我如何为制药业打造更智能的人工智能工具：从生成式人工智能到代理式人工智能

当我首次开始为制药行业开发AI工具时，我的想法很简单：解决现实中的日常挑战。我花了多年时间观察合规团队在文书工作中挣扎，医学写作人员努力向患者传达复杂信息，以及无数人在医疗旅程中迷失。生成式AI似乎是答案——在许多方面，它确实是。但随着我们看到这些工具的部署，我开始意识到它们的局限性。它们确实强大，但却是被动的——总是等待下一个命令，下一个提示。

这个认识促使我探索自主AI——一个工具不仅仅是响应，而是行动、适应和预见。

在这篇文章中，我将分享我的工具如何体现这些原则，它们当前的能力，以及我对未来的展望。

动态检索以实现更智能的合规分析

监管合规是制药行业中最耗时的过程之一。根据不断变化的行业规范审查宣传声明需要细致的关注、法律知识和数小时的手动工作。我的合规工具通过使用 Retrieval-Augmented Generation (RAG) 简化了这一过程，它将实时数据检索与生成性人工智能的分析能力相结合。

该系统的核心是动态从 Firestore 数据库中获取监管数据的能力。这确保了工具始终使用最新的规则和指南，无论是在分析 ABPI 规范下的声明还是其他框架。

以下是该函数如何检索相关代码摘录以进行分析的方式：

async function getCodeExcerpts(codes) {
  const codeExcerpts = {};
  for (const code of codes) {
    const doc = await db.collection("claims").doc(code).get();
    if (doc.exists) {
      codeExcerpts[code] = doc.data();
    } else {
      console.error(`Code ${code} not found in Firestore`);
      throw new Error(`Code ${code} not found in Firestore`);
    }
  }
  return codeExcerpts;
}

工作原理

1. 选择代码：用户选择他们希望应用于内容的法规代码（例如，ABPI、EFPIA 或 PhRMA）。

2. 获取相关数据：该工具查询 Firestore，以检索与所分析的声明相关的选定代码的确切部分。

3. 为 AI 输出提供基础：这些代码摘录被输入到 AI 中，确保其建议和分析基于经过验证的、特定领域的规则。

通过集成实时检索，该工具消除了过时分析的风险，并确保其输出始终与当前法规保持一致。这不仅节省了用户的时间，还通过将 AI 决策基于可信、最新的数据来降低合规风险。

尽管该工具的当前版本使用 RAG 将其输出基于可靠数据，但它仍然是反应式的，等待用户输入声明或选择代码进行分析。

将其转变为一个完全自主系统将使该工具能够主动采取行动并自主运作。

通过主动采取行动、适应变化并与用户无缝协作，该工具可以显著减轻合规团队的工作负担，同时提高监管审查的准确性和及时性。

但合规只是拼图的一部分。量身定制医疗沟通是 AI 可以帮助解决的另一个关键挑战。

为所有人个性化医疗文本

有效传达医疗信息需要根据不同受众进行调整——患者、护理人员和医疗专业人员都需要以适合他们理解和需求的方式呈现信息。为了解决这一挑战，我开发了一种工具，利用特定受众提示结合生成性人工智能动态优化医疗文本。

以下是后端如何处理不同受众文本的示例：

async function optimiseText(text, audiencePrompt, tonePrompt, apiKey) {
    try {
        const response = await callOpenAI(apiKey, [
            {
                role: "system",
                content: `${audiencePrompt} ${tonePrompt}`
            },
            {
                role: "user",
                content: text
            }
        ]);
        return response;
    } catch (error) {
        console.error("Error in optimiseText:", error);
        throw error;
    }
}

工作原理

1. 受众提示：每个受众都有特定的提示。例如：

• 对于儿童：“像跟7岁的小朋友说话一样解释这个。使用简单的词汇、短句子和有趣的类比。”

• 对于药剂师：“关注与药物相关的细节、药物相互作用和患者咨询建议。”

2. 语气提示：该工具还根据用户的偏好调整语气，例如使消息更自信、友好或科学。

3. 生成式AI处理：该工具将文本、受众提示和语气提示发送到OpenAI的API，返回量身定制的响应。

通过将医学文本适应受众和语气，该工具弥合了沟通差距，确保复杂的医学信息清晰、易懂且可操作。

目前，该工具依赖提示来调整内容。为了使其更具自主性，我正在努力融入**实时反馈循环。**例如，如果用户持续偏好更简单的解释，该工具可以随着时间的推移自动调整其输出。

赋能患者，准备好提问

理解医疗记录只是患者面临的一半挑战——在医生预约期间提出正确的问题可以带来巨大的不同。Patiently AI 是一款 iOS 应用，能够根据用户的医疗记录生成相关的、量身定制的问题。该功能确保患者在与医生讨论健康问题时感到更加自信和准备充分。

