作为Atropos Health的首席执行官兼联合创始人，Brigham Hyde博士致力于解决现代医学中常见的“证据空白”问题。虽然医疗决策往往像侦探工作一样复杂，但有时临床试验或既定协议提供的指导有限或不完整，尤其是在罕见或复杂的病例中。在以下问答中，Hyde讨论了通过新兴AI工具（如Deep Research）在医疗和学术界弥补证据空白的潜力，同时也指出了这些工具的局限性。他简要介绍了这些工具如何协助医疗决策，可能存在的陷阱，以及AI未来的发展方向。
Hyde： 使用不是专门为医疗保健设计的工具会引发重要问题。医疗数据具有复杂性，培训至关重要。对于一般学术用途，AI已被证明是在人类监督下快速研究和总结公开可用信息的有效工具。
Hyde： 我认为通用AI平台在搜索功能和从互联网上的公开资源进行总结方面具有显著价值。然而，这些平台通常缺乏特定的医疗培训。它们的建议往往是泛化的，而不是针对患者护理的具体情况，这可能导致在应用于特定患者群体或临床环境中时出现错误或误解。
Hyde： 在医疗环境中，AI产生的“幻觉”可能直接影响患者安全。重要的是，AI生成的答案应提供来源，AI用户应检查这些来源，特别是当数据集中包含冲突、过时或未验证的信息时。在Atropos Health，我们使用超过3亿条匿名患者记录来训练我们的AI模型。我们使用已发布的RWDS方法对每个数据集进行评分，以确保RWD的质量。我们还让解决方案接受独立评估。在一项独立研究中，我们专注于医疗的LLM ChatRWD在独立临床医生的评估中优于其他LLM，回答了94%的问题，并在87%的时间内提供了最佳答案。相比之下，竞争对手的LLM如ChatGPT-4和Gemini Pro 1.5仅在不到10%的情况下提供了相关且基于证据的回答。
Hyde： 我们提供两种数据选项。Atropos Evidence Network是一个联邦模型。对于希望使用自己数据的客户，我们在客户的防火墙内部署GENEVA OS，减少了传输数据的需求及其相关风险。一些客户选择了Atropos Evidence Network和自己的数据。我们最近宣布，AI开发人员可以在Atropos Evidence Network上构建、测试和训练AI模型。目标是，随着更多模型在高质量RWD上进行训练，医疗保健将取得更快的进步。
Hyde： 医疗专业知识至关重要，因为医学研究和患者护理复杂且高度专业化。现成的通用应用程序在某些情况下可能效果良好，但在应用于医疗保健时，它们可能无法提供足够的数据以确保医疗治疗的准确性。
Hyde： 在接下来的12个月内，我预计医疗AI代理将迅速发展，重点关注精准医疗。我们可能会看到AI工具与电子健康记录（EHR）系统更加集成，实现实时数据分析和在护理点的决策支持。
(全文结束)