プロバイダーは LLM を使用する際、セキュリティ、効率、透明性を考慮する必要があります

医療機関には、プライベートで安全な AI エンクレーブ以上のものが必要です。さまざまな LLM を活用する柔軟性、推奨事項をモデルのソースまで遡って追跡できる透明性、それらのソースとデータを完全に制御する必要があります。

検索拡張生成で LLM を補完すると、次のような利点が得られます。このアプローチにより、医療提供者は、患者の症例に関する正確かつ具体的な情報をリアルタイムで理解しやすい方法で取得できる、費用対効果が高く安全な方法が得られます。

検索拡張生成の仕組み

RAG はプライベート LLM のデータを補完します 医療機関が選択した他の知識源と併用します。これらのソースには、患者記録、臨床ガイドライン、またはその他の種類のデータが含まれる場合があります。 RAG は、ソースからのデータを外部に公開することなく、これらのソースから情報を取得するように LLM に指示します。

これには 2 つの利点があります。 LLM に含まれる一般的な知識は、医療提供者または個々の臨床医のニーズに固有の情報によって補足されます。 LLM の結合 自然言語処理 医療機関が厳選した情報を活用することで、より完全で的を絞った患者ケアが実現します。第 2 に、機密の患者情報や医療提供者情報は、パブリック データベースに公開されることなくオンプレミスまたはプライベート クラウドに保存できるため、リスクの軽減に役立ちます。

患者がめまいを経験し、耳鼻咽喉科の専門医の予約が十分な時間内に取れず、助けを求めて一般開業医を訪れたとします。通常、一般医は患者の症状に基づいて知識に基づいた推測を行う必要があるかもしれません。しかし、RAG で補足された LLM を使用すると、ラップトップに簡単なクエリを入力し、医療機関が発行した最新の臨床診療ガイドラインに基づいて、治療オプションに関するパーソナライズされた最新の推奨事項を受け取ることができます。 米国耳鼻咽喉科学会頭頸部外科。

ただし、RAG は臨床医がより多くの情報に基づいたケアを提供できるよう支援するだけではありません。回答を情報ソースまで追跡できるため、ユーザーは提供された情報が正確かどうかを簡単に確認でき、必要に応じて監査証跡を作成できます。また、モデルの再トレーニングや微調整の必要性がなくなるため、コストの削減にも役立ちます。組織は、必要に応じて既存の LLM に新しいデータを導入するだけで済みます。新しいモデルが導入されると LLM を交換して、LLM のロックインを回避することもできます。

発見する： RAG の実装を改善できる 3 つの領域を次に示します。

LLM は医療機関の API 問題の解決に役立ちます

臨床意思決定サポートのための LLM と RAG の使用 これは、医療における生成 AI の明らかなユースケースです。とはいえ、これが唯一の例というわけではありません。ほとんどの LLM は本質的にトランスフォーマーまたはトランスレーターです。これらは、アプリケーション プログラミング インターフェイスの書き方が不十分または不正な形式であることが原因で発生するデータの相互運用性の問題に対処できる可能性があります。

API は長い間、ヘルスケア業界にとって悩みの種でもあり、恩恵でもありました。プロバイダーは保険請求の処理などでこれらを利用していますが、API がリクエストを理解できないため、多くの請求は拒否されます。

API を介してリクエストを送信し、それが受け入れられることを期待する代わりに、プロバイダーは LLM サービスによってサポートされる API にデータを送信できます。 LLM はデータを受信者が期待する形式に変換し、クレームが拒否される可能性を最小限に抑えます。

この場合、LLM には過度に複雑なことは何も要求されていません。ただし、全体的な影響は医療提供者と患者にとって重大となる可能性があります。これにより、請求拒否の追求に関連するコストが削減される可能性があると、ある調査では推定されています。 年間105億ドル以上、そして患者の満足度を高めます。

準備する： 医療組織における人工知能の導入をわかりやすく説明します。

LLM は 2025 年の予算と患者の懸念を軽減できる

2025 年に入ると、医療分野における生成 AI のハイプ サイクルはついに頂点に達し、そのユースケースがより明確になりました。今は組織にとって次のことを行う絶好の時期です。 LLM をどのように活用する予定であるかを評価する 最大限の効果を得るために。

この評価は来年の IT 予算に影響を与える可能性があります。医療機関は次のような理由からコスト削減に努めているため、社内 LLM の構築は高価であり、最適なソリューションではない可能性があります。 財政的圧力の高まり。オープンソース LLM と RAG 手法を組み合わせると、よりコスト効率の高いオプションになります。

さらに重要なことは、この組み合わせにより、臨床医がより的を絞った正確なケアを患者に提供できるようになるということです。医師は情報を迅速に検索して質問に答えることができ、患者は治療計画を立てて帰宅できます。 生成型 AI の約束 ケアの時点で満たすことができます。