构建中低收入经济体医疗健康领域的人工智能协作生态系统 - AI与医疗健康

引言

在过去的二十年中，人工智能（AI）已成为第四次工业革命中最基础且应用最广泛的技术之一。AI凭借其无与伦比的能力，能够将大量数据转化为可操作的洞察，从而在医疗健康领域产生变革性和颠覆性进展，这些进展包括改善疾病检测、诊断和治疗，加强监测并加速公共卫生响应，以及如今的快速药物发现和医学影像解读。

鉴于其广泛的应用范围，AI无疑将在大多数国家实现全民健康覆盖（UHC）和可持续发展目标（SDGs）的进程中发挥核心作用。然而，与高收入国家（HICs）相比，中低收入国家（LMICs）在医疗健康领域的人工智能开发却呈现出分散发展的局面，尽管它们的公共卫生状况正在趋同。随着发展中国家收入的增长，LMICs的健康状况和预期寿命已显著改善，逐渐接近HICs的水平。这一发展激发了对服务日益增长的需求、交付和创新成本的上升，以及在建立适当医疗 workforce方面的挑战。

与此同时，流行病学转变和人口结构变化已将LMICs的疾病负担从传染性疾病转向非传染性疾病（NCDs），如心血管疾病、癌症和糖尿病，这与HICs的情况类似。然而，LMICs中与NCD相关的发病率要严重得多——据估计，在每年30至69岁之间因NCDs死亡的约1500万人中，85%发生在LMICs。

尽管LMICs和HICs在人口统计学和健康状况发生率方面趋于一致，但在医疗服务质量与可及性方面仍存在巨大差距，这导致了截然不同的健康结果。目前，世界卫生组织（WHO）数据显示，超过40%的国家每10,000人拥有不到10名医生，超过55%的国家每10,000人拥有不到40名护理和助产人员。截至2017年，全球只有三分之一到一半的人口能够获得基本的卫生服务。毫不奇怪，关键健康指标如孕产妇死亡率在低收入国家（LICs）高达每10万活产495例，而在HICs仅为17例。五岁以下儿童死亡率（低收入国家为每1000活产69例，HICs为5例）以及疟疾等传染性疾病的发病率（低收入国家每1000风险人口189.3例，HICs为零）也存在类似差异。

为了改善LMICs的服务提供和健康结果，国际社会已启动了一项协调努力，以缩小卫生系统准备和资源方面的差距，包括世界卫生大会在其第71届会议上通过的决议，呼吁在全球数字健康方面作出承诺。作为这一努力的一部分，越来越多的数字和AI赋能的举措已经启动。研究人员断言，AI赋能的医疗保健可以改善服务获取（特别是在偏远地区）、提高护理的安全性和质量、实现成本节约和效率提升，并作为教育工具。

事实上，LMICs的优势包括智能手机快速普及、灵活的卫生系统以及一些低技术应用的成功案例，这些都为AI实验提供了理想环境。虽然数字健康在这些经济体中正在起飞，但将这一运动进一步推进到卫生系统的新兴技术转型中，不仅可能引发对数字系统准备的新推动，而且可能因LMICs需要比其他经济体更快地实现转型性影响而成为必要。

然而，在LMICs实施AI解决方案面临多重经济、制度和监管挑战。尽管AI解决方案已在LMICs中进行试点，用于诊断、临床决策支持和预测某些疾病的传播，但从试点到规模化仍存在诸多问题。随着技术的发展和普及率的提高，AI实验将不可避免地增加。要使AI赋能的技术真正改变医疗保健并改善国家和全球健康结果，必须解决数据可用性、商业模式可持续性以及缺乏支持性基础设施等跨领域挑战。AI赋能解决方案的成功将需要国家和国际战略，以及为减少卫生生态系统孤岛化而制定的愿景，同时投资于建设数据驱动型产业的基础。

