүмүүс хиймэл оюун ухааны загварууд, ялангуяа сургалтын өгөгдлийн хувьд гажуудлыг ойлгож байгаа ч AI загваруудыг хөгжүүлэх, нэвтрүүлэх үйл явцад хүний ​​​​үнэ цэнэгийн бусад олон нэвтрэх цэгүүдэд хангалттай анхаарал хандуулдаггүй. Анагаах ухааны хиймэл оюун ухаан сүүлийн үед гайхалтай үр дүнд хүрсэн ч хүний ​​үнэт зүйлс, тэдгээрийн эрсдэлийн үнэлгээ, магадлалын үндэслэлтэй харилцан үйлчлэлийг тодорхой авч үзээгүй, загварчлаагүй байна.

Эдгээр хийсвэр ойлголтуудыг тодорхой болгохын тулд та өөрийн насны 3-аас доош насны 8 настай хүүд хүний ​​​​рекомбинант өсөлтийн гормоныг зааж өгөх шаардлагатай дотоод шүүрлийн эмч гэж төсөөлөөд үз дээ. Хүүгийн өдөөгдсөн хүний ​​өсөлтийн дааврын түвшин 2 нг/мл-ээс бага (лавлагаа утга,>10 нг/мл, АНУ-аас бусад олон орны жишиг утга нь >7 ​​нг/мл) бөгөөд түүний хүний ​​өсөлтийн даавар кодлогч ген нь ховор идэвхгүй мутацийг илрүүлсэн байна. Энэхүү эмнэлзүйн нөхцөлд хүний ​​өсөлтийн дааврын эмчилгээг хэрэглэх нь ойлгомжтой бөгөөд маргаангүй гэдэгт бид итгэдэг.

Хүний өсөлтийн дааврын эмчилгээг дараахь тохиолдолд хэрэглэх нь маргаан үүсгэж болзошгүй: 14 настай хүүгийн өндөр нь үе тэнгийнхнийхээ 10-р хувьтай байсан бөгөөд өдөөлтөөс хойш хүний ​​өсөлтийн дааврын оргил үе нь 8 нг/мл байдаг. Өндөрт нөлөөлж болох функциональ мутаци болон богино өсөлтийн бусад мэдэгдэж буй шалтгаанууд байхгүй бөгөөд түүний ясны нас 15 настай (өөрөөр хэлбэл хөгжлийн саатал байхгүй). Зөвхөн нэг хэсэг нь өсөлтийн дааврын дутагдлыг оношлоход ашигладаг хүний ​​​​өсөлтийн дааврын түвшинтэй холбоотой олон арван судалгаанд үндэслэн шинжээчдийн тогтоосон босго утгын зөрүүтэй холбоотой юм. Өвчтөн, өвчтөний эцэг эх, эрүүл мэндийн мэргэжилтнүүд, эмийн компаниуд, төлбөр төлөгчдийн байр сууринаас хүний ​​өсөлтийн дааврын эмчилгээг ашиглах эрсдэлийн үр ашгийн тэнцвэрт байдлаас дор хаяж маргаан үүсдэг. Хүүхдийн дотоод шүүрлийн эмч нар өсөлтийн дааврын өдөр бүр тарилга хийх нь ховор тохиолддог сөрөг нөлөөг 2 жилийн турш жинлэж, насанд хүрэгчдийн биеийн хэмжээ одоогийнхтой харьцуулахад өсөхгүй эсвэл хамгийн бага байх магадлалтай. Хөвгүүд өндөр нь ердөө 2 см-ээр нэмэгдэж байсан ч өсөлтийн даавар тарих нь зүйтэй гэж үздэг ч төлбөр төлөгч болон эмийн компани өөр өөр үзэл бодолтой байж болно.

Бөөрний архаг өвчнийг оношлох, үе шатыг тогтоох, бөөр шилжүүлэн суулгах, хандивлах нөхцөлийг тогтоох, жороор олгодог олон эмийг бууруулах шалгуур, эсрэг заалтыг тодорхойлоход өргөн хэрэглэгддэг бөөрний үйл ажиллагааны үзүүлэлт болох креатининд суурилсан eGFR-ийг жишээ болгон авч байна. EGFR нь хэмжсэн гломеруляр шүүлтүүрийн хурдыг (mGFR) тооцоолоход ашигладаг энгийн регрессийн тэгшитгэл бөгөөд энэ нь жишиг стандарт боловч үнэлгээний арга нь харьцангуй төвөгтэй байдаг. Энэхүү регрессийн тэгшитгэлийг AI загвар гэж үзэх боломжгүй ч хүний ​​үнэт зүйлс болон магадлалын үндэслэлийн талаарх олон зарчмуудыг харуулсан.

