关于对临床和转化医学的潜在影响，本次看一下《 and 》期刊的评述文章（图1）。
图1 对临床和转化医学的潜在影响评述
聊天生成预训练转换器()是由Open AI开发的用于生成类人文本的人工智能(AI)模型。由大型语言模型(LLM) GPT-3.5提供支持。与其他基于LLM的人工智能一样，它已经在大型文本数据集上进行了训练，并且可以生成与训练文本相似的新文本，这需要使用计算机系统生成、理解和解释人类语言。模拟人类交互，它可能是目前可用的最强大的语言模型。它使用了一种名为“变压器架构”的深度学习技术，该技术是在从互联网上获得的大量文本数据集上进行训练的。
正在引领一场人工智能技术革命，其对临床医学领域的影响尚待确定。一些临床实践可能依赖于数据分析、临床研究和指南。AI模型可以在临床决策支持、临床试验招募、临床数据管理、研究支持、患者教育等领域提供帮助。在某些情况下，人工智能模型可以自动执行某些由人类执行的任务，如数据分析、图像采集和解释。这可能会提高卫生保健专业人员的效率并减少工作量，使他们能够专注于专业知识和临床判断的更高级别任务。另一方面，结果必须源于非凡的人类思维及其处理信息并通过信息进行交流的能力。因此，使用等人工智能模型作为工具来支持而不是取代医疗保健专业人员的决策过程是很重要的。
同样，包括在内的人工智能技术在辅助基础研究和加速临床和转化医学的技术转型方面也具有巨大潜力。例如，在药物发现方面，AI具有图像识别能力，可以识别、分类和描述化学公式或分子结构，以辅助设计化合物的新结构和官能团组合。此外，人工智能技术在疾病预测、诊断和治疗靶点评估方面发挥着重要作用，例如根据癌症患者的磁共振成像放射组学为其提供治疗指南，以及预测与衰老相关的疾病。然而，与专门为药物发现和疾病诊断而开发的AI算法或模型不同，的核心价值和优势在于其强大的LLM。目前还不能实时更新训练数据。此外，在现有的一些与医疗相关的对话中，它只能给出笼统和模糊的答案。一些专家将与的在线对话作为案例研究，他们发现所做出的诊断往往不够全面和充分。例如，对于发烧等常见症状的患者，会给出服用退烧药帮助缓解症状的建议，但不能准确判断感染、痘痘或其他原因。因此，盲目依赖的诊断指导，可能存在诊断不准确或延误治疗的潜在风险。此外，如果没有专门的医学知识课程或培训，就无法通过生命维持测试，这表明在临床应用中可能没有足够的能力进行生命维持。这一证据表明，可能无法在当前版本中独立处理复杂的临床实践工作。
因此，关注在人机交互中的应用，可以提高其在临床实践中的可用性。例如，精神疾病的诊断和治疗在很大程度上依赖于医患调查问卷、访谈和判断。然而，许多干扰因素，如医生的语气、情绪和周围环境，都可能妨碍对疾病的准确评估。在这一领域，人工智能已被用于记录和分析问卷相关数据。的出现可能会加速使用聊天机器人对精神障碍患者进行灵活的问卷调查、记录、诊断和随访的整合。 此外，为更灵活和有效的流行病学研究提供了基础。事实上，流行病学研究也依赖于有效和可靠的数据收集、记录和分析。不仅解决了远程查询的困难，还有助于减少完成工作所需的人力。此外，通常比手工统计和记录更准确和更快。
在短时间内，在医学教育、培训和写作方面引起了一些变化和争议。它被用来完成摘要、介绍，甚至是一篇作业或文章的主要文本，但它可能不适用于医学写作的创造性部分。经常总结以前的研究和数据，形成摘要或背景知识。然而，一些问题，包括伦理问题，需要进一步澄清。一些科学期刊指出，含有生成内容的文章需要明确地列出作者，而《自然》拒绝接受作为文章的作者，因为它不能对内容测试负责。
此外，包括在内的人工智能模型显然可以通过提供更客观和基于证据的决策方法来帮助医疗保健行业，基于其无与伦比的信息处理速度，降低人为错误的风险。它还有助于识别大量数据中的模式和相关性，这可能为医学提供新的见解和发现。此外，人工智能模型可以帮助检测疾病和预测预后，这可能有助于提供更个性化的治疗建议，并改善患者的结果。需要进一步的研究和开发，以确保在医疗保健行业有效和负责任地使用人工智能模型。然而，我们应该意识到是一把双刃剑，既有强大的功能，也有潜在的缺点。人工智能有可能通过改进数据分析、简化工作流程和增强决策能力，对临床和转化医学产生重大影响。然而，不应低估潜在的负面影响，如隐私问题、偏见、歧视等。
总的来说，有可能彻底改变临床和转化医学，但我们需要制定适当的策略来减轻潜在的风险和负面结果。尽管我们最初对改变游戏规则的技术缺乏准备，但人工智能的发展是不可阻挡的。最好的做法是拥抱它，利用它的能力来改善我们的生活，并通过在临床医学中发展它来培养互惠互利关系。
参考文献
[1] Xue VW, Lei P, Cho WC. The of in and . Clin Med. 2023 Mar;13(3):e1216. doi: 10.1002/ctm2.1216. PMID: ; PMCID: .
以往推荐如下：
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