人工智能赋能卫生系统的关键要素

一、强大的数字健康基础

尽管AI干预具有明确的前景，但监管和实际挑战阻碍了它们在LMICs中的部署和规模化。数字健康基础设施构成了AI等数字健康干预的基础。由于缺乏技术共识、人力资源有限、卫生系统能力不足以及在低资源环境中扩展数字健康的研究所不足等多种因素，LMICs中这一基础设施的扩展受到了阻碍。然而，全球社会已承诺解决这些挑战，以确保LMICs的人口能够从AI和数字健康中受益。2019年，联合国秘书长数字合作高级别小组建议"到2030年，每位成年人都应拥有负担得起的数字网络接入，以及数字化赋能的金融服务和健康服务，作为对实现可持续发展目标作出重大贡献的手段"。

全面理解，数字健康指的是在医疗保健中使用任何数字技术。虽然它曾经仅限于电子健康（使用信息通信技术促进健康），但该领域已扩大到包括基因组学、大数据、人工智能等。此前，世界卫生组织鼓励各国制定实施电子健康服务的战略计划，这仅限于确保以安全的电子形式向正确的人在正确的时间提供健康信息，以实现高效的健康服务交付。电子健康仅限于通过电子健康记录（EHR）、患者登记册和其他共享知识资源以及基本跟踪系统确保信息交换。

确保稳健的电子健康系统意味着各国必须致力于通过制定政策、立法和标准来解决许多复杂挑战。这些问题包括互操作性和标准化、缺乏物理基础设施（如网络）、与核心服务的整合，以及现有劳动力中电子健康知识和技能的不足。世界卫生组织和国际电信联盟于2012年发布了国家电子健康战略工具包，指导各国建立稳健的电子健康生态系统，从实验和早期采用到主流化。

自那以后，医疗保健行业的进展一直滞后。虽然银行和金融等领域的部门已经能够通过增加数字化和有针对性的政策，转型并满足LMICs中大量无银行账户人口的特定需求，但医疗保健却不能这样说。根据第三次全球电子健康调查（2016年），只有约一半的世卫组织成员国拥有电子健康战略。此外，只有47%拥有国家电子健康记录系统，54%报告有保护电子持有患者数据隐私的立法。

稳健的隐私立法、可互操作的电子健康记录和动态登记册都是数字化卫生系统的核心要素，在此基础上可以构建有效的AI解决方案。因此，功能良好的电子健康系统和明确定义的电子健康战略构成了AI赋能生态系统的第一个基础。

二、现代化和整合的健康项目

创新过程必须以不与公共卫生交付系统分离的方式继续进行。分散的创新导致整个卫生系统收益次优。这在LMICs中尤为相关，因为初级和公共卫生保健仍然是实现健康目标的最重要元素。AI创新与现有健康项目的整合需要双管齐下的努力，即确保健康项目有能力支持AI开发，并确保开发的AI符合这些项目的目的。

前者需要卫生系统具备数字健康准备能力，主要是在最后一英里建立可靠的ICT基础设施，并建立准确和数字化数据收集的能力。从纸质记录转向数字数据收集的挑战是大多数发展中国家面临的挑战，主要是因为一线卫生工作人员迁移到数字化工具不足。因此，以用户为中心的方法对于确保现场数据收集工具能够以时间效率和成本效率的方式实际整合到工作人员既定工作流程中至关重要。这些工具的本地所有权和共同创造也可以提高采用率和维护这些系统的本地便利性。

数据收集也与数字健康生态系统的开发密切相关，包括两项同时进行的措施。首先，必须重新评估现有数据收集的方式，检查冗余并创建最小可行的数据集进行收集。这意味着不同项目的数据收集可能需要协调，以确保渐进的数据收集是数字化的并具有可接受的质量。同时，可能需要努力将现有数据（信息系统或纸质记录中的数据）数字化，并确保机器可读性，以便AI可以使用。

后者要求算法基于将要整合到的卫生系统构建。具体来说，算法必须考虑技术和程序可行性，以便适合其目的。为指导开发，解决方案制定者可以使用WHO健康技术评估（HTA），这是一个多学科过程，以系统、透明、无偏见、稳健的方式总结与使用健康技术相关的医疗、社会、经济和伦理问题的信息，作为确定干预适当性的手段。此外，可能需要对项目设计进行重大修改，以实现数据的收集和使用，特别是关于现有医疗保健工作者的培训，以及建立使收集的数据得到适当管理的结构，目标是在项目中创建共同的数据语言。

