在医学领域，由于医生和其他医护人员也是人，容易犯错误，因此潜意识偏见非常常见。认知偏见并不一定是出于负面意图，而是基于医疗专业人员的经验和观察而产生的。尽管如此，它们可能导致诊断和治疗方面的问题。有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带有偏见。
医学中的主要偏见类型有哪些？
在医学背景下，存在几种认知偏见：
可得性偏见：2020年的一项研究指出，可得性偏见是指“当某些事件容易浮现在脑海中时，人们往往会高估其发生的可能性。”例如，如果之前的患者对某种治疗产生了不良反应，即使并发症的概率很低，医生也不太可能向下一个患者推荐这种治疗。
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最初信念一致的信息——并忽略所有相反的迹象，”《福布斯》杂志如是说。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，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，即使这个印象是不正确的。”
情感启发式：医务人员可能会“被情绪反应所左右，而不是理性地权衡风险和收益，”《美国医学会伦理学杂志》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积极或消极的感觉。
框架效应：框架效应指的是人们对信息的反应会因其呈现方式的不同而不同。“患者会在得知化疗有20%的治愈机会时同意接受治疗，但在被告知有80%的失败率时拒绝同样的治疗，”《福布斯》杂志提到。
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》杂志指出：“制药公司和医疗器械公司会积极奖励开处方和推荐他们产品的医生。然而，医生们坚称没有一顿饭或一份礼物会影响他们的开药习惯。”
偏见可以减少吗？
对于是否可以通过教育和培训减少潜意识偏见，意见不一。“仅仅增加医生对多种认知偏见的熟悉度——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，”《美国医学会伦理学杂志》的文章指出。在医学院校中加强关于潜在偏见的教育可能会降低偏见水平。“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。即使医务人员已经接受了广泛的偏见识别知识和培训，但“当测试其减少诊断错误的效果时，发现它们无效，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》期刊上的一项研究指出。
人工智能能帮助吗？
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，经过电子健康记录数据的预训练，并输入有关认知偏见的信息，将能够在这些错误发生时识别出来，”《福布斯》杂志表示。虽然有潜力，但人工智能模型是用人类数据训练的，因此偏见很容易渗入模型。
“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版块发表的一项研究指出，而且“偏见的程度可能比实际执业医师更大。”该研究的共同作者唐纳德·雷德尔迈尔博士表示，这是因为“不确定性和复杂性在医学领域普遍存在。”随着进一步的发展，可以添加针对认知偏见的防护措施。
另一个担忧是，人工智能不仅表现出认知偏见，还表现出性别和种族偏见，因为用于训练它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的兼职副教授迈克尔·乔马说道。“偏见是一个人类问题。”
(全文结束)
