在医学领域，潜意识偏见是很常见的，因为医生和其他医疗人员也是容易犯错的人类。认知偏见并不一定是由负面意图引起的——它们基于医疗专业人员的经验和观察而产生。尽管如此，这些偏见可能导致诊断和治疗方面的问题。一些人希望利用人工智能来消除诊断过程中的偏见，但这项技术本身也可能存在偏见。
医学中的主要偏见类型有哪些？
在医学背景下，有几种常见的认知偏见：
可用性偏见：2020年的一项研究指出，可用性偏见是指“人们倾向于高估那些容易想到的事件的发生概率”。例如，如果之前的患者对某种治疗方法产生了不良反应，医生可能会不太愿意推荐给下一个患者，即使发生并发症的概率很低。
确认偏见：这种偏见“扭曲了我们的感知和解释，使我们接受与初始信念一致的信息——并忽略所有相反的迹象”，《福布斯》杂志表示。在医学环境中，“在信息有限的情况下，医生会迅速形成一个假设，并通过进一步提问、诊断测试和病历信息来支持他们的第一印象”，即使这个印象是不正确的。
情感启发式：医疗专业人员可能会“受情绪反应的影响，而不是理性地权衡风险和收益”，《美国医学会伦理杂志》的一篇文章指出。这可能表现为医生将患者标记为“抱怨者”或根据之前的经验对患者产生正面或负面的情感。
框架效应：框架效应指的是一个人对信息的反应会因信息呈现方式的不同而不同。“当被告知化疗方案有20%的治愈率时，患者会同意接受该方案；但如果被告知有80%的失败率时，他们则会拒绝同样的治疗。”《福布斯》杂志说。
自利偏见：医生可能会倾向于优先考虑自己的利益而不是患者的。《福布斯》杂志表示：“制药公司和医疗器械公司积极奖励开处方和推荐其产品的医生。然而，医生们坚称没有任何一顿饭或礼物会影响他们的开药习惯。”
偏见可以减少吗？
关于潜意识偏见是否可以减少，意见不一。“简单地增加医生对多种认知偏见的熟悉程度——以及如何避免这些偏见——可能是减少偏见相关错误的最佳策略之一，《美国医学会伦理杂志》的文章指出。在医学院校中加强对潜在偏见的教育可以降低偏见水平。“反思行为可以强化减少复杂情况下偏见的行为。”
然而，减少偏见可能比说起来要难得多。在高压情况下，识别偏见变得更加困难。即使医疗专业人员接受了广泛的培训，以识别偏见，“当测试其减少诊断错误的效果时，这些方法已被证明无效，无论是在哪个专业领域或培训水平上应用。”2024年发表在《学术急诊医学》杂志上的一项研究指出。
人工智能能帮忙吗？
一些专家对人工智能的诊断能力持乐观态度。“未来几代生成式人工智能，预先训练了人们的电子健康记录数据，并输入了有关认知偏见的信息，将在这些错误发生时能够发现它们。”《福布斯》杂志表示。虽然潜力巨大，但人工智能模型是用人类的数据进行训练的。因此，偏见很容易进入这些模型。
“生成式人工智能模型表现出类似人类的认知偏见，”《新英格兰医学杂志人工智能》上发表的一项研究指出，而且“偏见的程度可能大于实际执业医师所观察到的。”研究合著者唐纳德·雷德尔梅尔博士表示，这是因为“这是一个不确定性与复杂性广泛存在的领域。”随着进一步的发展，可以增加防止认知偏见的安全措施。
另一个担忧是，人工智能不仅表现出认知偏见，还在性别和种族偏见方面表现明显，因为用于训练它的医疗数据主要排除了女性和有色人种。“当我们谈论‘人工智能中的偏见’时，我们必须记住，计算机是从我们这里学习的。”耶鲁大学医学院放射学和生物医学成像系副教授迈克尔·乔马表示。“偏见是一个人类问题。”
(全文结束)
