全球医疗保健系统正因人口老龄化、慢性病患者增多、治疗和药物成本上升以及人员短缺而承受巨大压力。同时，繁琐的文档要求导致医生和护士的职业倦怠。快速发展的预测性和生成性人工智能已经在改善医院和保险公司中的医学专业人员、临床研究人员和管理人员的工作方式，并将在未来几年带来更多变革。这些人工智能系统擅长从大数据集中发现隐藏模式、辨别医学图像中难以察觉的细节、支持复杂病例的诊断，并推荐操作改进以降低成本。这些进步可能带来流程改革、生产力提升和患者结果的改善。
什么是人工智能？
人工智能利用复杂的统计预测模型和大量计算来解决复杂问题、理解并响应自然语言查询、创建视频和其他形式的在线内容、分类图像等。神经网络（包括大型语言模型）通过训练历史数据来构建可以预测的AI模型，帮助用户预见和解决一系列问题。这些模型还可以回溯其统计参数以纠正错误，并将其知识转移到新问题和领域中进行推理。在数据中心和芯片上的巨额投资推动了AI的蓬勃发展，用于训练AI模型并为其推理过程提供动力。
医疗保健中的人工智能是什么？
医生、临床研究人员、制药公司和医务人员正在使用人工智能技术辅助诊断、患者检查、药物开发和医院效率提升。过去15年中，由于联邦政府的数十亿美元激励政策，电子健康记录（EHR）在美国医院和医疗机构中得到了广泛应用。虽然它们提高了记录准确性并减少了医疗错误，但繁琐的笔记要求、难以导航的界面以及频繁的无关警报和消息增加了医疗专业人员的工作量。增强型AI代理的EHR可以帮助临床医生节省时间，增加与患者的面对面交流时间。例如，在检查前生成患者病情、用药和实验室结果的摘要，快速跳转到关键功能，并接受语音或自然语言命令。
在放射学领域，人工智能系统可以帮助识别扫描中异常组织生长概率最高的区域，或测量特定指标（如肾体积变化），从而帮助医生在血液测试显示之前预测器官功能下降。
许多AI医疗应用旨在减轻医院和医疗机构的行政负担，例如自动化计费和调度、撰写保险公司的预授权信件，或提醒患者进行乳腺X光检查。医疗IT行业正在构建能够分析患者病史、检查结果和实验室测试结果的GenAI系统，并结合现有疾病知识库得出结论，协助医生处理复杂病例。
关键要点
- 正在开发的EHR系统整合了生成式AI，让医生查看患者图表和实验室结果的摘要，并过滤与特定疾病相关的信息。
- 使用AI的诊断工具可以通过显示癌症组织生长概率最高的扫描区域或测量指标来节省放射科医生的时间并提高准确性，帮助预测器官功能下降。
- AI可以从不同来源的数据（包括EHR、医疗设备输出和基因组测试结果）中得出与研究和护理相关的结论。
- 在后台办公中，AI可以帮助计费部门最大化收入、自动化调度、提醒患者进行筛查，并起草预授权请求。
医疗保健中AI的优势
AI有望在医学研究、药物开发、临床诊断和护理以及医疗管理方面带来诸多好处。
- EHRs：增强型生成式AI的电子健康记录系统可以通过为医生提供简明的患者摘要、简化系统导航和自动化笔记记录来节省时间。
- 诊断成像：医院放射科正在使用AI分析医学图像，以帮助识别器官和其他问题，并比以往更快、更精确地预测疾病。
- 医院调度和规划：增强型AI调度系统可以帮助管理员将人员和设备分配到最需要的地方。搭载AI的机器人可以学习新的高效药品、实验室样本、食品和其他物资运送流程。
- 临床试验：制药公司正在筛选健康结果和人口统计数据的EHR，以找到临床试验参与者。剑桥医学人工智能中心的研究工作旨在从失败试验的患者中找出受益于治疗的亚组。实验室药物开发得益于能够发现分子化合物与病原体相互作用模式的AI模型，这可能使其成为进一步研究的候选者。
- 医学研究：EHR包含大量关于治疗和结果的宝贵信息，但这些非结构化数据难以提取用于研究。自然语言处理可以从临床笔记中提取数据，帮助揭示药物副作用或识别疾病的早期预警信号。行业标准如mCODE（Minimal Common Oncology Data Elements）可以使来自不同软件平台的EHR数据可供研究人员比较治疗选项。
- 药物安全性：该领域可能很快受益于挖掘存储在EHR中的临床数据的AI系统，以衡量不同人群中药物的有效性和风险。大型语言模型借助一种称为检索增强生成（RAG）的技术，可以结合制药公司数据集，帮助找到具有较高不良药物反应风险的患者。
医疗保健中AI的挑战
将AI应用于EHR数据并不自动导致洞察力、患者护理和医院流程的改进。临床医生、管理员和其他工作人员需要足够信任该技术以定期使用，并意识到潜在的错误。财政紧张的医院需要了解清理和匿名化患者数据以训练AI模型的高成本。以下是更多关于这些和其他挑战的信息。
