The federal government rarely rushes into untested technology. Public health departments, in particular, can spend years validating a tool before it ever touches patient records or outbreak data. So when U.S. health agencies announced they will run live trials with generative AI systems built by OpenAI and Anthropic, the signal was clear: large language models have moved from consumer experiment to serious institutional candidate.
What PULSE Actually Does
The new effort is called the Public Health Use Case and Learning Scaling Engine—PULSE for short. It is a testing framework, not a product rollout. Rather than dropping chatbots into health department email systems and hoping for the best, PULSE treats generative AI the same way public health treats a new vaccine. It creates controlled conditions where state, local, tribal, and territorial agencies can trial these tools while rigorously watching for side effects.
The program brings together four distinct partners. The Coalition for Health AI (CHAI) supplies healthcare-specific governance and safety standards. OpenAI and Anthropic contribute the frontier language models. Accenture provides the integration expertise needed to connect these systems to existing government infrastructure, which often runs on decades-old databases and strict procurement rules.
PULSE is not asking whether AI can write emails or summarize a meeting transcript. It is asking whether these models can reliably assist with three core tasks: epidemiological surveillance, resource allocation, and public health communication. Each of these sounds abstract, but together they describe the daily burden of running a health department. Surveillance means sifting through lab reports, hospital admissions, and school absentee data to spot an outbreak before it balloons. Resource allocation means deciding, in real time, where to send limited vaccine doses or antiviral treatments during a severe flu season. Public health communication means translating complex federal guidance into plain language for dozens of different communities, often while the clock is ticking on a foodborne illness investigation. If AI can help with any of these without creating extra work or introducing errors, the efficiency gains could be substantial.
Why Ten Jurisdictions Changes Everything
The program will run trials across ten jurisdictions drawn from states, localities, tribal nations, and U.S. territories. That deliberate spread is the entire point. A state health department in a densely populated region, staffed with hundreds of epidemiologists and running fiber-optic networks, faces entirely different constraints than a territorial agency tracking dengue with a skeleton crew and intermittent connectivity.
Tribal inclusion carries particular weight. Tribal health agencies have historically faced chronic underfunding and acute data sovereignty concerns. By including tribal jurisdictions, PULSE acknowledges that any AI tool claiming national utility must handle specialized populations, respect distinct governance structures, and function in settings with unique environmental and social health burdens. If a model cannot perform under these conditions, it does not deserve a federal endorsement.
Territorial agencies add another necessary stress test. Public health officials in U.S. territories manage disease patterns and supply chains that differ sharply from the mainland. An AI assistant that assumes perfect internet connectivity, or that relies on ICD-10 coding habits common in large urban hospitals, will simply fail when a hurricane knocks out infrastructure. The ten-jurisdiction design forces the program to collect hard evidence on whether these models adapt to imperfect environments or fall apart.
From Chatbots to Mission-Critical Infrastructure
For the past two years, the public conversation around large language models has centered on coding shortcuts, marketing copy, and image generation. PULSE deliberately shifts the focus to mission-critical infrastructure. When a health department uses an AI model to parse infectious disease reports, a mistake is not a quirky hallucination. It is a potential public safety failure.
Ця реальність робить цей пілотний проєкт еталоном для вирішення трьох тривалих технічних проблем: точності, мінімізації галюцинацій та конфіденційності даних. У цьому контексті галюцинація може означати, що модель вигадує взаємодію ліків, створює неіснуючий осередок спалаху захворювання або неправильно формулює правила звітності. Структура PULSE дозволяє виміряти, як часто виникають такі помилки та чи можуть технічні запобіжники виявити їх до того, як вони потраплять до особи, що приймає рішення.
Питання конфіденційності має не менш важливе значення. Органи охорони громадського здоров'я працюють із захищеною медичною інформацією, що регулюється HIPAA та додатковими статутами на рівні штатів. Будь-яка система ШІ, що має доступ до цих даних, повинна чітко продемонструвати, що саме вона зберігає, куди спрямовуються дані для навчання та хто може згодом отримати доступ до результатів. Залучення CHAI свідчить про те, що ці випробування перевірятимуть не лише інтелектуальний потенціал моделей OpenAI та Anthropic, а й їхню здатність працювати в межах суворих інституційних структур управління та залишати прозорі аудиторські сліди.
План дій для розробників і регуляторів
Для розробників і засновників стартапів, які створюють ШІ для охорони здоров'я, PULSE пропонує те, чого ринок потребує нагально: видимий стандарт, підтриманий урядом. Молоді компанії часто стикаються з труднощами при спробах продати свої рішення системам охорони громадського здоров'я, оскільки у закупівельників немає єдиного контрольного списку для оцінки безпеки ШІ. Якщо PULSE розробить прозорі критерії для вимірювання упередженості, точності та конфіденційності в адміністративних медичних умовах, ці критерії можуть швидко стати стандартним орієнтиром для постачальників по всій країні.
Програма також натякає на те, як великі мовні моделі (LLM) можуть потребувати еволюції, щоб служити державному сектору. Споживчі чат-боти оптимізовані для плавної та корисної відповіді. Робота державних органів охорони здоров'я потребує посилань на джерела, каліброваної невизначеності та інституційної пам'яті. Модель, що консультує медсестру-епідеміолога, повинна бути здатною сказати «докази неясні», замість того, щоб вигадувати впевнену відповідь. Спостереження за тим, як OpenAI та Anthropic адаптують свої стратегії промптингу та системи пошуку інформації для цього середовища, покаже, чи здатна базова технологія фактично відповідати бюрократичним очікуванням.
Якщо пілотні проєкти пройдуть успішно, отримані технічні та управлінські знання можуть вийти далеко за межі США. Департаменти охорони громадського здоров'я в усьому світі стикаються з аналогічним навантаженням щодо даних та дефіцитом персоналу. Валідована структура для впровадження LLM в епідеміологію та комунікацію в сфері охорони здоров'я може стати міжнародним еталоном, подібно до того, як стандарти FHIR стали такими для електронних медичних карток.
Головний висновок
PULSE — це не обіцянка того, що штучний інтелект виправить систему охорони громадського здоров'я. Це визнання того, що старі методи обробки медичної інформації є занадто повільними та трудомісткими, і що будь-яка заміна має бути перевірена в реальних, різноманітних умовах, перш ніж вона масштабується на національному рівні. Поєднуючи структури безпеки CHAI з передовими моделями від OpenAI та Anthropic і змушуючи ці інструменти доводити свою ефективність у десяти справді різних юрисдикціях, програма ставиться до генеративного ШІ зі скептицизмом, на який він заслуговує, водночас надаючи йому необхідний полігон для випробувань. Для посадовців охорони здоров'я, розробників і громад, яким вони служать, саме такий баланс і є ознакою відповідального впровадження.