导言
改善心血管疾病(CVD)的上游初级预防将有助于更多人过上无心血管疾病的生活。然而,目前的心血管疾病初级预防措施仍然存在局限性,人工智能(AI)可能有助于弥补这些空白。本研究利用新加坡国立大学健康系统(NUHS)的数据信息能力,结合Endeavour AI系统和大型语言模型(LLM)工具,创建了一个能够实时捕捉和展示个体及地理层面心血管风险因素信息的仪表盘。
研究要点
1.通过人工智能技术主动识别高风险心血管疾病患者,并实施有证据支持的干预措施,帮助患者在早期阶段管理健康,避免疾病发展。
2.CardioSight平台利用AI和流式数据接口,实时捕捉和展示个体及地理层面的心血管风险因素,提供动态的心血管疾病预防与管理支持
3.通过WhatsApp聊天机器人和AI增强型临床决策支持系统,为患者和临床医生提供个性化的健康管理方案,帮助优化慢性病(如糖尿病、高血压)的管理效果。
本期DH智库将解读《将AI融入心血管疾病预防——来自新加坡的见解》一文,深入探讨如何利用AI技术推进心血管疾病的预防与管理,提升整体健康水平。
1.心血管疾病的预防和缓解
1.被动与主动预防方法
在当前的被动医疗模式中,大多数人只有在出现疑似心血管疾病症状和体征时才会寻求医疗帮助。相反,那些具有心血管风险因素(CVRFs)且高度可能患有心血管疾病的人可能是无症状的,比如那些糖尿病或高血压控制不佳的人。
1)呼吁采取更积极的方法,在心血管疾病风险超过设定阈值的情况下,自动识别和高亮这些个体,以便他们的治疗团队能够实施积极且有证据支持的干预措施
2)对患者而言,这意味着他们必须在自身健康上发挥关键作用,即使这会导致他们的健康状况受到医疗提供者的更多审查。
3)对于初级保健医生,这可能意味着需要额外工作来审查那些因心血管风险因素控制不佳或未解决的心血管疾病风险而自动被标记的患者。
4)对于心血管专家,这将意味着走出他们最为舒适的三级医院和诊所环境,参与早期心血管疾病风险的讨论,并与社区中的同事和资源进行合作。
2.人工智能的应用
随着“更健康的新加坡”计划的推进,大多数新加坡医疗服务提供者将很快在一个共同的电子病历(EMR)平台上连接。共享的EMR将成为初级护理、辅助健康专业人员以及心脏病学家和其他专家之间的接口。
本项目致力于在一种新型的心血管疾病预防工作流程中利用AI的潜力,并特别关注这些空白和考虑因素。
(图来自原文:NUHS内部署的人工智能工具。)
本项目将新加坡国立大学健康系统(NUHS)的数据信息能力与Endeavour AI系统相结合,开发了CardioSight,一个能够捕捉和展示个体及地理层面心血管风险因素的实时仪表盘,供NUHS内寻求医疗服务的个体使用。最终的仪表盘基于流式AI,能够与医疗集群EMR系统实时接口,实现所有住院和门诊数据的实时分析和可视化。通过自动化许多这些过程,这减少了对数据收集和分析的巨大人力依赖,并允许对临床管理进行相关且最新的数据解读。
2.CardioSight的应用情况
CardioSight于2023年7月完成,并已于2023年9月开始作为更大疾病特定能力的一部分(如糖尿病和慢性肾病)进行部署。它目前在心血管疾病预防中处于试点阶段,自2023年12月开始使用。
1.糖尿病患者的视觉地理空间图
地理空间地图,突出显示了新加坡国立大学卫生系统中93200名糖尿病患者从2023年1月6日至2023年10月31日的所有HbA 1c和LDL-C值。HBA 1c是颜色编码的,其中浅绿色绿色斑点代表HBA 1c <7%,黄色斑点代表HBA 1c 7- 10%,红色斑点代表HBA 1c> 10%。所有患者的LDL-C均高于目标值1.8 mmol/L。
(图来自原文:糖尿病患者的视觉地理空间图)
2.预先诊断为心肌梗塞的患者的视觉地理空间图
突出显示了从2023年1月6日至2023年10月31日映射到居住地点的1096例国际疾病分类(ICD)代码诊断为心肌梗死的患者的LDL-C水平。绿色斑点代表LDL-C = /< 1.8 mmol/L(目标LDL-C),黄色斑点代表LDL-C 1.8-3.0 mmol/L,红色斑点代表LDL-C > 3.0 mmol/L。总体而言,725例(66.1%)患者的LDL-C高于目标值1.8 mmol/L,105例(9.5%)患者未接受他汀类药物治疗。