- 医生信任：医疗从业者可能不愿意使用可能导致错误或取代他们工作的系统。基于AI的系统需要充当助手，帮助他们改进护理，谨慎地从低风险用例过渡到高风险用例。
- 隐私规则：严格的医疗保健数据共享和访问规则限制了可用于AI模型训练的数据。但全球法规正在发生变化，允许更多医疗保健数据用于训练模型和支持医疗决策。例如，欧洲健康数据空间法规建立了医疗数据的通用格式和再利用规则。英国的《数据（使用和访问）法案》将使国家卫生服务中的既往病史、预约和测试数据可跨IT系统访问。
- 数据质量：完整且标准化的医疗数据对于有效的AI诊断和治疗至关重要。但清理数据以确保其质量的过程可能会给医疗机构（尤其是利润微薄的医院和其他机构）带来财务压力。
- 数据孤岛：不同供应商的EHR之间缺乏互操作性限制了不同医疗机构之间的数据共享。临床研究小组、制药公司和政府组织的系统之间也存在类似问题。行业标准和政府数据交换正在帮助解决这一问题。
医疗保健中AI的10个用例和示例
医学专业人士正在将AI应用于各种用途，以改进诊断见解和临床决策、预测患者结果并实现更多目标。以下是医疗保健和生命科学中最常见的10个AI用例。
- 医学成像：AI分析X射线、MRI和CT扫描可以协助医生诊断——例如，通过识别肾脏体积的变化来预测早期功能下降。AI工具可以帮助识别扫描中异常组织生长概率最高的区域。
- 预测性决策：美国一家康复医院运营商正在使用AI模型来预测患者跌倒，并标记出院后可能再次入院风险较高的患者。医疗服务提供者还使用AI根据疾病风险和患者结果的预测做出更好的决策。
- 临床决策支持：2024年发表在《JAMA Network Open》上的一项有限研究表明，仅基于向OpenAI的GPT-4 GenAI聊天机器人输入六个案例的医学诊断远比那些仅使用聊天机器人辅助或完全不使用的医生更准确。
- 自然语言处理：AI算法可以通过语音识别在患者检查期间自动记录笔记。它们还可以帮助从临床笔记中提取见解。
- 药物发现：通过筛选制药公司库中的分子化合物以评估其功效，AI可以帮助加速新疗法和治疗的识别。它还可用于预测药物的安全性和副作用。
- 个性化医疗：AI算法可以根据患者的基因组提供对其药物反应的见解，帮助从业者确定最佳时间和剂量。
- 行政自动化：基于AI的软件可以简化患者调度、随访、计费和文档，还可以通过预测医疗人员和设备需求帮助提供者降低成本。
- 远程患者监测：由AI支持的传感器和患者佩戴的设备可以帮助医生监测患者的心脏病、糖尿病、癌症和其他状况，以便在患者未遵循治疗、运动、饮食和其他计划时进行干预。
- 虚拟健康助手：基于AI的聊天机器人可以就状况和治疗建议患者，并推荐生活方式或饮食改变。提供者还可以使用聊天机器人帮助患者安排和准备预约。
- 机器人手术：外科医生控制的计算机引导摄像头、机械臂和仪器系统，通过AI增强，在某些情况下可以比手持仪器的医生实现更高的精度，可能减少并发症、出血和加快恢复时间。AI算法还可以帮助规划机器人手术步骤、定位仪器和分类医学图像。
下一代EHR通过AI、自动化和数据驱动见解改造医疗保健
医疗保健中AI的未来
国家和行业标准的进一步发展和采用将帮助医疗保健组织和政府共享更多数据，为AI驱动的见解提供更强的基础。但财政压力巨大的医院需要找到投资最新工具并准备数据以进行AI分析的方法。
预计医院机器人将得到更广泛的应用，护士和其他工作人员可以通过手机控制它们，帮助运送实验室样本、医疗设备和物资，缩短交货时间并腾出员工时间。使用GenAI快速向医生提供相关信息并在屏幕上简化导航的EHR也开始进入市场。
在未来十年内，医生可能会受益于在患者就诊期间支持医疗决策的AI系统。基于医生所说的内容、现有文献和类似过往病例的数据，这些系统可以通过PC或平板电脑建议诊断。它们还可以帮助推荐测试和药物。
使用Oracle现代化医疗保健
Oracle Health产品通过生成式AI增强了护理的各个方面。它们可以帮助为员工个性化工作流程、简化患者管理，并在检查前提供相关信息。
Oracle Health Clinical AI Agent捕获医生与患者的对话以生成EHR笔记草稿，并允许医生通过语音命令调用患者的病史数据。Oracle Health Data Intelligence让提供者和支付者能够在临床和财务数据上执行AI分析。这些服务可以优先处理高风险患者、标记逾期筛查并提示患者安排预约。
(全文结束)
