人工智能已经深入嵌入医疗保健领域，从比医生早数小时发现危及生命的感染，到以传统时间的一小部分设计新药。美国食品药品监督管理局（FDA）已授权超过950款AI驱动医疗设备，其中约四分之三仅用于放射科。以下是人工智能目前发挥最大实际作用的领域，以及它仍然不足之处。
更早发现危险状况
人工智能在医疗领域最明确的成果之一，是在人类团队之前发现病情恶化。脓毒症是一种对感染的致命连锁反应，每年约导致27万美国人死亡，而治疗开始的及时性对预后至关重要。一项在九家医院持续两年的研究发现，AI早期预警系统使院内脓毒症死亡率降低了39.5%。同一系统还使住院时间缩短了约三分之一，并将30天再入院率降低了近23%。另一项随机对照试验证实，使用类似AI预测工具监测的患者住院时间更短，死亡率更低。
这些系统的工作原理是持续扫描电子病历，寻找微妙的模式：生命体征的微小变化、实验室检查趋势以及用药指令，这些组合在一起表明危险。一名每隔几小时巡查一次的护士可能会错过缓慢的恶化趋势，而实时监控数据流的算法则不会。
解读医学影像
放射科是迄今人工智能改变最深远的专科。在FDA批准的950款AI设备中，有723款旨在帮助解读X光、CT扫描和乳腺X光等医学影像。这些工具并不取代放射科医生，而是充当第二双眼睛：突出可疑区域，标记需要紧急关注的扫描片，并帮助排序工作清单，使最关键的病例优先被读取。
在实践中，这意味着一张显示肺萎陷迹象的胸部X光片可以自动排在队列最前面，即使它是在凌晨3点、人手不足时拍摄的。AI系统还有助于检测早期癌症、微小骨折以及在时间压力下容易忽略的脑部扫描中风迹象。
加速药物发现
将一种新药从最初概念推进到首次人体试验，传统上需要四到六年的临床前工作，成本高达数亿美元。人工智能正在大幅压缩这一时间线。英矽智能（Insilico Medicine）为一种名为特发性肺纤维化的严重肺部疾病确定了新药靶点，并在短短18个月内将候选药物推进到临床前试验，计算成本仅为15万美元。英科智能（Exscientia）在不到12个月内开发出一种针对强迫症的候选药物，使其成为首个进入人体临床试验的AI设计分子。
关键优势在于并行处理。传统药物开发基本是顺序进行的：先确定靶点，然后逐一阶段筛选化合物。AI模型可以同时分析基因组、蛋白质和化学数据，预测哪些分子最有可能有效，跳过实验室中数月的试错过程。然而，大多数AI药物发现项目尚未产生可衡量的临床结果。最近一项综述发现，55%的已发表研究仍停留在计算机建模阶段，没有真实世界患者数据作为佐证。该技术前景广阔但尚处于早期。
解读你的基因
对于患有罕见遗传病的人来说，获得诊断通常意味着对其整个基因组进行测序，然后由专家手动筛选结果。这一解读步骤是瓶颈所在。单个患者的基因组可能产生约100个需要专家审查的遗传变异，而手动评估所有变异需要50到100小时的专家时间。AI系统可以在几分钟内完成相同的分析，将患者的遗传变异与已知疾病模式以及患者的具体症状进行比对，从而标记出最可能的诊断。
这对于全球约3亿名罕见病患者最为重要。许多人在专科医生之间辗转多年，才能获得准确诊断。更快的基因组解读意味着更快的答案、更早的治疗，以及更少处于诊断空白期的时间。
在手术室辅助外科医生
AI增强的手术系统主要通过两种方式提供帮助：在手术过程中指导决策，以及预先改善培训。在手术中，算法可以分析实时影像，帮助外科医生区分组织类型、绘制肿瘤周围的安全切割边界，或在并发症发生前进行预测。多项研究表明，使用AI指导时可提高手术精准度并改善术后结果。
对于外科培训，AI系统可以分析学员在模拟手术中的器械操作和决策过程，提供人类导师可能无法捕捉到的具体反馈。一项研究发现，当AI辅助工具融入学习过程时，安全性和培训效果均有统计学显著改善。
减少文书工作和职业倦怠
美国医生每花一小时直接照顾患者，就要花大约两小时处理行政任务。人工智能正在逐步减轻这一负担。自然语言处理工具可以倾听医患对话并自动生成临床记录草稿，大幅缩短记录时间。类似的工具还可以起草对患者门户网站消息的回复，处理常规沟通，让医生专注于复杂问题。
在排班方面，AI驱动的流程工具有着可衡量的、尽管温和的收获。在采用率最高的医疗机构中，当天预约关闭率提高了7%，每位医生平均每天多完成约三分之一例额外预约。这听起来可能微不足道，但若一个医疗系统有数千名医生，累计起来每年就能增加数万次额外患者就诊。
偏见与公平性问题
人工智能的公平性取决于它所学习的数据，而医疗数据承载了数十年的系统性不平等。后果是实实在在的。主要基于白人患者图像训练的皮肤癌检测算法，在评估黑色素瘤患者病灶时诊断准确率大约减半。在另一个广为人知的案例中，一种广泛使用的算法将医疗支出作为医疗需求的替代指标。由于历史上在黑人患者身上花费较少，系统错误地得出结论：他们比患有同等严重疾病的白人患者更健康。结果：即使在黑人患者病情更重的情况下，白人患者也获得了糖尿病、肾病等疾病的优先治疗权。
这些并非假设性风险。它们是已经影响到真实患者的失败。修复这些问题需要训练数据集真正代表患者人群的全面多样性，并在算法上线前进行独立审核以发现偏差。进展正在发生，但步伐不均，许多当前部署的系统从未经过严格的种族和社会经济群体偏差测试。
人工智能仍不足之处
尽管前景广阔，但大多数医疗人工智能都只专注于狭窄领域。擅长解读胸部X光的算法无法解释膝关节MRI。在某家医院系统训练出的脓毒症预测工具，可能在患者人口统计或文档习惯不同的另一家医院表现很差。将AI工具集成到现有医院IT系统中仍然昂贵且技术困难，许多临床医生理所当然地对信任一个他们无法完全理解的系统持谨慎态度。
此外，AI在研究论文中能做什么与在凌晨两点的繁忙急诊室里实际能做什么之间存在差距。真实世界绩效几乎总是落后于对照研究中报告的数字。那些看到最佳效果的医疗系统，不仅投资于技术本身，还投资于员工培训、流程重新设计以及持续监控工具是否真正帮助患者。
【全文结束】