关键要点
- 医疗保健是全球人工智能投资最大的领域之一。
- 人工智能在医疗保健领域的应用为数据源带来了新可能性，同时也带来了管理这些数据的挑战。
- 在医疗环境中实施人工智能工具并非易事，需要仔细考虑。
人工智能（AI）被誉为"我们这个时代的定义性技术"，预计未来十年该市场的投资将快速增长¹。全球人工智能投资最大的领域之一是医疗保健行业，相关工具承诺提高行政效率和诊断准确性²,³。
在今年的医疗信息与管理系统协会（HIMSS）全球健康大会暨展览会上，罗氏信息系统首席医学信息官奥坎·埃金奇博士、Prenosis公司首席执行官鲍比·雷迪小博士、德克萨斯大学医学分部首席人工智能官彼得·麦卡弗里博士，以及罗氏信息系统高级首席数据科学家维沙卡·夏尔马博士，与LabLeaders共同出席了我们的首次线下活动，讨论了人工智能的前景以及在医疗环境中安全可持续实施的考虑因素。
满足医疗保健提供者日益增长的需求
人工智能技术已被提出并开发用于在医疗保健环境中告知或执行各种任务，包括行政职能、临床决策和健康数据分析。可用工具的广泛范围可以提高效率，从而帮助缓解人员短缺问题，这是当今许多组织面临的关键挑战。"无论你是实验室人员还是医疗服务提供者，你都会看到人员短缺实际上影响了你的工作成果——即医疗服务，"奥坎·埃金奇博士说。
彼得·麦卡弗里博士解释说，人们对医疗服务的期望使这一问题更加复杂。"人们真正希望从医疗保健中获得的是获取信息和指导。他们希望随时随地获取与自己相关的信息。他们理应获得这些。"然而，麦卡弗里博士承认，以目前的人员配备水平这是不可能的："即使我们今天和未来十年培训我们能想到的每一位临床工作人员，我们也不会有足够的人员来接近实现这一目标。只有通过增强型劳动力才有可能实现⁴。这种增强包括规模效率、自动化，以及通过人工智能实现思维工作的自动化。"
适应数据性质的变化
随着居家护理或虚拟护理在新冠疫情后变得更加普遍，护理的去中心化意味着医疗保健系统将越来越多地接触到传统范围之外的数据。"你不一定有为此类数据预先设定的规则，"麦卡弗里博士说，并指出一个例子：一个人工智能模型通过观察键盘上的击键来诊断帕金森病的早期迹象⁵。麦卡弗里博士建议医疗保健系统必须改变对可用数据的看法："我们必须真正以不同方式思考患者如何管理自己的数据，以及我们如何与对我们来说不常规的数据源整合。如果我们只看在医院收集的东西，我们实际上是在自省那些我们已经知道的风险。"
埃金奇博士表示赞同："整个患者正在成为一个'数据捐赠者'，我们需要了解如何将这些数据带入护理环境，以及如何为居家患者提供实验室服务。在此背景下研究数据和人工智能的作用至关重要。"埃金奇博士继续说："在癌症护理等环境中，我们有多模态数据。例如，实验室数据、基因组数据、肿瘤突变数据等。所有这些数据都需要与现有数据结合并进行情境化，以创造新的见解。这些见解可以指导治疗决策、预测并发症或早期检测疾病进展。"
鲍比·雷迪小博士意识到了这一点，并专注于提供一个强大的人工智能模型，以最大限度地利用可用的多模态数据。结果？作为首个获得FDA批准的脓毒症管理人工智能模型，Prenosis可以预测患者患脓毒症的可能性。他解释说："为什么不将生物标志物、生命体征、实验室检查、人口统计参数等全部结合起来，真正了解患者当前的情况，以及未来可能发生的情况，而不是只关注少数实验室检查来做出决策？"
数据输入，数据输出
可用数据的丰富并不一定意味着更好的结果。雷迪博士警告说，人工智能的强大程度取决于输入的数据："无论人工智能模型有多好，如果数据不相关或质量不高，那么你就无法获得想要的输出。"
