从护理学和计算机科学的角度探讨人工智能研究中应对慢性疾病与环境责任的问题
S. Raquel Ramos 和 Rex Ying
人工智能的指数级增长已经改变了全球的信息生态系统，带来了远远超出其计算能力范围的复杂技术挑战。在护理领域，生成式人工智能和大型语言模型正在迅速重塑临床医生评估患者、预测风险、个性化护理计划以及协调服务的方式。这些工具为医疗保健提供了新的视角和革新方式，以优化患者护理并改善健康结果。尽管这种技术革命的潜力前所未有，但它也带来了复杂的环境和公共卫生影响，尤其是在护士面临日益增加的慢性疾病负担和心血管风险因素的情况下，这些影响值得关注。
心血管风险因素正在上升，美国当前的数据表明，到2050年慢性疾病的负担将非常严重[1]。2023年，约有76.4%的美国成年人至少患有一种慢性疾病，51.4%的人同时患有多种疾病[2]。肥胖症影响了40.3%的成年人，高血压影响了47.3%，2型糖尿病影响了13.5%，糖尿病前期影响了37.2%[1]。这些统计数据凸显了心血管疾病在人群层面的严重影响，因此需要更加重视预防、自我管理和社区护理。
为了解决这一问题，一个由护理、计算机科学、公共卫生和医学领域的专家组成的跨学科研究团队开发了CARDIO[3]：这是一个经过精细调优的大型语言模型，旨在支持临床环境中的心血管疾病预防工作。CARDIO被设计为辅助工具，旨在增强而非取代临床医生的专业知识。在开发过程中，团队优先考虑了患者教育、健康素养和工作流程整合，以确保该工具能够在不增加临床医生负担的情况下提供支持。这些护理方面的考量也促使团队关注人工智能对环境和公共卫生的影响。我们将临床需求与系统管理相结合，将环境和公共卫生影响作为设计的重要因素。
我们通过对一个紧凑型的Llama基础模型进行策略性调优，并收集权威的临床资源和患者论坛内容，创建了专注于特定领域的训练材料，同时注重精确性和效率[3]。在开发过程中，我们还评估了人工智能在计算之外的更广泛系统影响，包括数据中心基础设施对环境造成的负担。目前，美国全国共有3891个数据中心，如果按计划进行扩建，国家的电力需求将大幅增加[4]。预计扩建将使计算能力增加1000%，新增电力容量超过150吉瓦[5]。据估计，某些大型人工智能模型的训练所需水量高达70万升，这可能导致全国电力消耗从4.4%增加到12%[5]。这些数据量化了数据中心对人类生理脆弱性的深远环境影响。这些估计表明，与数据中心基础设施相关的环境因素可能会损害个人健康，从而增加可预防的慢性疾病风险。对于护理实践而言，这意味着人工智能的能源足迹是一个重要的临床问题，应在模型设计和部署决策中予以考虑。
针对这些挑战，我们的跨学科团队提出了在护理研究和临床实践中负责任使用人工智能的若干建议。首先，对于不需要大型语言模型的任务，我们优先选择基于规则的模型，因为护士在研究或临床护理中应用人工智能工具时，应从最有效的方法入手以满足临床需求。其次，在实际应用中，使用人工智能的护士应倾向于选择轻量级的、针对特定任务的架构，并对模型进行有针对性的精细调优，以减少资源消耗、保持模型的可解释性，并在广泛部署前评估其可用性。第三，护理研究人员和临床信息学家应在管理计划中纳入模型退役的标准，以便及时淘汰过时或未被使用的模型，避免不必要的能源消耗。最后，护理研究人员和临床医生应推动制定将临床安全与可持续性相结合的监管和采购标准，使护理专业知识能够指导机构和专业组织内的负责任开发与部署；同时，实践中的护士应提供案例示例和结果数据，确保这些标准能够反映一线实际情况。
未来的技术发展必须超越单纯的计算能力，迈向全面的人类和环境福祉。我们的CARDIO项目表明，人工智能可以在临床应用上非常复杂，同时在环境方面也具有责任感。我们使用了一个轻量级、经过精细调优的模型，该模型旨在辅助临床专业知识，而不会带来不可持续的计算负担。跨学科合作对于将技术基础设施重新构想为生态系统的组成部分至关重要。通过关注临床需求、精心设计、进行有针对性的精细调优以及保持运营透明度，护士可以开发出既能提升患者教育水平、又能节约关键资源、同时为高价值干预措施节省临床医生时间的人工智能技术。CARDIO项目就是这一理念在实践中的具体体现，展示了人工智能在护理护理和环境可持续性方面发挥积极作用的潜力。
