几年前，人工智能（AI）承诺重塑医疗领域的临床决策支持（CDS），但这些期望大多未能实现。作为一家支持临床决策的健康科技公司的领导者，我对此深有体会。早期尝试将AI集成到CDS中常常因数据整合、工作流程对齐和临床采用方面的挑战而失败。
例如，IBM Watson曾因在癌症治疗方面的革命性AI而在医疗界引起轰动，但最终未能达到预期。调查发现其采用率有限、准确性令人担忧且存在偏见，导致人们认为它尚未成熟到适用于临床环境。
然而，技术已经成熟。尽管仍存在挑战，但我认为AI现在有能力产生实质性的影响，不过需要仔细考虑其局限性并适当融入复杂的医疗环境。虽然我过去曾写过如何利用AI提供更个性化的医疗保健，并在最近的一期播客中探讨了AI在变革预授权方面的作用，但在这里我特别关注CDS系统的演变以及如何利用AI重塑它们。
从基于规则到个性化
几十年来，临床决策支持系统依赖于静态、基于规则的算法。这些系统根据广泛的类别来治疗患者：如果某人被诊断为糖尿病，他们就遵循这条路径；如果他们经历慢性疼痛，则遵循另一条路径。这种僵化的结构虽然功能健全，但未能捕捉到个体患者的独特性。
生成式AI承诺提供更智能、更动态的解决方案。通过实时输入数据——从遗传信息到行为模式——它可以不断调整其建议，以适应患者的不断变化的状况。这使得方法更加个性化，适应每个患者的具体需求，超越传统CDS的“一刀切”模型。
管理经济和利用率挑战
生成式AI提供个性化建议的能力还可以带来更广泛的好处：改善医疗资源的分配。随着美国医疗成本的上升，管理利用率已成为健康计划面临的紧迫问题。
AI可以帮助早期识别高风险患者，建议预防干预措施，减少不必要的住院。这使健康计划能够在改善患者结果的同时应对利用率压力。然而，医疗组织需要确保AI的成本节约建议符合临床指南。通过在AI系统中嵌入临床护栏并验证建议是否符合循证指南，AI可以确保其结果符合现实世界中的患者需求和安全标准。
在衡量成本节约方面，医疗组织可以跟踪关键指标，如再入院率降低、避免高成本治疗和改进护理管理结果。比较实施AI前后的数据将提供明确的见解，了解AI如何改善资源分配。
打破数据孤岛
医疗领域最大的障碍之一一直是数据的碎片化。健康计划、提供者和患者通常在独立的数据孤岛中运作，难以提供全面的患者健康信息指导的护理。
生成式AI有潜力弥合这一差距。通过整合医疗记录、理赔数据甚至社会健康决定因素，AI可以创建患者健康状况的更全面图景，从而更好地支持决策。为了确保AI使用的数据既安全又可靠，健康计划应实施强大的加密措施，遵守HIPAA法规，并使用FHIR等行业标准以实现互操作性。
利益相关者之间的合作——提供者、支付方和患者——也是最大化AI潜力的关键。通过标准化框架鼓励数据共享并激励协议，可以帮助打破壁垒，促进更有效的数据利用。
欺诈检测和建立信任
AI在欺诈检测方面具有特别的优势，但其潜力不仅限于简单地发现错误。传统上，提供者和支付方之间的关系有时会因编码和计费争议而紧张。
与其将AI视为惩罚性系统，我认为应将其定位为协作工具。通过提供客观、数据驱动的见解，AI可以在问题升级之前预防计费纠纷。例如，AI可以分析某些程序是否真正需要高成本的护理环境，或是否可以在低成本环境中进行。这种数据驱动的方法促进了决策的一致性和透明度。
为了建立信任，AI生成的数据应透明地呈现给提供者和支付方。提供清晰、可解释的AI工具，追踪决策的制定过程，有助于增强对系统的信心。健康计划应建立定期反馈循环，与利益相关者讨论AI输出，帮助各方了解技术的工作原理及其带来的好处。
更智能、更公平的医疗未来
生成式AI为健康计划重新思考临床决策支持提供了巨大的潜力。但成功的关键在于周到的整合。这些工具必须以促进所有利益相关者——健康计划、提供者和患者——之间的信任、透明度和合作的方式嵌入。
尽管AI在过去可能有所失误，但今天的工具更智能、更灵活，更有能力应对医疗领域的复杂性。现在的问题不再是AI能否带来有意义的改变，而是我们如何确保其采用是周到的、协作的，并致力于在医疗生态系统中创造持久的改进。
(全文结束)
