人工智能已深度融入医疗健康领域的方方面面，从辅助放射科医生解读影像的软件，到就诊后记录医生诊疗笔记的语音工具。美国食品药品监督管理局已批准超过1,400种人工智能医疗设备，且这一数字每季度都在增长。本文将介绍人工智能当前产生最显著成效的领域，以及其仍然存在的局限。
临床文档与行政工作
人工智能在医疗健康领域最直接、常见的应用是患者很少注意到的：减少临床医生花在打字上的时间。长期以来，美国医生花在文档记录上的时间与接诊患者的时间几乎相当。如今，由人工智能驱动的"电子病历助手"能够在就诊过程中聆听医患对话，然后生成结构化的临床诊疗记录供医生审核和签署。
节省的时间相当可观。美国医学会报告称，人工智能病历助手每天为医生节省约一小时的键盘操作时间。某医疗系统统计显示，其医生群体共节省了15,000小时。这些时间被重新分配到接诊更多患者、回复消息或准时下班上。对患者而言，实际效果是医生在就诊过程中能有更多眼神交流，而不是盯着屏幕打字。
除了记录笔记外，人工智能还处理保险预先授权、标记计费中的编码错误，并按紧急程度对患者消息进行分类。这些工作并不光鲜，但行政负担是导致医生职业倦怠的主要原因，因此减轻这一负担对提高医疗质量有着切实的影响。
医学影像与诊断
放射学占据了美国食品药品监督管理局批准的人工智能医疗设备的最大份额。这些工具分析X光片、CT扫描、乳腺X光片和视网膜图像，通常在放射科医生审查前就标记出异常。在实际应用中，人工智能并非取代放射科医生，而是充当第二位审阅者，突出显示值得关注的区域并优先处理紧急病例，使其首先得到审查。
皮肤科和病理科采用类似方法。经过数百万标记图像训练的人工智能模型可以识别疑似黑色素瘤的皮肤病变，或在活检切片上检测癌细胞。在眼科领域，美国食品药品监督管理局最早批准的自主人工智能系统之一能够在没有专家在场的情况下筛查糖尿病视网膜病变，使得在常规初级保健就诊期间就能发现威胁视力的损伤。
共同点在于大规模的模式识别。这些系统擅长在数千张图像中检测微妙的视觉模式，这些模式人类专家也能发现，但在时间压力或疲劳状态下可能需要更长时间才能找到。
预测并发症的发生
医院越来越多地使用人工智能模型来预测哪些患者可能会病情恶化。例如，败血症可能在数小时内从轻微感染发展为器官衰竭。早期预警算法持续分析生命体征、实验室结果和护理记录，标记出病情轨迹令人担忧的患者，有时甚至在临床症状明显前数小时就能预警。
类似的方法也用于预测医院再入院率。在一项针对3,300多名成年患者入院情况的研究中，研究人员建立了机器学习模型来预测哪些患者会在出院后30天内再次入院。表现最佳的模型正确识别了82%最终被再入院的患者。其阴性预测值为94%，意味着当模型判断患者为低风险时，几乎总是正确的。这类筛查使医疗团队能够将随访资源（电话、家访、药物审查）集中在最可能需要它们的患者身上。
这些工具最适合用作分诊辅助工具，而非确定性诊断。它们擅长缩小范围并提示进一步关注，而非替代关于下一步行动的临床判断。
药物发现与开发
传统上，将一种新药推向市场需要十多年时间，成本超过10亿美元。到目前为止，人工智能最显著的影响体现在最早阶段：在任何实验室工作开始前，识别有前景的分子并优化其化学性质。过去需要数月物理筛选的工作，现在通过计算模拟可以在几天内完成。几种由人工智能设计的分子已进入人体临床试验，这一里程碑在五年前还似乎不太可能实现。
然而，现实检验很重要。一项关于人工智能在药物开发中应用的系统性审查发现，虽然早期发现的时间线大幅缩短，但目前尚无有力证据表明这种计算速度能转化为临床试验成功率更高的药物。药物开发中最昂贵的部分不是找到候选分子，而是证明该分子在人体中的安全性和有效性。人工智能尚未显著缩短这一阶段，尽管它已开始通过识别更合适的患者群体和优化试验方案来降低临床试验设计的成本。
机器人手术
像达芬奇(da Vinci)手术平台这样的医生控制机器人系统已在手术室使用了二十多年，但人工智能正推动这些工具向更高自主性发展。在约翰霍普金斯(Johns Hopkins)大学，研究人员构建了一个名为SRT-H（外科手术机器人转换器，Surgical Robot Transformer）的系统，该系统在没有人工操控的情况下，完成了对动物组织的胆囊完全切除手术。该手术涉及17个连续任务：识别导管和动脉、精确抓取组织、放置手术夹和用剪刀切割。该机器人能实时适应遇到的解剖结构，自主做出决策，并在情况不如预期时自我纠正。
该系统值得注意的是，它建立在与大型语言模型相同类型的机器学习架构之上。它能响应"抓取胆囊头部"等口头指令，并在外科医生口头纠正其定位时进行调整。这指向了一个未来：人工智能处理手术中最常规、重复的部分，而外科医生则负责指导策略并处理意外情况。完全自主的人类患者手术距离临床应用仍有数年时间，但基础能力现在已经存在。
个性化治疗规划
人工智能通过分析肿瘤的基因谱型与治疗结果数据库，帮助肿瘤学家为癌症患者匹配合适的疗法。这些工具不仅仅依赖癌症的位置和阶段，还考虑驱动患者疾病的特定突变，并预测哪些药物最可能有效。同样的原理也适用于心脏病学，算法通过整合病历中的数十个变量，能比传统评分方法更精确地估计个人心脏病发作或中风的风险。
心理健康是另一个不断发展的领域。自然语言处理模型可以分析与抑郁症或焦虑症加重相关的言语或文本模式，有可能在危机升级前捕捉到它。这些应用比影像或肿瘤学工具处于更早期阶段，验证程度较低，但它们反映了人工智能的发展方向：从人群层面的指南转向针对个人数据的定制化建议。
偏见与公平性问题
人工智能模型从历史数据中学习，而历史医疗数据反映了数十年来不平等的治疗。一个被广泛引用的例子涉及主要医疗系统使用的一种风险预测算法，该算法系统性地低估了黑人患者的病情严重程度，因为它使用医疗支出作为疾病严重程度的替代指标。由于历史上黑人患者因获取障碍而获得的医疗支出较少，该算法将他们评分得比病情相当的白人患者更健康。
解决这个问题并不简单。技术方法包括测试当改变单一人口统计变量（如种族或性别）时模型的准确性是否保持不变（称为反事实公平性的概念），以及调整风险评分以纠正训练数据中已知的差异。但更深层的问题往往是结构性的：来自代表性不足人群的数据缺失、充当种族代理但未被标记为种族的变量，以及构建工具的团队缺乏多样性。
目前，美国没有专门的联邦标准来规范医疗人工智能中的算法偏见。包括《算法问责法案》(Algorithmic Accountability Act)在内的几项拟议法案将要求公司审计其算法并修复发现的歧视，但这些法案尚未成为法律。美国国家标准与技术研究院(National Institute of Standards and Technology)正在制定可信人工智能的自愿框架，医疗保健研究与质量局(Agency for Healthcare Research and Quality)已将可能存在种族偏见的临床算法列为优先关注领域。目前，监管在很大程度上取决于各医疗系统是否选择审计其部署的工具。
【全文结束】