卫生系统规划者可能更好地致力于将AI整合到健康项目中的小幅渐进式变化，因为大规模的破坏可能会阻碍卫生服务提供并产生对变革的抵制。可以探索更简单的流程优化工具，这些工具不提供缓解或诊断，但帮助人力资源更有效地执行。这创造了数据优化和信任技术的文化。例如，流程和人口层面的AI工具为国家健康项目提供了巨大效益，并且相对容易整合，因为它们不需要支持临床环境中AI所需的严格监管标准和认证。在任何情况下，医疗工作者相应的教育和能力建设，以及为使用这些工具建立适当的硬件物流和采购渠道，都是至关重要的。

三、基础监管框架

一个全面的AI监管系统理想情况下涵盖了AI模型从数据收集到模型认证、部署和监控的整个产品生命周期。然而，这是一个随着医疗健康行业中AI的发展和成熟而演变的过程。对于正处于数字健康和AI转型前沿的大多数LMICs来说，是政府和民间社会引领AI发展的浪潮。因此，他们的自然重点应该是公共卫生应用，而不是高级临床应用，如放射学的计算机视觉，鉴于改善和扩大LMICs初级医疗保健的关键性。

因此，在AI生态系统发展的第一阶段，政府的重点应该是监管任何AI模型的最基本模块：数据。数据的伦理使用，特别是在能够保护隐私的方式下，是许多LMIC政府和在AI和数字健康领域工作的利益相关者的重要关切。然而，只有132个国家制定了立法来确保数据保护和隐私。在亚洲和非洲，采用率仅为55%。

为医疗健康中的AI建立生态系统，首先需要每个司法管辖区至少有一套最低限度可行的数据治理原则和标准，这些原则和标准与建立可互操作的数字健康生态系统所需的原则和标准类似。虽然可能存在一系列全面的医疗保健数据治理监管框架，但确保功能良好的AI生态系统的最精简方式是在早期阶段关注两个要素：（i）数据收集和管理（确保质量、互操作性和机器可读数据）；以及（ii）数据共享（以保护隐私的方式）。

因此，法规应同时要求并激励记录所有健康数据，遵循基于国家/国际共识的最低限度可行标准集。这包括标准化数据结构（数据如健康事件摘要、处方、护理计划等的存储一致性）以及共同的医学术语（使用共同语言描述疾病、症状、诊断等，如WHO-ICD10、SNOMED CT、DICOM等）。一套共同标准将确保所有参与者之间的语义和技术互操作性。FAIR指导原则规定了存储数据的良好数据管理实践，使数据可查找、可访问、互操作和可重用，同时强调机器可操作性。

在缺乏全面隐私法规的情况下，监管机构应定义标准和规范，确保隐私作为使用敏感和个人健康数据的所有操作的核心（在西方立法中被称为"设计隐私"，如欧盟的《通用数据保护条例》）。这种方法可以包括强制执行安全和访问控制标准，如ISO 22600:2014。然而，它还需要就如何确保患者同意和定义数据所有权的关键问题达成政策共识，特别是为了与AI开发者共享数据进行处理。这就是围绕去标识化和匿名化的政策和标准可以在保护隐私与利用数据促进健康创新之间取得平衡的地方。虽然存在实验性和新型的数据共享模型、协作和权威机构，但第一步和最快捷的步骤应该是为所有利益相关者之间定义标准模型协议，规定数据受托人和请求数据访问方应采取的隐私和安全措施。

四、开源生态系统

技术基础设施堆栈已被广泛接受为推动不同行业创新和应用开发生态系统的催化手段，最突出的是金融服务（例如，印度Stack）。堆栈方法利用解决特定行业跨领域基本需求的水平解决方案。在AI中，特别是医疗健康，这意味着创建开放的数字公共资源，如开放数据集、软件代码库和通用工具，使应用程序具有成本竞争力、达到规模并基本互操作。

