阿尔伯特·卡茨（Albert Katz，Wharton 2023届）坚信一个基本真理：健康是一切的前提。这一简单的哲学理念，加上他在金融和计算机科学的本硕学位，以及沃顿商学院的医疗管理MBA，促使他创立了Flagler Health。该公司结合患者的医疗数据和人工智能的力量，旨在改善医疗服务。
Flagler的AI算法分析患者的医疗记录，为医生提供治疗建议和优化患者护理的见解。“我希望能够为医疗系统节省成本，”卡茨表示，他的初创公司在宾夕法尼亚大学2023年Venture Lab创业挑战赛中获得决赛资格，并继续在远程治疗监测和行为健康等领域进行创新。“让我们尝试收集这些数据，最终帮助专家采用基于价值的护理——为患者提供最佳护理。”
这被称为医疗AI革命——大量算法分析医疗行业的数据，使医学更加高效和有效。Flagler Health的机器学习只是众多方法之一。（顺便说一句，如果你想深入了解它是如何工作的，可以听听这个播客，嘉宾是Flagler的联合创始人兼首席技术官Will Hu（GED19））。
急诊室中的AI？
Flagler Health展示了这个时代的人工智能正在激发医疗保健行业的创业问题解决能力。它还在研究中推动创新，开发改进全球医疗保健的开创性算法工具。
AI在医疗保健中的应用非常广泛，这也是沃顿医疗数据分析实验室的一个核心焦点。该研究中心于2023年10月在沃顿商学院成立，由运营、信息和决策教授汉萨·巴斯塔尼（Hamsa Bastani）和医疗管理教授玛丽莎·金（Marissa King）共同领导。他们带领团队研究AI在医疗保健中的成功应用及其面临的挑战。
在与沃顿分析学副院长埃里克·布拉德洛（Eric Bradlow）的对话中，金博士定义了医疗AI的现状。“机器学习和人工智能几乎触及了医疗保健的所有方面。从你收到取药提醒的方式，到谁阅读你的放射科报告，再到你在急诊科被分诊的方式，机器学习在所有这些方面都起着关键作用。”她指出，“如果你考虑放射科报告，这可能是AI渗透最深的地方。现在许多放射科报告都是由机器读取的。”
沃顿医疗数据分析实验室正与不同的利益相关者——患者、提供者和政策制定者——合作，设计更好的医疗算法。以下是沃顿领导的数据分析如何帮助塑造新的医疗AI革命的几个方面：
资源分配是指在难以获得治疗或药物的环境中公平分配医疗资源。沃顿运营、信息和决策系的博士生安吉尔·钟（Angel Chung）正在与西非塞拉利昂政府合作，利用机器学习和优化技术在全国数千个医疗机构中分配基本药物。据沃顿AI和分析倡议发布的一篇文章介绍，安吉尔表示，40%的患者无法获得所需的药物。“我们使用合成差异-差异模型来评估我们的方法的影响，”她说，“结果显示，到2023年第二季度，人们获得基本药物和医疗用品的机会提高了约20%。虽然在一个现有的政府系统中引入创新变化非常困难，但我们已成功在全国范围内引入AI技术，并展示了在资源受限环境下的改进。”
医护人员福祉涉及影响医疗工作者的问题，如倦怠。大型语言模型（处理大量文本数据）提供了一种挖掘以前未被充分利用的数据源的方法，例如临床笔记。“我们试图做的一件事是利用电子健康记录中的数据，了解哪些地方可能出现高风险的倦怠或情绪过载，特别是对于护士，”金博士在宾夕法尼亚大学伦纳德·戴维斯健康经济学研究所发布的一篇文章中说。“临床笔记中有极其丰富的数据。”
创新试验是指通过改进试验设计，利用算法推动医疗实践创新。巴斯塔尼博士告诉宾夕法尼亚大学伦纳德·戴维斯健康经济学研究所（她也是该研究所的高级研究员）：“临床试验往往是静态设计的。它们实际上并不个性化或动态定制。我们一直在思考如何利用历史临床试验或试点数据来预热这些预测模型。”沃顿医疗数据分析实验室正在与宾夕法尼亚大学的健康激励和行为经济学项目合作开展这项工作。
治疗和护理构成了医疗交付的核心，大规模的医疗系统数据可以帮助研究人员识别有前途的治疗策略。沃顿医疗数据分析实验室表示，“大数据和新的算法方法具有巨大的潜力，可以指导从治疗物质滥用障碍到建立医疗环境中人类决策的最佳实践。”最近的数据驱动研究表明，从美国丁丙诺啡治疗的趋势、阿片类药物处方和过量死亡，到构建算法以打击性贩卖。
健康公平是一个关键挑战，随着算法和AI在医疗设计和管理中的普及，数据集往往存在偏见，可能导致护理不平衡。例如，一个算法可能改善某一人群的结果，但对其他人群却没有效果。巴斯塔尼博士的研究《重新思考人类-AI协作的公平性》部分解决了这个问题。她经常在研究中讨论健康公平作为分析实验室的优先事项。
“任何医疗数据集中都编码了偏见，因为面临结构性障碍的患者在医疗系统中得不到充分服务，所以我们没有高质量的代表性数据，”巴斯塔尼博士在她的研究中多次提到。“我们一直在思考通过利用代理数据来解决这个问题——例如，更便宜但更易获得的数据，如谷歌搜索词等。机器学习的一个大挑战是训练数据集非常庞大，因此不一定总能去偏。但我们真正感兴趣的是下游决策……通过利用辅助数据集，我们不能完全消除模型的偏见，但至少输出的决策会更少偏见。”
(全文结束)
