作者：Nayan Jain，ustwo（一家全球设计与技术工作室）人工智能执行董事
大多数人将医疗健康领域的AI视为基础的、基于规则的工具，这类工具会要求你从一到十分级评估疼痛，提醒你服药，并督促你预约后续就诊。它在一定程度上是有效的。但如果你曾经尝试过在自己的行为中维持有意义的改变，无论是管理长期疾病、培养运动习惯，还是找到谈论心理健康的方式，你就会知道生活并不遵循决策树的逻辑。
医疗行业在扩展可靠、可审计且临床一致的系统方面已经非常擅长。但它一直难以规模化的是持续性支持。大多数健康干预仍然依赖于就诊、检查、评估和提醒等特定时刻。但行为改变并非一蹴而就。
当今的许多医疗AI都是围绕结构化路径和预定义响应构建的。在许多临床环境中，这种可预测性正是你所需要的。剂量计算器、诊断决策支持和分诊系统都受益于一致性和可解释性。许多系统还结合了基于先前互动和用户数据构建的复杂个性化模型。
但管理慢性疾病并不是一个线性过程。一位2型糖尿病患者可能会持续几周积极参与，然后完全消失一个月。他们可能完全明白自己应该做什么，但仍难以付诸实践。那些以重复提示或通用建议作为回应的系统很快就会失去可信度。
生成式和非确定性AI改变了医疗支持的形态，因为它允许系统根据某人在说什么、如何参与以及什么似乎有帮助来动态响应。用户不是在通过预定义的流程前进，而是进行长期持续的对话。
但这并不自动使这些系统变得有用。如果设计不当或缺乏足够的临床专业知识和行为科学基础，大型语言模型仍可能产生模糊、通用或误导性的输出。将对话灵活性与专业知识、临床保障和卓越设计相结合至关重要。
记忆对话的必要性
2024年对50多万健康应用用户的一项审查发现，70%的用户在前100天内就放弃了应用。这一模式与行为改变研究长期以来的发现一致：可持续的改变是通过持续参与实现的。改变是通过随时间积累的多次互动建立的，每次互动都在建立信任，略微重新调整人与支持系统之间的关系。
非确定性AI实现了这种连续性。它能记住先前的对话，识别模式，并适应变化的情况，而无需强迫人们反复重申自己。输出结果由对话本身以及系统设计中内置的框架有意识地塑造。
生成式系统能够实现更接近人类辅导的对话变化和上下文连续性。被了解而非被处理的感觉，开始以静态系统永远无法做到的方式塑造行为。当支持感觉与自己的情况相关时，人们更可能诚实地参与。
没有访问途径，能力毫无意义
数字医疗中最大的实际问题之一是摩擦。许多系统假设用户会下载应用程序、创建账户、学习新界面并持续使用它。对于管理慢性疾病的人、老年人或数字素养较低的社区，这一过程本身就成为了障碍。
那么，为什么这些对话必须在应用程序内部进行呢？短信仍然是最易获取的通信渠道之一。人们已经知道如何使用它。没有入门过程，也没有界面学习曲线。通过短信提供对话式AI降低了参与门槛，特别是对于那些经常被更复杂的医疗系统忽视的群体。
通过短信提供非确定性AI需要谨慎开发。没有视觉界面或导航提示，对话本身必须承担互动的全部重量。仅凭生成能力并不能保证有意义的支持。如果非确定性系统（如大型语言模型LLM）没有得到适当约束，或者底层模型质量较差，仍可能产生不相关、令人困惑或完全通用的回应。将教练和医疗专业人员的专业知识融入其中，才能使这些模型产生医疗价值。
我们最近在RVO Health的响应式工作中看到了这些担忧的缓解。通过短信提供的对话式AI辅导正被用来支持大规模行为改变。关于参与度和留存率的早期信号表明，从访问点消除摩擦，同时投资于对话本身的质量，能让人们更长时间地保持参与。这种持续存在在现有护理系统从未设计触及的时刻显得尤为重要。
填补人类护理无法触及的空白
行为改变很少在诊所中决定。它发生在凌晨三点，在走向冰箱的路上，在艰难的一天和良好意愿之间的静谧空间中。临床医生、护士、治疗师和教练无法出现在这些时刻，现有护理系统也没有资源触及它们。这正是情境感知对话系统可以填补的空白，将护理延伸到现有护理系统最难以触及的地方。
最依赖长期习惯的医疗挑战——肥胖、糖尿病、心理健康、药物依从性——历史上一直难以规模化，因为规模化支持通常意味着使其变得不那么个性化。感觉通用的系统很快就会失去参与度。随着时间推移而适应的系统有更大的机会维持信任。
行为改变背后的科学并不新鲜。正在改变的是技术以规模化方式提供更具适应性支持的能力。生成式AI使得以前的数字健康系统难以实现的方式将对话互动与行为科学、临床保障和专业知识结合起来。技术首次存在以提供这种支持。现在的工作是确保我们构建得足够好，值得人们的信任。
审阅：Irfan Ahmad
【全文结束】