维沙卡·夏尔马博士指出，另一个关键因素是数据最初是如何组织的："我们必须确保数据确实可用，并组织在例如数据湖中，分析师可以访问以构建稳健的模型。"数据还需要在模型之间标准化以确保一致性，所有这些都需要投资和资源。
尽管有人建议生成式人工智能可以在数据组织中发挥作用，但麦卡弗里博士对此表示谨慎，因为它有可能"以误导性的方式组织你的数据。它仍然在下游模型中起作用，并将这种误导性传播。"出于这个原因，麦卡弗里博士解释说，为了让生成式人工智能在医疗保健领域良好工作，必须设置防护措施，并且在模型开发和增长的每个迭代中，人类输入将至关重要："我们仍然需要在全行业范围内建立数据标准。如果你想进行高级分析，我们可以容忍的错误率远低于我们在单个实例中容忍的错误率，当这些实例汇总到高级分析中时，错误会在所有这些实例中累积。"
从不同的数据领域来看，实验室在人工智能工具和模型的未来发展方面具有独特优势。从体外诊断实验室和分子诊断、测序到数字病理学和诊断成像，"实验室"一词涵盖了一系列子领域，这些子领域在医疗人工智能模型的训练中发挥着越来越重要的作用。尽管人工智能可以处理许多行政任务，如临床文档，"人工智能无法生成实验室结果，"麦卡弗里博士澄清道，"这是人工智能赖以运行的素材——成像和实验室结果。所以，我认为我们将在未来的中心发挥巨大作用。"
实施的实用性
尽管医疗保健领域对人工智能的投资增加以及技术进步，但工具的临床采用仍然有限⁵。可能是因为实施此类技术需要仔细考虑³。"我们遇到的主要问题是，这种工具是否真的会产生影响，并改善患者的情况，"雷迪博士解释道。
然而，这个问题的答案并不简单。必须考虑该工具是否适用于患者群体，并在该群体中具有所需的诊断准确性或预测能力。雷迪博士建议缓解这方面担忧的一种方法是寻找在临床表现方面经过外部验证的产品："当你去一个公正的外部第三方，他们可以接触市场上所有其他技术，这种外部验证对于建立信任至关重要。"
在实施任何新技术之前，组织还应考虑当前工作流程需要做出哪些更改，以及他们将用于衡量工具影响的指标。"假设你实施了一个新的医疗人工智能算法。还有哪些变量可能会改变？员工是否需要特定培训？也许他们必须改变某些工作流程。我们希望确保在任何医疗生态系统中，如果部署了该算法，员工确认人工智能模型按照应有的方式工作，"夏尔马博士解释道，她建议将采用率作为额外的性能指标。
麦卡弗里博士表示同意："这是一个非常好的指标，采用率，因为很多时候在机构中，我们不会反思打开工具后会发生什么。有多少人使用它，谁使用它，为什么？"财务指标也很有用，例如该工具是否会带来成本节约，或者是否会提供新服务以增加收入。"以筛查为例，论点是它实际上会带来新资金，而不是成本节约，"麦卡弗里博士解释道。
在某些情况下，需要考虑外部指标。"如今，许多医疗系统都非常担心30天再入院等问题，这些问题不仅与那些质量指标相关，还可能带来财务处罚，"雷迪博士承认。"对财务的影响几乎每个医疗系统都关心。那么，有什么理由相信，我投入到这个工具中的钱，会因为这些护理改进而得到两倍、三倍、五倍的回报？"
麦卡弗里博士说，最终，组织在推出产品之前至少应该有一个关键绩效指标（KPI），"明确我要移动什么指标，以及在什么时间范围内？"
实现共同目标
人工智能的短创新周期使得医疗生态系统中的利益相关者难以独立运作。埃金奇博士认为，将医疗企业转变为拥抱人工智能并从临床、运营和财务角度创造价值的企业需要合作。"我认为在理解风险、理解机遇以及理解我们应如何应对方面有很多共性。因此，行业参与者、学术界、政策制定者和所有利益相关者之间的互动对于长期成功变得更加必要。"
【全文结束】
