作者们详细介绍了如何在初级、二级和三级预防中利用人工智能（AI）来改善健康结果并提供更好的基于价值的护理。美国在医疗保健上的支出远高于任何其他高收入国家，但健康结果却一直落后。2022年，美国的医疗保健成本达到每人12,555美元，几乎是可比国家平均每人6,651美元的两倍。这种脱节揭示了美国医疗保健系统的低效。将人工智能整合到医疗保健系统中，可以解决当前的缺口，并为我国的医疗保健低效提供解决方案。AI是一种模拟人类决策过程的学习和解决问题的机器方法。这项技术在医疗保健中显示出在检测、诊断、治疗和管理各种疾病方面的潜力。AI还可以根据个人因素提供更个性化的治疗或精准医学。然而，关于保护患者隐私和确保AI使用的准确性等方面的担忧导致了这项技术在医疗保健领域的采用速度较慢。
我们认为这些担忧是可以克服的，AI应该被整合到管理医疗中，以克服现有医疗保健模式的障碍，从而增强人口健康。医疗保健系统被患有多种慢性病的人群所压垮，其中许多人患有2型糖尿病（T2D）。医疗保健专业人士正在逐渐疲惫，导致他们离职和护理质量下降。许多人直到生病才会去看医生，这导致了不良的健康结果和本可以预防的疾病。
AI可以在初级、二级和三级预防中使用，以改善健康结果并提供更好的基于价值的护理。为了充分利用AI来改善人口健康，必须在多个利益相关者之间实施协调努力，包括医疗保健组织投资于AI培训和AI基础设施，以及CMS建立由国会支持的AI驱动预防护理方法的报销模型。在这篇文章中，我们以糖尿病为例，因为它是一个影响11.6%美国人口的重要健康问题。此外，38%的美国成年人有前驱糖尿病。
初级预防
初级预防的重点是通过促进健康行为和解决风险因素来预防或延缓疾病的发作。在糖尿病方面，初级预防强调减少2型糖尿病（T2D）的发病率。策略包括针对可改变的风险因素，如肥胖、缺乏运动和不理想的饮食模式，以延迟或预防高危人群发展成T2D。AI可以实现精确的风险评估，并提供大规模部署的个性化生活方式修改建议。
AI驱动的预测模型在风险评估中越来越受欢迎，包括用于识别高风险发展T2D个体的模型，这些模型通过揭示风险因素和相关生物标志物来设计个性化干预措施。De Silva等人的系统评价和荟萃分析探讨了机器学习（ML）预测模型在临床和社区护理环境中进行T2D研究的表现，包括高风险个体的研究。其中一个发现是预测模型可以用作社区环境中的筛查工具。
此外，AI通过支持个性化饮食、锻炼和其他健康行为建议来促进初级预防。Armand等人的一篇系统评价强调了AI在营养学中的各种应用，包括个性化和智能营养以及疾病预防的预测建模等。该综述提出了一种将AI、ML和深度学习整合到营养学中的概念框架，以实现个性化医学和营养目标（即预防T2D）。
将AI整合到初级预防中在人口层面的好处可能是显著的。AI可以实现准确的风险评估和个性化干预，从而防止或延迟大量高危人群的糖尿病发作，减少该疾病的患病率，并减轻相关的医疗负担。
二级预防
