英国NHS大模型应用：现状、挑战与启示

来源：HIT专家网  作者：郑西川

作为全球最大公共医疗系统之一，英国国家医疗服务体系（NHS）积极探索大模型在电子病历共享中的应用，以提高医疗效率、优化资源分配并改善患者健康状况，并尝试应对数据隐私、算法偏见、模型可解释性等挑战。

NHS项目的大模型应用现状

1.疾病预测与诊断

NHS利用大模型分析海量电子病历数据，以预测疾病风险并辅助临床决策。例如：

Foresight模型：由DeepMind Health开发，基于5700万患者的匿名医疗数据，可预测住院风险、心脏病发作等数百种疾病。该模型通过分析患者病史、用药记录和就诊数据，帮助医生提前识别高风险患者，优化治疗方案。

癌症预测算法：由伦敦玛丽女王大学和牛津大学联合开发的AI模型，利用740万患者的电子病历数据，精准预测肝癌、口腔癌等15类癌症的风险，提高了早期诊断率。

2.医疗资源优化

大模型帮助NHS优化医疗资源配置，例如：

智能分诊系统：如Babylon Health的AI问诊平台，通过自然语言处理（NLP）技术分析患者症状，提供初步诊断建议，减少非紧急就诊压力。

住院预测与床位管理：AI模型可预测未来住院需求，帮助医院提前调整床位和医护人员配置，提高运营效率。

3.个性化健康管理

NHS利用AI分析患者长期健康数据，提供个性化预防建议。例如：

慢性病管理：AI模型可监测糖尿病、高血压患者的用药和健康数据，提醒医生调整治疗方案，减少并发症风险。

心理健康支持：AI聊天机器人通过分析患者情绪数据，提供心理干预建议，缓解NHS心理健康服务压力。

大模型应用面临的困难及解决方案

1.数据隐私与安全问题

NHS电子病历包含大量敏感个人信息，模型训练需使用大规模数据，可能引发隐私泄露风险。2023年，Foresight模型项目因未经充分告知使用GP（全科医生）数据而引发争议，导致英国信息专员办公室（ICO）介入调查。

目前的解决方案是：

（1）数据匿名化与加密：采用差分隐私（Differential Privacy）技术，在保护患者身份的前提下训练AI模型。

（2）严格访问控制：仅授权医疗专业人员访问敏感数据，并建立审计机制，防止数据滥用。

（3）合规监管：遵循《英国数据保护法》（UK GDPR）和《NHS数字数据战略》，确保AI应用符合伦理和法律要求。

2.算法偏见与公平性问题

AI模型可能因训练数据偏差（如少数族裔数据不足）导致诊断不准确，加剧医疗不平等问题。例如，某些AI模型在预测心血管疾病时，对女性或少数族裔的预测准确性较低。

目前的解决方案是：

（1）多样化数据训练：确保训练数据涵盖不同年龄、性别、种族和地区人群，减少算法偏见。

（2）公平性评估：定期测试AI模型在不同人群中表现，优化算法以提高公平性。

（3）人工复核机制：AI诊断结果需由医生审核，避免完全依赖机器决策。

3.模型可解释性与临床信任问题

许多AI模型（如深度学习）是“黑箱”系统，医生难以理解其决策逻辑，影响临床信任度。NHS医生可能对AI预测的住院风险存疑，导致采纳率较低。

目前的解决方案是：

（1）可解释AI（XAI）技术：采用SHAP（SHapley Additive exPlanations，一种基于博弈论的模型解释方法，通过计算特征对模型预测的边际贡献来解释复杂机器学习模型的决策过程）等可解释性方法，帮助医生理解AI模型决策依据。

