尽管美国因其多元化的人口而被称为“大熔炉”，但医疗保健领域却凸显了一个更为严重的问题——多样性。医疗保健是一个高度依赖证据的实践，从诊断到治疗，再到药物和医疗器械测试，几乎每个方面都使用数据。然而，由于缺乏证据，深刻的种族差异已成为常态。只有14%的日常医疗决策基于高质量的证据。这些证据来自30%的美国人口，而70%的美国人口被排除在临床试验之外。尽管女性占总人口的一半，但女性健康历来缺乏资金和研究。这可能部分归因于FDA在1977年的政策，该政策建议将有生育能力的女性排除在药物试验的早期阶段。这一政策最终导致了关于药物如何影响女性的数据短缺，直到1994年通过了一项法律，要求国家卫生研究院（NIH）确保女性参与临床试验。
少数族裔患者，包括黑人、拉丁裔和亚裔，也极少被纳入临床试验，这造成了显著的证据缺口，导致不良结果或基于过时和有问题的算法强化刻板印象和偏见，进而导致误诊和不适当的治疗。黑人和美洲印第安人及阿拉斯加原住民（AIAN）的预期寿命较短，且妊娠相关死亡率最高。相比之下，夏威夷原住民和太平洋岛民的健康差异仍无法准确分析，因为存在显著的数据缺口。例如，在马萨诸塞州，夏威夷原住民和太平洋岛民仅占人口的不到0.2%。如果这个群体中的人被送往急诊室，并且对当地人群的常规治疗方案产生抗性，会发生什么？不幸的是，这种情况比你想象的要常见得多。在这种情况下，除非医疗团队能够访问更大规模的多样化数据，否则患者可能会面临病情恶化的风险。例如，波士顿的一家急诊室可以理想地从夏威夷的医疗系统中提取数据，确保患者获得最合适的个性化治疗，因为不同的人群对治疗的反应不同。然而，这种做法可能需要临床医生花费数小时的时间来筛选研究，以确定哪些数据最适合每位患者。
不仅仅是少数族裔，农村社区在证据收集方面也被严重忽视。由于缺乏访问和意识，只有三分之一的临床试验参与者来自农村社区。农村医疗系统通常人员不足且资源匮乏，因此，向临床医生提供来自全美城市医疗系统的数据不仅能够产生更积极的结果，而且通过AI技术，可以加快决策过程，为临床医生节省宝贵的时间，使他们不必花大量时间筛选研究。证据是填补这些空白的关键，而AI则是将证据转化为现实世界洞察力的必要工具。证据是医疗保健的交易单位。我们用它来决定给予哪些治疗，衡量这些治疗的效果，并确保我们为正确的患者提供适当的护理。鉴于数据访问方面的这些差异，少数族裔群体的护理缺乏必要的证据来指导这些决策。医疗系统和生命科学公司必须重新评估其数据和证据的方法，用高质量的证据填补数据空白，以便更好地为临床医生提供信息，无论患者的种族、性别或地理位置如何，都能带来更积极的患者结果。
幸运的是，最近在匿名真实世界证据生成和AI创新方面的进展使公司能够重新评估现有数据集，并通过额外的外包数据来弥补空白。通过这样做，我们可以增加可用的证据，使个性化医疗的梦想成为现实，即使对于代表性不足的患者也是如此。AI可以在大规模生成证据，而不仅仅是快速生成。这些工具可以同时运行数十万项研究，为妇女、儿童以及其他在临床试验和其他研究中代表性不足的人群（如合并症和疾病组）生成广泛的证据。生成证据的最大障碍之一是繁琐的病历分析和冗长的去识别化过程。生成式AI的存在就是为了自动化这些即将来临的任务，其中之一就是生成真实世界证据。AI可以加快这一耗时的过程，并为研究人员和临床医生提供去识别化的数据，填补代表性的空白。这些数据集随后可以被编译，用于为大型语言模型（LLMs）提供更准确的研究级证据，或补充临床决策所需的缺失数据，确保少数族裔群体有更多的研究可用。
投资LLMs的公司希望确保其模型的数据具有相关性和证据基础。从已发表文献或真实世界数据中生成的适当证据可以解决这个问题。尽管一些医生使用ChatGPT进行临床决策，但通用目的的LLMs（如ChatGPT）在医疗保健领域不可靠，因为它们不是基于真实世界证据生成的，因此会产生不准确的输出。AI工具还设计用于评估和增强数据质量，使医疗系统和生命科学公司能够识别空白并采取可操作的步骤来填补这些空白，确保未来的医疗决策有足够的证据支持。对于使用LLMs为决策提供信息的临床医生，数据评估工具可以根据证据与患者背景的匹配程度对其质量进行排名。它还可以生成未来的护理建议，并包括更新的数据供后续使用。数据评估工具甚至可以告知医生提供的数据集与其问题的契合度，揭示建议的可信度并解开响应中的任何不一致之处。
AI将使我们在医疗保健中提供更多个性化服务。随着证据在几分钟内生成，广泛指南的时代将一去不复返，因为研究人员和临床医生将拥有个性化的证据，可以彻底改变基于价值的护理。随着我们接近2025年，AI工具必须专注于生成高质量的证据。那些通过透明性、高质量方法和能够从临床医生那里获得基于信任的响应的能力来实现这一目标的工具，将在长期内取得成功并彻底改变基于证据的护理。
(全文结束)
