人工智能如何改变医疗保健 - AI与医疗健康

人工智能正迅速成为美国医疗保健行业的重要工具。专家表示，通过深思熟虑的方法可以避免伦理问题并优化效率。

马修·德坎普（Matthew DeCamp）博士、哲学博士，是科罗拉多大学医院（UC Health University of Colorado Hospital）的一名内科医生和生物伦理学家，他经常通过其健康系统的消息平台处理各种不同的问题。最近，他得到了一些帮助。一个大型语言模型（LLM）分析患者的问题并生成初步回复供他批准或编辑。

“有时这些回复非常有帮助，”德坎普说。他表示，这些回复通常展示了对问题的理解，表达了同理心，甚至能捕捉到微妙的线索。然而，有时人工智能平台的帮助并不那么有效。有一次，一位患者写信给德坎普，寻求关于“一生中最严重的鼻塞”的建议。人工智能的初步回复建议可能是脑脊液泄漏所致。

“这在技术上并没有错，”德坎普指出。但如果没有其他风险因素或症状，警告患者这种严重的情况可能没有必要。“人类医生可能会有全局判断，而在这个案例中，人工智能没有做到这一点。”德坎普的故事或许可以被视为人工智能失控的一个例子。实际上，它揭示了一个更复杂、多层次的现实：人工智能已经在医疗保健领域广泛使用，既显而易见又不那么明显。在许多情况下，它表现得令人惊讶地好。同时，要实现技术的全部潜力，还有许多技术和伦理问题需要解决。

测试阶段

人工智能在医疗保健领域的潜在应用似乎无穷无尽，但有几个用途已经突显出来：运营效率、放射学/影像学和药物发现。

巴林德·马霍（Barinder Marhow）博士，全球生命科学主管，数字工程公司Quantiphi的总部位于波士顿郊区，他表示，简化患者预约流程是一个优化健康系统效率的绝佳机会。

“预约一名患者需要了解25到30个参数，才能确定‘这位患者可以在这个时间来’，”他指出。最佳预约不仅需要了解医生、护士和检查室的可用性，还需要考虑检查可能需要的时间和患者所需的服务级别。人工智能可以帮助调度员更高效地处理这些变量，找到最佳时间，他说。

Quantiphi已经开始推广一款名为Baioniq的产品，旨在帮助健康系统和其他企业更高效地利用大型语言模型。该平台作为一个单一接口，用户可以通过它访问和选择最适合特定用途的最佳大型语言模型。这种特定性很重要，因为某些模型更适合某些类型的生成式人工智能任务，例如回答患者的医疗问题。该平台还提供了额外的安全层和信息管理功能，这对于医疗数据的隐私保护和防止网络攻击至关重要。

也有许多当前的临床应用。北卡罗来纳州杜克大学杜克-玛戈利斯健康政策研究所的数字健康研究主任克里斯蒂娜·西尔科克斯（Christina Silcox）博士表示，人工智能还可以通过帮助分诊患者来提高效率。例如，她指出，中风患者如果在发病后的第一个小时内接受治疗，结果会显著更好，这一时间段被称为“黄金一小时”。然而，快速治疗往往很困难，部分原因是放射科医生确认诊断需要时间。

“长期以来，放射学报告都是按时间顺序阅读的，”她说。也许一位坚持的医生可以让他们的患者提前接受检查，但她表示，通常“黄金一小时”会被等待放射学报告的时间占用。现在，人工智能技术可以自动识别疑似中风病例，并将其放在放射科医生队列的最前面。“这样就更有可能在黄金一小时内接受治疗，”她说。

西尔科克斯还表示，人工智能不仅可以改善图像解读，还可以提高拍摄图像的技术人员的表现。她指出，在一些较小的医疗机构，进行超声波检查的人是通用影像师。有时这意味着需要进行第二次超声波检查，以便获得诊断所需的特定信息。人工智能可以在进行超声波检查时辅助通用影像师，确保第一次就能记录正确的视图和数据。这降低了成本，提高了效率，有助于更快地诊断疾病。

新的思维方式

据长期从事制药行业的高管杰基·亨特（Jackie Hunter）博士称，人工智能在药物发现领域的影响可能是最大的。亨特目前担任英国史蒂文尼奇生物科学催化剂园区的董事会主席，该园区位于伦敦以北约30英里处。

亨特表示，药物发现一直需要良好的数据。“你需要最好的信息来做出最好的决策，”她说。“当你拥有大量信息时，尝试综合这些信息已经超出了人类的理解能力。”

亨特曾在葛兰素史克（GSK）领导神经学和胃肠药物发现及早期临床开发工作，后来成为BenevolentAI的首席执行官，该公司使用人工智能支持药物发现。BenevolentAI的平台和其他类似平台可以识别可能具有临床意义的分子和靶点。此外，人工智能可以通过模拟帮助开发者选择试验化合物。