以下是后端生成这些问题的方式：

func generateQuestions(fromText text: String, completion: @escaping (Result<[String], Error>) -> Void) {
    guard let url = URL(string: "https://us-central1-medicaltextoptimiser.cloudfunctions.net/translate") else {
        completion(.failure(NSError(domain: "Invalid URL", code: 0, userInfo: nil)))
        return
    }

    var request = URLRequest(url: url)
    request.httpMethod = "POST"
    request.addValue("application/json", forHTTPHeaderField: "Content-Type")

    let payload: [String: Any] = [
        "type": "generateQuestions",
        "text": text
    ]

    do {
        request.httpBody = try JSONSerialization.data(withJSONObject: payload, options: [])
    } catch {
        completion(.failure(error))
        return
    }

    URLSession.shared.dataTask(with: request) { data, response, error in
        if let error = error {
            completion(.failure(error))
            return
        }

        guard let data = data, let httpResponse = response as? HTTPURLResponse, httpResponse.statusCode == 200 else {
            completion(.failure(NSError(domain: "Invalid Response", code: 0, userInfo: nil)))
            return
        }

        do {
            if let json = try JSONSerialization.jsonObject(with: data, options: []) as? [String: Any],
               let questions = json["questions"] as? [String] {
                completion(.success(questions))
            } else {
                completion(.failure(NSError(domain: "Invalid JSON", code: 0, userInfo: nil)))
            }
        } catch {
            completion(.failure(error))
        }
    }.resume()
}

工作原理

1. 用户输入：用户提供他们的医疗记录作为输入。

2. 定制生成：后端处理这些记录并生成相关问题的列表。

3. 可操作输出：这些问题经过定制，旨在帮助患者明确诊断、治疗方案和后续步骤。

示例输出

对于输入：“患者被诊断为高血压，并被开处方氨氯地平，”应用程序可能生成：

• 氨氯地平的用途是什么，它是如何起作用的？

• 有哪些副作用我应该注意？

• 我应该服用这种药物多长时间，有没有替代药物？

目前，应用程序要求用户在采取行动之前输入医疗记录。一个真正具有自主性的版本将会随着时间的推移监测患者数据，提供提醒、警报和量身定制的建议而无需明确输入。

我在过程中学到的东西

为医疗保健构建AI工具是一段开阔眼界的旅程。这让我看到了技术在重塑制药和医疗保健方面的巨大潜力。以合规工作流程为例——AI不仅节省时间；它还帮助团队更好地理解规则。通过突出关键点并使复杂的指南更易于遵循，这些工具可以将一个令人沮丧的过程转变为一个更顺畅、更自信的过程。

患者沟通工具的开发同样教会了我们一些宝贵的东西。虽然我们最初的目标是简化医学语言，但我们逐渐意识到，有效沟通不仅仅是词汇的问题。它还涉及上下文、时机和个人偏好。这一见解正在塑造我们对AI在医疗沟通中角色的思考——不仅仅是作为翻译者，而是作为一种能够适应个人学习风格和理解水平的工具。

或许最重要的是，这项工作强调了AI的最大潜力不在于自动化——而在于增强。目标不是取代医疗专业人员，而是为他们提供能够处理常规任务的工具，从而腾出时间来专注于最重要的事情：复杂病例和患者关系。

向完全自主的工具迈进

展望未来，人工智能工具的发展指向一个未来，在这个未来中，人工智能不仅仅是一个被动的工具，而是医疗保健中的积极参与者。想象一下，走进医生的办公室，你的医疗人工智能伴侣已经：

· 分析了你最近的症状和实验室结果

· 根据你的健康历史准备了相关问题

· 识别了潜在的药物相互作用

· 根据你的个人模式建议了生活方式调整

但仅靠技术并不是解决方案。我们正在构建的未来是一个人工智能与人类专业知识和谐共存的未来，彼此增强对方的能力。我们下一代工具将专注于这种微妙的平衡，创造能够主动采取行动的系统，同时尊重人类判断和同理心的不可替代角色。

我邀请你加入关于医疗保健人工智能未来的对话。无论你是医疗服务提供者、技术专家还是患者，你的观点都很重要。我们今天正在构建的工具将塑造明天的医疗保健体验，最佳解决方案将来自多样化的声音和观点。

我们今天正在构建的医疗工具将塑造明天的患者体验。我很想听听你的想法——无论你是提供者、技术专家还是患者，让我们合作创造一个人工智能不仅节省时间而且真正改善生活的未来。

关于我

我是Nick Lamb，博士，一名制药创新者和AI工具的创造者，如Patiently AI和MedCheckr。我专注于弥合AI与医疗保健之间的差距，使流程更智能，更以人为本。

更多故事

https://readmedium.com/from-generative-ai-to-agentic-ai-pharmas-next-revolution-1cbf1721252c

与我联系

• LinkedIn: linkedin.com/in/medcopywriter

• 网站: pharmatools.ai