虽然可以确立关于数据如何存储、管理和共享的互操作性标准，但由于缺乏激励，其广泛采用的挑战仍然存在。遵守这些标准也可能成本高昂，因为它涉及重新设计许多系统。这个障碍正是开源工具和库可以发挥作用的地方，通过将这些基础框架和标准本身纳入其中，并允许创新者在其基础上构建，确保各级快速扩散和采用。由于开源软件可以轻松下载和测试，它可以鼓励创新者在监管标准的范围内工作，而不必花费大量资源确保合规性，这反过来可以降低最终用户的成本。这是一种低接触监管方法，借助开源工具。

此外，通用工具可以有效地推动基于开源框架构建的经济实惠、方便、即插即用应用程序的创新生态系统。"开放战略"导致了1998年的第一个开源程序Netscape Navigator。创建者从学术界获得灵感，意识到如果研究人员将其研究方法保密，创新将如蜗牛般缓慢，科学进步将受阻。在AI中，开源战略培养了"制造者"文化。通过向公众提供框架、数据集、工作流程、模型和软件（即用于训练），这种文化使公司能够以更成本效益的方式更自由地创新。这种模式对LMICs具有巨大潜力，因为拥有公共平台可以启动创新者社区中分散的同行和协作生产，创建AI生态系统所需的共同知识和资源池。

关键开源工具促进AI创新包括：

a) 数据去标识化

个人信息健康信息高度敏感，通常需要最高级别的安全和访问控制。确保健康信息的伦理获取是医疗健康中AI解决方案开发和可行性的关键。这对于人口多样性高的国家尤其重要，以实现具有代表性和准确的模型。

虽然在发达国家如美国和欧盟中数据共享的规范相当明确，但许多LMICs尚未颁布此类立法。美国《健康保险流通与责任法案》（HIPAA）认识到共享数据以促进数字健康创新的必要性，因此鼓励去标识数据共享。伊利诺伊州的整合医疗企业等非营利组织以及安大略省信息和隐私专员也发布了医疗保健环境中数据去标识化的指示性操作指南。

虽然区域背景可能需要适应，但去标识化或匿名化作为创新需求与隐私保护之间的平衡因素的原则已得到广泛认可。然而，这也可能给LMICs中的AI参与者带来显著的成本负担。因此，需要开源和补贴的去标识化服务。这也确保了去标识化方法的应用，以及工具工作的背景和数据对所有实体可见以进行批评。在隐私法规不明确的地区，这些规定在创造透明度方面发挥着重要作用。

虽然存在各种去标识化工具，但它们可能需要适应本地规范和敏感性。由LMICs中的集体或政府建立的开源程序，与国家标准与技术研究院下属的美国隐私工程计划等既定程序合作，将有助于为国家医疗健康AI行业设定连贯的方向。相比之下，具有平行和不同标准的行业将需要在生态系统发展过程中 painstakingly（费力地）匹配和纠正，从而阻碍部门发展。

b) 开源数据库

全球很大一部分健康数据以非结构化数据形式存在，信息系统往往手动操作并存放在物理文件中。虽然LMICs中汇编大型数据集的努力正在进行中，但由于卫生系统的分散性质，这些努力常常变得复杂。尽管面临挑战，卫生系统的数字化和系统化具有渗透到各级医疗保健人员的多种优势。高质量数据集的可用性对于训练AI模型有效高效运行也至关重要。

开源数据库代表了管理健康数据的可持续方式。它们允许利益相关者根据定义的使用指南，从透明、公共管理的资源中贡献和检索。数据的公共监督也增强了对政府的问责，进而带来更高质量的数据。

鉴于收集代表性健康数据通常成本过高，它经常成为构建AI健康干预实体的进入障碍。为了使解决方案开发在经济上可行，并避免正在开发的医疗保健模型中的偏见，LMICs需要构建一个代表其人口的稳健数据集库。儿童健康与发展研究或OpenfMRI等研究机构和非营利组织已创建了几个这样的健康数据存储库。在LMICs中，在单一平台上创建此类数据库的协同机构推动将是启动本地医疗健康AI中心的第一步。

