在医学领域，认知偏见是常见的现象，因为医生和其他医疗人员也是人，容易犯这样的错误。认知偏见并不一定是由负面意图引起的，而是基于医疗专业人员的经验和观察。尽管如此，这些偏见可能导致诊断和治疗方面的问题。一些人希望借助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？
在医疗环境中，有几种常见的认知偏见：
可用性偏见：可用性偏见是指“倾向于高估那些容易想到的事件发生的可能性”，一项2020年的研究指出。例如，如果之前的患者对某种治疗产生了不良反应，医生就不太可能向下一个患者推荐这种治疗，即使并发症的风险很低。
确认偏见：这种类型的偏见“扭曲了我们的感知和解释，使我们倾向于接受与初始信念一致的信息——并忽视所有相反的迹象”，《福布斯》杂志指出。在医学背景下，“在信息有限的情况下，医生会迅速形成一个假设，然后通过进一步的问题、诊断测试和病历信息来支持他们的第一印象”，从而确认他们最初对问题的看法，即使这是不正确的。
情感启发式：医疗专业人员可能会“受到情感反应的影响，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”，或者根据先前的经历对患者产生正面或负面的感觉。
框架效应：框架效应指的是一个人对信息的反应会因信息的呈现方式而不同。“患者会同意一种有20%治愈率的化疗方案，但当被告知该方案有80%的失败率时，他们可能会拒绝同样的治疗”，《福布斯》杂志指出。
自我服务偏见：医生可能会优先考虑自己的利益而不是患者的利益。“制药公司和医疗器械公司积极奖励那些开处方和推荐其产品的医生”，《福布斯》杂志指出。“然而，医生们发誓说，没有任何一顿饭或礼物会影响他们的处方习惯。”
偏见可以减少吗？
关于是否可以通过减少潜意识偏见来降低错误，意见不一。“简单地增加医生对各种认知偏见的熟悉程度——以及如何避免它们——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。在医学院校加强关于潜在偏见的教育可能有助于减少偏见水平。“反思实践强化了在复杂情况下减少偏见的行为。”
然而，减少偏见可能比说起来要难得多。在高压力情况下，识别偏见变得更加困难。即使医疗专业人员已经接受了广泛的偏见识别知识和培训，“当测试其对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级别应用”，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，经过人们电子健康记录数据的预训练，并输入关于认知偏见的信息，将能够在这些错误发生时发现它们”，《福布斯》杂志指出。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AI》上的一项研究指出，而且“偏见的程度可能比实际执业医生观察到的更大”。它们可能“特别容易在医学领域出现偏见”，该研究的共同作者唐纳德·雷德尔迈尔博士说，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保障措施。
另一个担忧是，人工智能不仅显示出认知偏见。特别是与健康和医学相关的AI模型，也显示出了性别和种族偏见，因为用于训练它们的医疗数据很大程度上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·乔马说。“偏见是一个人类问题。”
(全文结束)