Хүний үнэ цэнийг eGFR-д оруулах эхний цэг бол тэгшитгэлийг тохируулах өгөгдлийг сонгох явдал юм. eGFR томъёог боловсруулахад ашигласан анхны дараалал нь ихэвчлэн хар цагаан оролцогчдоос бүрддэг бөгөөд бусад олон угсаатны бүлгүүдэд хэрэглэх нь тодорхойгүй байна. Энэ томъёонд хүний ​​үнэ цэнийг оруулах дараагийн цэгүүдэд: бөөрний үйл ажиллагааг үнэлэх үндсэн зорилго болох mGFR-ийн нарийвчлалыг сонгох, нарийвчлалын зөвшөөрөгдөх түвшин гэж юу вэ, нарийвчлалыг хэрхэн хэмжих, eGFR-ийг эмнэлзүйн шийдвэр гаргах босго болгон ашиглах (бөөр шилжүүлэн суулгахаас өмнөх эм, нөхцөлийг тодорхойлох гэх мэт) орно. Эцэст нь, оролтын загварын агуулгыг сонгохдоо хүний ​​үнэ цэнэ мөн энэ томьёог оруулна.

Жишээлбэл, 2021 оноос өмнө удирдамжид өвчтөний нас, хүйс, арьсны өнгө (зөвхөн хар эсвэл хар биш гэж ангилдаг) дээр үндэслэн eGFR томъёонд креатинины түвшинг тохируулахыг зөвлөж байна. Арьс өнгөнд суурилсан тохируулга нь mGFR-ийн томъёоны нарийвчлалыг сайжруулах зорилготой боловч 2020 онд томоохон эмнэлгүүд арьсны өнгөнд суурилсан eGFR-ийн хэрэглээнд эргэлзэж эхэлсэн бөгөөд энэ нь өвчтөний шилжүүлэн суулгах эрхийг хойшлуулах, уралдааныг биологийн үзэл баримтлал болгон бетонжуулах гэх мэт шалтгаануудыг тайлбарлаж байна. Судалгаанаас үзэхэд eGFR загварыг арьс өнгөний хувьд загварчлах нь нарийвчлал, эмнэлзүйн үр дүнд гүн гүнзгий, янз бүрийн нөлөө үзүүлдэг; Тиймээс үнэн зөвийг сонгох эсвэл үр дүнгийн тодорхой хэсэгт анхаарлаа төвлөрүүлэх нь үнэ цэнийн үнэлэмжийг тусгаж, ил тод шийдвэр гаргах үйл явцыг далдлах болно. Эцэст нь үндэсний ажлын хэсэг гүйцэтгэл, шударга байдлын асуудлыг тэнцвэржүүлэхийн тулд уралдааныг харгалзахгүйгээр дахин тохируулсан шинэ томъёолол санал болгов. Энэ жишээ нь эмнэлзүйн энгийн томъёолол хүртэл хүний ​​үнэт зүйлд нэвтрэх олон цэгтэй байдгийг харуулж байна.

Цөөн тооны урьдчилан таамаглах үзүүлэлт бүхий эмнэлзүйн томьёотой харьцуулахад LLM нь хэдэн тэрбумаас хэдэн зуун тэрбум параметрээс (загварын жин) эсвэл түүнээс олон үзүүлэлтээс бүрдэх тул ойлгоход хэцүү болгодог. Бидний "ойлгоход хэцүү" гэж хэлэх шалтгаан нь ихэнх LLM-д асуулт асууж хариулт авах арга замыг нарийн тодорхойлж чадахгүй байгаа явдал юм. GPT-4-ийн параметрийн тоог хараахан зарлаагүй байна; Түүний өмнөх GPT-3 нь 175 тэрбум параметртэй байсан. Илүү их тооцооллын цикл агуулсан жижиг загварууд (LLaMA [Том хэлний загвар Meta AI] загварын цуврал гэх мэт) эсвэл хүний ​​санал хүсэлт дээр үндэслэн нарийн тохируулсан загварууд нь том загваруудаас илүү сайн ажиллах тул илүү олон параметрүүд нь илүү хүчирхэг чадвартай гэсэн үг биш юм. Жишээлбэл, хүний ​​үнэлгээчдийн үзэж байгаагаар InstrumentGPT загвар (1.3 тэрбум параметр бүхий загвар) нь загварын гаралтын үр дүнг оновчтой болгоход GPT-3-аас илүү гарсан байна.