包括印度在内的几个国家已经详细说明了此类数据库的结构，印度提出了多层健康信息交换。该政策还规定数据存储在本地数据库中，而密钥存储在集中式数据库中，从而提供增强的数据安全性和访问控制。虽然划定的系统用于维护个人健康记录，但可以添加额外的一层，以便汇总或去标识数据，使其能够在不侵犯个人隐私的情况下公开共享。印度政府还计划创建国家AI平台（NAIRP），该平台被构想为开放数据、知识和创新平台。

开放数据平台还允许轻松部署其他服务，这些服务可以为积极使用系统的利益相关者增加价值。数据细分应用程序就是这样一个工具。虽然为机器学习目的准备数据可能涉及对医疗数据进行广泛的注释和细分，但对传入数据进行分类和标记允许数据集相互链接并易于搜索。特别是在LMICs中的平台上部署此类工具，可能使资源受限的公共卫生医院能够在不额外麻烦标记和细分的情况下添加数据。由此进入的数据可以为医疗保健专业人员、政策制定者和技术人员带来巨大价值，因为公共医疗保健是唯一选择的社区数据通常被归档到文件柜中。此外，这些平台可以托管人口细分工具，使能够开发满足特定人群需求的综合服务模型。开源数据库有望为LMICs提供创建真正代表性数据集的有效解决方案，让所有人都能积极参与。

c) 注释工具

大多数AI模型至少采用部分监督学习，这涉及算法从提供给它的数据中的特定预定义指针和线索中学习。为了使机器学习，数据必须以所需的程度和准确性进行标记（数据注释）。这包括从图像注释到内容分类的一切。注释还根据深度而变化，从标记图像到精确标记要识别的对象的边界。注释的深度和提供给训练AI的数据谱系通常决定了算法计算必要属性的准确度。

据估计，目前约80%的AI项目时间用于数据准备，这涉及大量手工劳动。随着医院中产生的患者数据量不断增加，以及需要使用这些数据支持患者诊断，计算机化的自动和半自动算法是人类注释的有希望的替代方案。目前，有几种这样的注释工具可用，从语义分割到折线，可以在各种临床环境中部署，从癌症检测到牙科。然而，这些自动化工具的无错误准确性对于避免不良医疗结果至关重要。

注释工具还通过支持模型开发和医学数据分类，在数字生态系统中充当关键推动者。由于这些注释工具构成了任何数字健康环境的重要组成部分，确保它们的可访问性，特别是在低资源环境中，对于长期社区健康安全至关重要。虽然Ratsnake、ITK-SNAP和ImageJ等工具可免费使用，但它们仅限于静态设置中的特定用途。斯坦福大学开发和维护的定量成像平台ePAD是一个开源工具，支持基于成像项目的注释。需要协同努力，在单一平台上构建和推广此类开源注释工具，以减轻新兴社会健康关注AI解决方案的注释负担，并确保这些解决方案的长期可行性和公平所有权，特别是在LMICs中。

d) 专用协作空间和平台

在倡导开源工具开发的同时，有必要承认，有可能被广泛采用的技术的同行生产需要开发人员社区和相关利益相关者的积极参与。任何数字健康工具的复杂性通常导致开发人员在可管理的孤岛中工作，不咨询可能为不同环境构建类似工具的其他人。打破协作障碍对于鼓励开源工具开发至关重要。

具有允许此类协作的工具的专用平台和空间可能有助于积极吸引和维持所有利益相关者的兴趣。开源平台从长远来看可以托管深入的健康数据集、产品的微架构、虚拟测试环境，甚至将开发人员与项目实施者联系起来。

在生态系统的初始阶段，可以使用Kaggle Kernels或Google Collab等有效平台，创建具有代码、数据和描述的完整功能健康笔记本库，纳入当前接受的数字健康标准。当这些协作空间特别在国家IT基础设施规范的操作环境中构建时，可能有助于将代码从云中转换到使用现有IT基础设施在地面上实施。这可能进一步增强本地开发人员对监管一致性的信心，并有助于建立解决公共卫生问题的协同国家努力。如前所述，这些平台还可以通过允许更广泛地采用设定标准和既定微架构，使LMICs能够早期规避发达国家中分散的数字健康系统问题。

