一组医疗研究人员坚持认为，人工智能（AI）和机器学习（ML）的开发应重点关注提供患者护理的临床医生的首要需求，并且这些需求必须优先考虑；他们还相信，AI技术应该像所有临床实践指南一样进行评估。
10月15日，Manesh R. Patel医学博士、Suresh Balu理学硕士和Michael J. Pencina哲学博士在《美国医学会杂志》（JAMA）在线版的一篇题为《为临床医生翻译AI》的观点文章中写道：“我们相信，通过一个将证据生成与适应症和风险及益处联系起来的临床框架来开发和测试ML和AI工具，将加速其在医学中的进步和采用，这使临床医生能够在现有实践指南的背景下立即理解。”
文章的作者分别隶属于北卡罗来纳州达勒姆的杜克大学医学院杜克临床研究所、杜克大学医学中心、杜克健康创新研究所和杜克大学医学院杜克AI健康。
他们在文章中写道：“为了实现其全部潜力，当前健康AI技术的开发需要关注技术旨在改进的临床用例或适应症。具体来说，开发者应优先将技术与临床适应症和用例对齐，以最大化影响。我们认为，这是从目前的开发路径——重点关注使用的高级计算技术和可用的健康数据来源及其多样性、数量和广度——向概念上的重大转变。尽管这对于AI算法和模型的形成是必要的，但还不够。为了在临床中成功采用AI技术，我们必须首先明确可以从AI整合中受益的具体问题或用例。”
他们还在文章中分享了一个图表，列出了“临床适应症”与“AI示例”之间的对应关系。这些对应关系包括：患者互动：环境语音听写、日程安排、电子健康记录收件箱工具；风险分层（精准医疗）：患者风险评估工具；诊断：临床数据或影像分析（例如，超声心动图）；实验室结果解读：测试结果的分析和描述；收集患者偏好或行为改变：对话聊天机器人；程序：手术辅助；开具药物：药物相互作用评估；患者或人群监测：血糖监测、高危人群监测；研究和学习：研究参与者识别和参与；继续教育和培训：虚拟现实案例模拟。
他们写道：“我们认为，健康AI技术的证据应像所有临床实践指南一样进行评估和审查（图C）。如果AI技术像传统疗法一样进行测试，我们当前的标准通常会评估诸如特定治疗条件（即适应症）、可用数据集代表的患者群体、AI整合到临床实践中的研究设计，以及与现有护理相比的治疗效果等因素，以作出指南推荐。”
(全文结束)