(图来自原文:预先诊断为心肌梗塞的患者的视觉地理空间图)
3.CardioSight的局限性和挑战
1)数据来源的局限性
CardioSight目前依赖于新加坡国立大学健康系统(NUHS)内的实验室测试和结果,无法访问来自私人全科医生(GPs)或其他医院的数据。这可能导致遗漏重要的患者信息,尤其是那些在其他医疗集群中寻求服务的患者。
2)监测工具的局限性
CardioSight目前仅作为一个监测工具,缺乏自动化的干预措施。治疗医生和区域卫生服务团队需要投入大量时间和精力来监测数据并实施干预,这种劳动密集型的工作方式难以长期维持。
3)干预措施对患者行为的依赖
尽管CardioSight和CHAMP可以帮助可视化疾病模式和优化患者护理,但所有的健康干预措施都依赖于患者的行为改变。如果患者缺乏主动参与,这些干预措施可能会效果有限。
3.慢性疾病管理计划
(CHAMP)
CHAMP(慢性疾病管理计划)是一项结合人工智能与医疗的计划,用于管理糖尿病、高血压和高脂血症等常见疾病。该计划的核心组成部分是面向患者的WhatsApp聊天机器人用于通信,以及面向临床医生的AI增强型****临床决策支持(CDS)系统。
1.CHAMP的关键组成部分
1)通过电子病历(EMR)嵌入和访问的CHAMP临床决策支持(CDS)系统,该系统显示临床医生需要考虑的可操作事项。
2)专为患者互动设计的WhatsApp聊天机器人,利用大型语言模型进行患者参与和行为引导。
3)EndeavourAI软件,分析患者数据并为WhatsApp聊天机器人和CDS系统提供支持。
(图来自原文:通过国家大学卫生系统慢性病管理计划(CHAMP)整合和巩固不同来源的数据。)
2.CDS(临床决策支持)系统
通过EMR显示基于风险和合并症的药物启动建议,如基于合并症的降脂药物(例如,针对特定LDL-C目标的他汀类药物)和抗高血压药物的推荐剂量。这些临床决策支持项将随后使用机器学习算法进一步优化,并根据减少可避免的住院次数的训练数据进行优先排序。AI增强软件能够与患者进行直接文本消息传递,并将患者触发的信息(如家庭血压读数)传输并整合到智能AI增强EMR中。
3.CHAMP现有的局限性
1)由于试点试验依赖于智能手机界面与患者联系,那些不熟悉数字技术或没有智能手机的人可能不符合资格。因此,仍然需要为这部分人群提供面对面的干预措施。
2)在试验向患者提供直接AI生成的建议时,需要临床团队进行仔细的监督,以确保首先不对患者造成伤害。因此,直接的患者消息传递不包括AI生成的药物建议或剂量调整,药物推荐由临床团队考虑,以确保临床决策仍然掌握在临床医生手中。
4.未来方向
1. 深入研究人口需求和不平等
1)研究人口需求、不平等以及心血管风险因素(CVRFs)的趋势。
2)结合当地人口的社会经济关联性,识别出CVRF控制不佳和未满足护理需求的患者群体。
3)建立平台、患者和初级保健提供者之间的三方合作关系,为当地人口提供最直观的解决方案。
2. 改善数据收集的全面性
1)计划通过整合来自本地全科医生和新加坡其他医院和医疗集群的记录来改善数据收集的全面性。
2)检查数据集的准确性和完整性,确保在整合过程中数据的安全性和隐私。
3. 优化AI驱动的组件
1)进一步优化AI驱动的组件,使CVRFs能够更精确地可视化。
2)自动准确标记适当的患者给他们的临床团队,并提供推荐的临床措施。
3)利用大型语言模型(LLM)和生成式AI方法,结合个体患者的临床记录,实现更精细的预测和临床建议。
4. 定期分享心血管健康数据
1)定期向当地临床社区分享心血管健康的人口数据。
2)鼓励当地医疗团队提出有针对性的解决方案,以随时间推移改善整体人口健康。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。