在全球范围内，利用开源库、包和Jupyter笔记本等开放平台将是协作的关键。OpenMRS就是这样一个工具，它利用平台构建并允许快速采用其开源企业电子医疗记录系统平台。创建此类全球协作对于AI领域至关重要，因为它们允许数据集和区域规范被共享并为共同目标同时工作。Project ORCHID（结核病先导优化开放协作模型）就是一个这样的项目，目前正通过与全球研究人员合作并结合数据，致力于为结核病开发一种新型药物候选者。

e) 同行评审平台

在AI等新兴领域发表科学研究对于创建共同知识库并使研究人员和实践者能够建立在彼此工作基础上是必要的。同样，同行评审在新兴领域中发挥着关键作用，确保只有准确、相关的结论有助于该部门的讨论。由于医疗健康中的AI涉及将专业算法应用于直接影响个人健康结果的医学特定领域，因此必须指出基于未经证实和非科学研究的结论。

AI开发涉及AI专家、医疗研究人员和工程师组成的跨职能团队来构建解决方案。这些解决方案的后果可能超出患者或医疗社区，开发人员或研究人员可能没有能力识别或全面解决这些后果。这要求AI进展，包括基础数据和算法公开发布，并且这些已发布的作品由基于专门为该领域构建的强大生物伦理框架的更大社区进行审查。出版伦理委员会（COPE）等组织定义了科学出版的伦理，为出版物遵循提供了伦理基线。需要像COPE这样的组织为AI中的所有研究定义生物伦理标准。

由于AI和医学交叉产生的考虑是独特的，它们需要针对新研究的专用同行评审机制。虽然存在一些开放获取期刊，如《医学人工智能杂志》，但它们在科学出版领域极为罕见。包括《柳叶刀》和《新英格兰医学杂志》在内的最著名医学期刊，确实缺乏专注于该领域人工智能的部分。虽然这些平台确实发表关于AI的研究，但论文通常被付费墙阻挡，即使订阅者也无法访问基础数据。

为了高效准确地审查新研究，需要构建一个专用平台，该平台可以随时提供临床审查所需的数据。如果从已建立的研究数据库和期刊中获取用于达到临床或制药结论的临床数据并使其可访问，则存在巨大的创新空间。这些数据可以重新用于开发有效的AI。此类平台与开源协作网络的紧密集成，其中源代码公开发布，将有助于减少开发周期时间并提高同行评审AI干预的可信度。

五、可持续融资

虽然开发技术赋能的生态系统需要一套基本原则、技术产品、公众教育、能力建设和广泛采用，但维持生态系统需要稳定的资金来源。数字化医疗保健涉及重新调整现有方法和操作，这可能会扰乱正在进行的活动，但确实承诺未来的成本效率和更好的健康结果。在美国，大部分医疗保健由正式实体提供，仅在2019年就花费了145亿美元用于数字化其健康记录和建立电子健康记录基础设施。LMICs的医疗保健由各种机构提供，从城市中心的超级专科医院到偏远农村地区的非正式和未注册门诊医疗提供者。多种设置，加上引入具有成本效益的AI解决方案所需的昂贵数字干预措施，将需要创新的技术和财务解决方案。通过在数字健康项目的不同开发、部署和采用阶段规划资金，政策制定者可以确保其长期可持续性。

即使是基础开源生态系统构建模块的资金机制，也不必完全来自政府。例如，在非洲，约60%的医疗保健融资来自私人来源。加纳远程医疗服务和南非的MomConnect等若干举措在不同发展阶段采用了公私合营的融资模式，取得了良好效果。虽然这些例子代表了特定的医疗保健技术干预措施，但开发医疗健康中AI的可持续生态系统也需要采用类似模式，以确保长期可持续性。