（2）人机协作模式：AI提供初步诊断建议，医生结合临床经验进行最终判断，提高诊断可靠性。

4.法规与伦理挑战

AI医疗应用缺乏统一监管框架，导致责任归属不清（如AI误诊时的法律责任）。英国医学会（BMA）曾呼吁加强AI医疗应用的伦理审查。

目前的解决方案是：

（1）建立AI医疗监管标准：英国NHS与MHRA（药品和保健品监管局）合作，制定AI医疗设备审批标准。

（2）伦理委员会审查：所有AI医疗项目需通过伦理委员会评估，确保符合患者权益保护原则。

对我国电子病历发展的启示

1.加强数据治理与隐私保护

我国电子病历共享面临类似的数据隐私挑战，可借鉴NHS经验：

推动数据安全立法：我国《个人信息保护法》和《数据安全法》已为医疗数据隐私保护提供法律框架，但需进一步细化医疗AI应用的数据使用规范，确保患者知情权和数据控制权。

采用隐私计算技术：如联邦学习（Federated Learning）和多方安全计算（MPC），使AI模型在保护数据隐私的前提下进行训练，避免数据集中存储带来的风险。

建立分级访问机制：借鉴NHS的严格访问控制策略，我国可建立医疗数据分级授权体系，确保不同层级的医疗机构和人员只能访问与其职责相关的数据。

2.提高AI模型的公平性与可解释性

构建全国统一的医疗数据标准：我国电子病历数据标准尚未完全统一，导致不同医院的数据难以互通。可借鉴NHS的SNOMED CT和DICOM标准，推动全国电子病历标准化，提高AI模型的泛化能力。

加强医疗数据多样性：我国地域广阔，医疗数据分布不均，AI模型可能对基层医院或偏远地区患者的数据学习不足。应建立覆盖不同地区、年龄、性别和疾病类型的医疗数据库，减少算法偏见。

推广可解释AI技术：我国医疗AI应用需提高可解释性，使医生能够理解AI的决策逻辑。可借鉴NHS的SHAP等可解释性方法，推动AI模型在临床中的透明化应用。

3.完善AI医疗监管体系

制定AI医疗应用国家标准：可参考英国NHS与MHRA的合作模式，建立AI医疗设备的审批和监管标准，明确AI诊断的法律责任归属。

设立AI医疗伦理委员会：借鉴英国BMA和RCGP的经验，可成立跨学科的AI医疗伦理委员会，对AI医疗项目进行伦理审查，确保技术应用符合患者权益保护原则。

推动“AI+医生”协作模式：医疗AI应用需避免“完全替代医生”的误区，而是采用人机协作模式，让AI提供辅助诊断建议，医生结合临床经验进行最终决策。

4.推动电子病历共享与互联互通

打破“数据孤岛”：我国电子病历数据分散在不同医院，共享难度大。可借鉴NHS的全国性电子病历共享平台经验，推动区域医疗信息互联互通，建立国家级电子病历数据中心。

加强基层医疗AI应用：我国基层医院AI应用能力较弱，可借鉴NHS的智能分诊系统经验，在基层医疗机构推广AI辅助诊断工具，提高基层医疗水平。

【作者简介】

郑西川，上海交通大学附属第六人民医院计算机中心教授级高工。上海交通大学医学院生物医学工程专业硕士研究生导师，苏州大学放射医学与公共卫生学院生物医学工程专业硕士研究生导师。中国医院协会信息专业委员会（CHIMA）委员，中国医药信息学会（CMIA）委员，上海市医院协会信息管理专业委员会委员，中国医药信息学会上海分会常委，中国生物医药技术协会医药信息分会常委，《医疗卫生装备》杂志特约审稿专家。

研究方向：①基于PACS电子病历的临床信息共享；②HL7/XML电子转诊相关技术及应用研究；③区域临床信息共享及协同医疗信息技术研究；④数字化医院的相关标准及实现技术。近年来，先后承担上海市“十一五”重大科技项目、上海市科委自然科学基金项目、上海市经济信息委信息化专项基金以及院级课题多项。发表论文40余篇。

【责任编辑：陈曦 版式：明超】