GPT-4-ийн сургалтын нарийн ширийн зүйлийг хараахан зарлаагүй байгаа боловч GPT-3, InstrumentGPT болон бусад олон нээлттэй эх сурвалжийн LLM зэрэг өмнөх үеийн загваруудын дэлгэрэнгүй мэдээллийг дэлгэсэн. Өнөө үед олон AI загварууд загвар карттай ирдэг; GPT-4-ийн үнэлгээ, аюулгүй байдлын өгөгдлийг загвар бүтээгч OpenAI компаниас гаргасан ижил төстэй системийн картанд нийтэлсэн. LLM-ийг бүтээх ажлыг ойролцоогоор хоёр үе шатанд хувааж болно: сургалтын өмнөх үе шат ба загварын гаралтын үр дүнг оновчтой болгоход чиглэсэн нарийн тааруулах үе шат. Сургалтын өмнөх үе шатанд загвар нь дараагийн үгийг таамаглахад сургахын тулд анхны интернет текстийг багтаасан том корпусаар хангагдсан болно. Энэхүү энгийн мэт санагдах "автоматаар дуусгах" үйл явц нь хүчирхэг суурь загварыг бий болгодог боловч энэ нь хортой зан үйлд хүргэж болзошгүй юм. Хүний үнэт зүйлс нь GPT-4-д зориулсан сургалтын өмнөх өгөгдлийг сонгох, порнографын контент зэрэг зохисгүй контентыг сургалтын өмнөх өгөгдлөөс хасах шийдвэр гаргах зэрэг сургалтын өмнөх үе шатанд орох болно. Эдгээр хүчин чармайлтыг үл харгалзан үндсэн загвар нь ашиг тустай эсвэл хортой үр дүнг агуулах чадваргүй хэвээр байж магадгүй юм. Нарийн тохируулгын дараагийн шатанд ашигтай, хор хөнөөлгүй олон зан үйл гарч ирнэ.

Нарийн тохируулгын үе шатанд хэлний загваруудын зан төлөвийг хүний ​​санал хүсэлт дээр үндэслэн хяналттай нарийн тааруулж, бататгах сургалтаар гүнзгийрүүлэн өөрчилдөг. Хяналттай нарийн тохируулгын үе шатанд хөлсөлсөн гүйцэтгэгч ажилтнууд хариултын жишээг шуурхай үгээр бичиж, загварыг шууд сургана. Хүний санал хүсэлт дээр тулгуурлан бататгах сургалтын үе шатанд үнэлгээчид загвар гаралтын үр дүнг оролтын агуулгын жишээ болгон ангилах болно. Дараа нь дээрх харьцуулалтын үр дүнг ашиглан "шагналын загвар"-ыг сурч, бататгах сургалтаар дамжуулан загварыг улам сайжруулаарай. Доод түвшний хүний ​​оролцоо нь эдгээр том загваруудыг нарийн тааруулж чаддаг. Жишээлбэл, InstrumentGPT загвар нь краудсорсинг вэб сайтаас сонгогдсон 40 орчим гэрээт ажилтны багийг ашиглаж, хүн амын янз бүрийн бүлгүүдийн сонголтод мэдрэмтгий байдаг аннотаторуудын бүлгийг сонгоход чиглэсэн скрининг шалгалтанд тэнцсэн.

Энгийн эмнэлзүйн томьёо [eGFR] ба хүчирхэг LLM [GPT-4] зэрэг хоёр эрс тэс жишээнээс харахад хүний ​​шийдвэр гаргалт, хүний ​​үнэ цэнэ нь загвар гаралтын үр дүнг бүрдүүлэхэд зайлшгүй чухал үүрэг гүйцэтгэдэг. Эдгээр хиймэл оюун ухааны загварууд нь өвчтөн болон эмчийн олон янзын үнэ цэнийг барьж чадах уу? Анагаах ухаанд хиймэл оюун ухааныг хэрхэн ашиглах талаар олон нийтэд хэрхэн чиглүүлэх вэ? Доор дурьдсанчлан, эмнэлгийн шийдвэрийн шинжилгээг дахин нягталж үзэх нь эдгээр асуудлыг шийдвэрлэх зарчмын шийдэл болж чадна.