“与其合成3000种化合物，通过模拟你可以决定只需合成60种化合物，这些化合物能提供最多的信息且冗余最少，”她说。“这既节省了时间和成本。”

BenevolentAI的一个成功案例是类风湿关节炎疗法巴瑞替尼，该药由礼来公司（Eli Lilly and Company）以品牌名Olumiant销售。当2019年新冠疫情爆发时，该公司与礼来合作，研究该疗法是否可以帮助新冠患者。最终，这一合作导致FDA授权巴瑞替尼与瑞德西韦（Veklury）联合使用，用于某些重症新冠患者。

礼来并不是唯一一家使用人工智能的公司。根据2024年6月发表在《药物发现》杂志上的一篇综述文章，2023年有67种人工智能发现的分子正在临床试验中评估，而2018年只有7种。人工智能被用于识别治疗靶点24次，设计小分子22次。研究人员还指出，人工智能也被用于开发疫苗和抗体，以及重新利用现有分子。

亨特表示，人工智能还可以更精确地分层和选择临床试验患者，使研究人员更好地了解哪些患者会对治疗产生反应及其原因。

尽管如此，亨特表示，大型制药公司普遍对人工智能持谨慎态度。在某些情况下，问题不在于不愿意接受人工智能，而是希望内部开发自己的人工智能系统，而不是与外部合作伙伴合作，即使后者可能会加快进程。一些谨慎的态度源于不愿颠覆已经成功的系统。她将这种情况比作制药公司首次使用分子生物学时的情景。最初，他们倾向于将分子生物学视为一个独立部门。

“但现在，当然，分子生物学已经嵌入到我们所做的每一件事和我们的思维方式中，”她说。

亨特表示，人工智能也开辟了药物发现的新思路。由于人工智能可以更好地分析疾病的发病机制，她设想了一个机制比疾病分类更重要的世界。“我们正从疾病表型转向机制表型，”她说，“例如，在癌症中，相同的机制可能适用于几种不同类型癌症的亚型。”

尽职调查

作为人工智能的非正式大使，亨特亲眼目睹了人们对人工智能的看法和恐惧如何影响其态度。她回忆起几年前在一次会议上发言时，一位观众站起来反驳她。

“这位病理学教授站起来告诉我，我是在胡说八道，认为数字病理学不可能取代病理学家，”她说。

讽刺的是，亨特表示她并不完全不同意教授的观点。“除非医疗系统处于很大压力下，否则完全排除人类参与的系统可能不会被接受，原因有很多，”她说。其中一个原因是，如果人工智能犯错，排除人类将使问责制变得复杂。然而，她预计数字病理学终将匹配或超过人类用户的水平，即使其主要目的是通过帮助病理学家专注于罕见和复杂的病例，使他们更加高效。

杜克大学的西尔科克斯表示，医疗系统通常对直接涉及患者健康的工具持谨慎态度，如基于人工智能的临床决策支持技术。

“临床决策支持已经存在很长时间了，而且往往效果不佳，”她说。“因此，我认为人们对其改进感到兴奋，但也持谨慎态度。”

马霍表示，人工智能开发者应该吸取教训，采取类似的谨慎态度。“如果行业在没有做好充分尽职调查的情况下，就向医生推销‘我们可以帮助你’，这可能是在自找麻烦，”他说。最好花更多时间确保技术满足医疗行业的需求。

行业过快推进还存在其他风险。人工智能带来了许多新的伦理和实际问题。

德坎普拥有哲学博士学位，是科罗拉多大学生物伦理学和人文中心的讲师，他表示，如果用于分析患者病例的算法是基于代表性不足的数据训练的，其预测可能会有偏见或不准确。这个问题众所周知。然而，不太为人所知的是有偏差的处理——即用于解释数据的变量和假设中的缺陷。他举了一个例子，一种算法将医疗支出作为整体健康的代理指标，前提是健康患者在护理上的花费较少。

“在我们国家，医疗费用和患者的花费并不一定与他们的实际需求相关，”他指出。在其他情况下，机器学习算法可能会被赋予自由选择达到预期结果的变量；这些变量也可能基于有缺陷的前提，且更难检测。

德坎普表示，已经有技术努力尝试使用人工智能来合成更具代表性的数据，但他认为更可靠的解决方案是提高临床试验的参与度，特别是历史上参与率较低的群体。

亨特表示，更好的沟通和数据治理可以帮助解决问题。“大多数人实际上希望他们的数据用于人类福祉，但他们希望这些数据的使用不是为了盈利，或者非常透明地说明其用途，”她说。另一个错失的机会是负面试验数据。假设失败的研究通常未发表，即使这些数据同样有价值。