例如，加拿大在数字健康系统上投资了21.5亿美元，并从投资中获得了约160亿美元的收益，如质量、可及性和生产力提升。发展中国家可以从投资开发AI干预措施所需的基础设施中获益，因为这可能帮助它们从现有的遗留系统中跃迁。政府对开源构建模块的专项投资和承诺将确保长期可持续性，直到更广泛的生态系统接管这些产品的常规维护和保养。

政府最初的基础设施投资使它们能够更好地确保基础产品对所有人可访问。此外，这项投资可能迫使政府采用并遵守为生态系统定义的新标准，并为私营行业与公共医疗保健系统互动定义范式。政府计划在生态系统发展的初始阶段为早期采用者提供应急资金和激励措施，以推动采用，直到达到临界质量，这可能也是明智的。

慈善赠款在公共卫生领域发挥了重要甚至变革性的作用。政府在该领域的推动和监管确定性可能有助于说服这些大型基金投资于开发基础开源生态系统产品。开源生态系统还代表了这些机构有效采用基于证据的赠款模式的机会，因为任何同行生产模型的核心都是透明度。

随着开源生态系统的成熟，建立在这些工具之上的用于公共健康环境的专有AI产品可以吸引基于部分资本回收原则或期望回报低于市场利率的影响投资。试点和证明AI解决方案有效性的风险资本需求量很大。能够证明有效性的参与者随后可以获取开发影响债券等工具，以进一步扩展并在资本可能因回报周期长而不可用的情况下建立财务可行的业务。

国际协作在AI领域至关重要。在发达国家已经部署的技术可能由于经济条件不足而在发展中国家不可行。这种差异在制药行业可见，新型创新药物具有新颖的救命治疗，定价以收回研发成本，导致这些药物在LMICs中不可行，因为这些经济体的可负担性要低得多。因此，国际协作设立基金以缓解这种可能的事件并鼓励创新者为LMICs人口开发解决方案是明智的。UNITAID管理着超过10亿美元的赠款组合，通过医疗专利池等创新举措满足弱势群体的即时健康需求，可以作为国际协作的模式。有效AI解决方案的先例可能成为LMICs解决可访问性问题并加速数字赋能未来的催化剂。

前进方向

一个行业的发展通常取决于国家的社会政治背景，特别是其政府的作用。通常，旨在实现政府公共福利目标的行业会逐渐从受监管（政府支持最大以启动生态系统）过渡到自由市场。在提议的医疗健康AI生态系统中，如上所述的开源方法将导致增强对将协调不同目标的标准和工具的采用。这就是政府和慈善融资生态系统需要最初投资的地方，同时专注于构建稳健的数字基础设施和数据系统。

最初，某些用例需要通过政府指导或非营利资金和技术支持得到支持，这些用例要么作为更大行业的概念证明，要么符合紧迫的公共卫生需求。然而，随着投资者信心的增加和成本高昂的进入障碍的降低，预期将开始在基础层之上进行应用程序开发，一定程度的商业化。开源生态系统方法还将导致为最终消费者构建AI服务的更具成本效益和商业化的架构，基于微服务而不是单体方法。

在后一种方法中，服务为不同的附加服务反复开发和更新，这是投资密集型的。这限制了其在其他解决方案开发中的重用，并阻碍了开放创新和互操作性。例如，针对糖尿病患者的申请代码也可以部分用于监测慢性阻塞性肺病（COPD）患者。通过将原始平台用作微服务，可以轻松地将通过血糖仪与患者接口的组件替换为跟踪血氧仪的组件，而无需重新创建系统。因此，政府还应推动微服务架构开发，其中AI应用程序的功能可以分布到具有多种用途的较小服务集中。

随着新兴行业的成熟，政府的角色将是通过与行业创新者和民间社会的有效合作指导市场，特别是将早期的基本基础组件拼凑成更稳健和全面的基础层。这对于通过建立数据市场并与行业合作制定可靠的合成数据服务来增加数据可用性特别需要。随着更多AI的开发并希望应用于临床环境，政府还必须以协商和迅速的方式制定围绕临床评估、基准测试和这些技术认证的规范和标准。偏见和可解释性等伦理问题以及不良事件的法律责任规范等法律框架也必须予以考虑。