二级预防的重点是在疾病早期——通常在出现任何症状之前——进行干预，以阻止或延缓其进展并最大限度地减少相关并发症的发展。在糖尿病护理方面，二级预防至关重要。这种方法允许及时识别糖尿病诊断，从而降低心血管疾病和糖尿病视网膜病变等并发症的风险。将AI整合到二级预防中已经显示出改善早期检测和管理策略有效性的迹象。Keel等人使用深度学习算法进行的一项糖尿病视网膜病变筛查研究发现，该模型在转介进一步评估方面的敏感性和特异性分别为92.3%和93.7%。AI工具，如ML算法和预测模型，越来越多地被整合到医疗实践中，以分析大数据集并识别和分层糖尿病并发症高风险个体。这些AI模型经过训练，可以检测数据集中微妙的趋势、模式和关系，这些可能对临床医生来说并不明显，从而有助于早期识别疾病。例如，Dagliati等人领导的一项研究应用ML方法通过数据挖掘管道预测2型糖尿病患者的微血管并发症，基于人口统计学、糖化血红蛋白（HbA1C）水平和高血压状态开发了肾病、神经病变和视网膜病变的预测模型。最终模型在个性化风险预测和临床应用的逻辑回归方面达到了最高0.838的准确性。
将AI整合到二级预防中可以增强疾病管理的早期检测和干预工作。通过促进更准确的风险分层和早期干预，AI可以帮助减少糖尿病相关并发症的发生率和严重程度，从而可能改善长期医疗结果，并强调将AI策略纳入标准糖尿病护理的必要性。
三级预防
三级预防的重点是管理和治疗慢性医疗条件，以减少并发症，防止进一步恶化并提高患有这些疾病的人的生活质量。在糖尿病护理中，这些策略涉及血糖监测和复杂的药物治疗方案，以避免并发症，例如防止2型糖尿病和周围动脉疾病患者的截肢或防止2型糖尿病和心血管疾病患者的中风。在慢性病管理中实现更个性化和精确的护理是将AI整合到三级预防策略中的目标，最终目的是提高患者结果和医疗系统的效率。
AI驱动的系统越来越多地被用于设计治疗计划。这些系统可以分析来自各种来源的大量数据，如连续血糖监测设备、电子健康记录（EHRs）、药物治疗和其他健康数据，旨在提供个性化建议。例如，Tarumi等人实施了一个与EHR集成的系统，用于预测2型糖尿病不同治疗选项相关的HbA1C变化，有效地展示了AI工具在临床环境中的实用性。此外，Nagaraj等人利用ML算法预测了2型糖尿病患者在开始胰岛素治疗后的短期（曲线下面积，0.80；95%置信区间，0.78-0.83）和长期（曲线下面积，0.81；95%置信区间，0.79-0.84）HbA1C反应，优于使用基线临床变量的先前模型。这种个性化的方法不仅改善了医疗结果，还使患者能够积极参与慢性病管理。
解决AI的局限性
尽管AI有潜力彻底改变医疗保健交付，但仍需解决几个重大挑战以实现安全有效的整合。与任何技术一样，可能存在局限性。一个关键问题是偏见，这与用于训练AI模型或算法的数据有关。为了解决这个问题，AI算法应使用公平、代表性良好的数据集进行训练，包括来自不同种族、民族、社会经济和地理背景的个体。另一个挑战是AI在医疗保健中的使用问题，即幻觉现象。这种现象发生在AI模型，特别是大型语言模型生成不准确、误导性或完全虚构的信息时。有效应对AI幻觉将需要持续的AI模型改进、提高AI决策过程的透明度以及医疗保健专业人员对AI输出的持续验证，以确保输出基于准确的数据。重要的是，人类应监督和审查AI的工作方式，并确保输入AI算法的数据准确且受保护（在涉及患者数据时采取强大的安全措施）。
结论
AI在克服医疗保健中的许多现有障碍方面具有巨大潜力，可能会导致医疗保健交付和患者结果的变革。我们讨论了AI如何在初级、二级和三级预防护理中使用的几种方式，以2型糖尿病为例（总结在表中），这只是倡导大规模将AI整合到医疗保健系统中的开始。我们敦促政策制定者和医疗系统领导者为AI驱动的努力创造支付机会，并投资于AI培训、教育和基础设施，以将AI解决方案整合到医疗保健交付中。目标是使美国成为一个更健康的国家，并提供最佳的医疗保健价值。
(全文结束)
