当审视医疗领域的人工智能时，UCLA Health Sciences的首席医疗信息官Eric Cheng博士采取了一种系统化、数据驱动的方法。
在最近一期的“Becker's Healthcare Podcast”播客节目中，Cheng博士描述了该医疗系统在实施AI技术之前，如何彻底评估这些技术。这包括专注于收集高质量、全面的数据，以确保准确性并最小化偏见。他引用了一项著名的流行病学研究，该研究表明，早期死亡率只有20%可归因于医疗本身，而其余80%则与临床系统通常不记录的因素有关，如患者行为、社会决定因素、建成环境和遗传因素。获取这一更广泛的数据集对于临床医生和研究人员做出明智的治疗决策至关重要——同样，在使用AI时也是如此。
“我讲一个我在做研究时的故事。我们在结束一项试验时，有些困难从一些参与者那里获得最终的调查结果，所以我问一位统计学家，我们能不能用一些高级的插补方法来克服这个问题，”Cheng博士说。“他看着我说，‘你知道，插补确实比没有插补好，但没有什么可以替代原始数据收集。’同样，如果我们现在不收集正确的预测变量，那么由于遗漏变量偏差，结果将不准确，AI也无法克服这一点。”
AI可以从可用数据中生成强大的预测，但对于这项技术在临床护理中真正有效，数据本身必须既准确又多样化。确保强大的基础数据对于在医疗系统中操作AI至关重要。
“如果笔记不准确，那么预测当然也不准确。除了高质量的数据，数据类型也应扩展，”Cheng博士说。
UCLA Health将这种基于研究的理念应用于其选择环境监听技术的过程中。为了客观地评估潜在合作伙伴，该系统启动了一项观察性研究，并将250名医生随机分为两组——每组测试不同的供应商——以及一个对照组。医生们在设定的时间间隔内轮流分组，研究人员收集了关于每个工具性能及其与对照条件相比的详细反馈。
“根据我在卫生服务研究方面的经验，我知道观察性研究存在方法论上的缺陷，特别是自我选择偏差，这使得解释观察性研究变得困难，”Cheng博士说。“当你真的需要对答案有信心时，随机化是没有替代品的。”
为期两个月的研究仍在评估中。研究人员正在分析医生在文档上花费的时间、通过调查获得的倦怠水平以及每周的诊所天数。他们还在考虑患者安全指标，并进行经济分析，以指导在选择长期技术合作伙伴之前的决策。
“进行随机试验的开销太高，无法为每次AI实施都这样做，但当一个项目可能涉及七位数的价格标签时，稍微放慢实施速度以便正确研究是值得的，”Cheng博士说。“我强烈鼓励其他人也这样做。”
(全文结束)