Эмнэлгийн шийдвэрийн шинжилгээ нь олон эмч нарт танил биш боловч магадлалын үндэслэл (шийдвэр гаргахтай холбоотой тодорхойгүй үр дүн, тухайлбал, эмнэлзүйн маргаантай нөхцөл байдалд хүний ​​өсөлтийн гормоныг хэрэглэх эсэх, тухайлбал, Зураг 1-д үзүүлсэн) болон харгалзан үзэх хүчин зүйлс (эдгээр үр дүнд хавсаргасан субъектив утгуудын хувьд, үнэ цэнэ нь "см2"-ийн өсөлт гэх мэт) хооронд ялгаж чаддаг. эрэгтэй өндөр), эмнэлгийн нарийн төвөгтэй шийдвэр гаргах системчилсэн шийдлүүдийг хангах. Шийдвэрийн дүн шинжилгээ хийхдээ эмч нар эхлээд үр дүн тус бүртэй холбоотой бүх боломжит шийдвэр, магадлалыг тодорхойлж, дараа нь үр дүн тус бүртэй холбоотой өвчтөн (эсвэл бусад тал) хэрэгслийг нэгтгэж, хамгийн тохиромжтой хувилбарыг сонгох ёстой. Иймээс шийдвэрийн шинжилгээний хүчин төгөлдөр байдал нь үр дүнгийн тохиргоо нь иж бүрэн байгаа эсэхээс гадна ашигтай байдлын хэмжилт, магадлалын тооцоо үнэн зөв эсэхээс хамаарна. Энэ арга нь шийдвэрүүд нь нотолгоонд суурилсан, өвчтөний хүсэл сонирхолд нийцсэн байх ба ингэснээр бодит мэдээлэл болон хувийн үнэт зүйлсийн хоорондын зөрүүг багасгахад тусалдаг. Энэ аргыг хэдэн арван жилийн өмнө анагаах ухааны салбарт нэвтрүүлсэн бөгөөд өвчтөний шийдвэр гаргах, хүн амын эрүүл мэндийн үнэлгээ, тухайлбал нийт хүн амд бүдүүн гэдэсний хорт хавдрыг илрүүлэх талаар зөвлөмж өгөх зэрэгт хэрэглэгдэж байсан.

Эмнэлгийн шийдвэрийн шинжилгээнд ашиг тусыг олж авах янз бүрийн аргыг боловсруулсан. Ихэнх уламжлалт аргууд нь өвчтөн бүрээс үнэ цэнийг шууд авдаг. Хамгийн энгийн арга бол үнэлгээний хуваарийг ашиглах бөгөөд өвчтөнүүд тодорхой үр дүнд хүрэхийн тулд дижитал масштабаар (1-ээс 10 хүртэлх шугаман хуваарь гэх мэт), эрүүл мэндийн хамгийн эрс тэс үр дүн (эрүүл мэнд, үхэл гэх мэт) хоёр төгсгөлд байрладаг. Цаг солилцох арга нь бас нэг түгээмэл хэрэглэгддэг арга юм. Энэ аргын хувьд өвчтөнүүд эрүүл мэндийн байдал муутай байх хугацаандаа хэр их эрүүл цаг зарцуулах хүсэлтэй байгаагаа шийдэх хэрэгтэй. Стандарт мөрийтэй тоглоомын арга нь ашиг тусыг тодорхойлох өөр нэг түгээмэл хэрэглэгддэг арга юм. Энэ аргын хувьд өвчтөнүүдээс хоёр хувилбарын алийг нь илүүд үзэхийг асуудаг: эсвэл тодорхой магадлалтайгаар (p) (t) хэвийн эрүүл мэндэд тодорхой хэдэн жил амьдрах, 1-p магадлалтайгаар нас барах эрсдэлийг даах; Аль ч тохиолдолд эрүүл мэндийн хөндлөнгийн нөхцөлд t жил амьдрахаа мартуузай. Өвчтөнөөс өөр өөр p-утгад ямар ч сонголт хийх сонирхолгүй болтол нь олон удаа асууж, өвчтөний хариулт дээр үндэслэн хэрэглээг тооцоолох боломжтой болно.
Өвчтөний хувийн хүсэл сонирхлыг тодорхойлоход ашигладаг аргуудаас гадна өвчтөний популяцид ашиг тустай байх аргуудыг боловсруулсан. Ялангуяа фокус бүлгийн хэлэлцүүлэг (өвчтөнүүдийг хамтад нь авчирч тодорхой туршлагыг ярилцах) тэдний хэтийн төлөвийг ойлгоход тусална. Бүлгийн ашиг тусыг үр дүнтэй нэгтгэхийн тулд янз бүрийн бүтэцтэй бүлгийн хэлэлцүүлгийн арга техникийг санал болгосон.
Практикт эмнэлзүйн оношилгоо, эмчилгээний үйл явцад хэрэглүүрийг шууд нэвтрүүлэх нь маш их цаг хугацаа шаарддаг. Үүний шийдэл болгон санал асуулгын хуудсыг санамсаргүй түүврээр сонгосон популяциудад тарааж, хүн амын түвшний хэрэглээний оноог авдаг. Зарим жишээнд EuroQol 5 хэмжээст асуулга, 6 хэмжээст ашигтай жингийн богино хэлбэр, Эрүүл мэндийн үйлчилгээний индекс, Хавдрын өвөрмөц Европын хорт хавдрын судалгаа, эмчилгээний байгууллагын амьдралын чанарын асуулгын үндсэн 30 хэрэгсэл орно.