人工智能在医疗保健中的潜力

医疗保健中数据的复杂性和兴起意味着人工智能（AI）将越来越多地应用于该领域。支付者，护理提供者以及生命科学公司已经采用了几种类型的人工智能。应用的关键类别包括诊断和治疗建议，患者参与和依从性以及管理活动。尽管在许多情况下AI可以执行比人类更好或更好的医疗保健任务，但实施因素将在相当长的一段时间内阻止医疗保健专业人员工作的大规模自动化。还讨论了将AI应用于医疗保健中的伦理问题。

介绍

人工智能（AI）和相关技术在商业和社会中越来越普遍，并开始应用于医疗保健。这些技术有可能改变患者护理的许多方面，以及提供商，付款人和制药组织内部的管理流程。

已经有许多研究表明，在关键的医疗保健任务（如疾病诊断）上，人工智能的性能可以与人类相同或更好。如今，在发现恶性肿瘤并指导研究人员如何为昂贵的临床试验构建队列方面，算法的性能已经超过放射科医生。但是，由于种种原因，我们认为AI在广泛的医学过程领域取代人类还需要很多年。在本文中，我们既描述了AI自动化护理方面的潜力，也描述了AI在医疗保健中快速实施的一些障碍。

与医疗相关的AI类型

人工智能不是一种技术，而是其中的一种集合。这些技术大多数与医疗保健领域息息相关，但是它们支持的具体过程和任务却相差很大。下面定义和描述一些对医疗保健非常重要的特定AI技术。

诊断和治疗应用

至少从1970年代开始，疾病的诊断和治疗就一直是AI的重点，当时斯坦福大学开发了MYCIN来诊断血源性细菌感染。该系统和其他早期基于规则的系统显示出准确诊断和治疗疾病的希望，但并未被临床实践采用。它们在本质上不比人类诊断医生好，并且与临床医生的工作流程和病历系统集成得很差。

最近，IBM的Watson因专注于精密医学，特别是癌症诊断和治疗而在媒体上引起了相当大的关注。沃森结合了机器学习和NLP功能。但是，随着客户意识到教导Watson如何解决特定类型的癌症9以及将Watson集成到护理过程和系统中的困难，对该技术应用的早期热情已经减弱。10Watson不是单个产品，而是通过应用程序编程接口（API）提供的一组“认知服务”，包括语音和语言，视觉以及基于机器学习的数据分析程序。大多数观察者认为Watson API具有技术上的功能，但是进行癌症治疗是一个过于雄心勃勃的目标。沃森（Watson）和其他专有程序也遭受了与某些供应商（例如Google的TensorFlow）提供的免费“开源”程序的竞争。

AI的实施问题困扰着许多医疗保健组织。尽管结合到EHR系统中的基于规则的系统已被广泛使用，包括在NHS ，但它们缺乏基于机器学习的更多算法系统的精度。随着医学知识的变化，这些基于规则的临床决策支持系统很难维护，并且通常无法基于基因组，蛋白质组学，代谢和其他“基于组学”的护理方法来处理数据和知识的爆炸式增长。

这种情况开始改变，但主要存在于研究实验室和科技公司中，而不是临床实践中。几乎没有一周的时间，没有研究实验室声称它已经开发出一种使用AI或大数据来诊断和治疗疾病的方法，其准确性与人类临床医生相同或更高。这些发现中有许多是基于放射图像分析的，12尽管有些涉及其他类型的图像，例如视网膜扫描13或基于基因组的精密医学。14由于这些类型的发现基于基于统计的机器学习模型，因此它们正迎来一个基于证据和概率的医学时代，该时代通常被认为是积极的，但在医学伦理和患者/临床医生关系方面带来了许多挑战。

科技公司和初创公司也在同样的问题上孜孜不倦地工作。例如，谷歌（Google）正在与医疗服务网络合作，建立大数据的预测模型，以向临床医生警告败血症和心力衰竭等高风险状况。16Google，Enlitic和许多其他初创公司正在开发AI衍生的图像解释算法。Jvion提供了一种“临床成功机器”，可以识别风险最高的患者以及最有可能对治疗方案做出反应的患者。这些都可以为寻求为患者找到最佳诊断和治疗方法的临床医生提供决策支持。

也有几家公司根据其遗传特征专门针对某些癌症的诊断和治疗建议。由于许多癌症具有遗传基础，因此人类临床医生发现了解癌症的所有遗传变异及其对新药和新方案的反应变得越来越复杂。现在由罗氏（Roche）拥有的Foundation Medicine和Flatiron Health等公司都专门研究这种方法。

提供者和护理付款人也都在使用“人口健康”机器学习模型来预测处于特定疾病风险或事故人群，或预测医院的再入院率。这些模型虽然有时缺乏所有可能增加预测能力的相关数据，例如患者的社会经济状况，但仍可以有效地进行预测。

但是，无论是基于规则还是本质上的算法，基于AI的诊断和治疗建议有时都难以嵌入到临床工作流程和EHR系统中。与无法提供准确有效的建议相比，此类整合问题可能是更大范围地实施人工智能的障碍；技术公司的许多基于AI的诊断和治疗功能本质上是独立的，或仅涉及护理的一个方面。一些EHR供应商已开始将有限的AI功能（基于规则的临床决策支持除外）嵌入其产品中，20但这些仍处于早期阶段。提供商将不得不自己进行大量的集成项目，或者等到EHR供应商添加更多的AI功能。

患者参与和依从性应用

长期以来，患者的参与和依从一直被视为医疗保健的“最后一英里”问题，这是无效和良好健康结果之间的最终障碍。积极参与自己的福祉和护理的患者越多，结果-利用率，财务结果和成员体验就越好。大数据和人工智能正在越来越多地解决这些因素。

提供者和医院经常使用其临床专业知识来制定他们知道会改善慢性或急性患者健康的护理计划。但是，如果患者未能进行必要的行为调整，例如减肥，安排随访，填写处方或遵守治疗计划，这通常并不重要。不合规-当患者未遵循治疗方案或未按照建议服用处方药时-是一个主要问题。

在对300多名临床负责人和医疗保健主管的调查中，超过70％的受访者表示其参与度低于50％的患者，而42％的受访者表示其参与度不足25％的患者。

如果患者更深入地参与可以带来更好的健康结果，那么基于AI的功能是否可以有效地个性化和情境化护理？人们越来越重视使用机器学习和业务规则引擎来推动医疗连续体中细微差别的干预。消息警报和相关的有针对性的内容会在重要的时刻引发行动，这是研究领域中充满希望的领域。

在医疗保健领域，另一个日益增长的关注点是基于现实世界的证据，以一种更加预期的方式有效设计“选择架构”，以推动患者的行为。通过提供者EHR系统，生物传感器，手表，智能手机，对话界面和其他仪器提供的信息，软件可以通过将患者数据与其他同类人群的有效治疗途径进行比较，来定制建议。可以将建议提供给提供者，患者，护士，呼叫中心代理或护理提供协调员。

行政申请

在医疗保健中也有很多管理应用程序。与患者护理相比，在此领域使用AI可能没有多少潜在的革命性意义，但它可以提供很高的效率。在医疗保健中需要这些，因为例如，美国普通护士平均将工作时间的25％花费在监管和行政活动上。与这一目标最相关的技术是RPA。它可用于医疗保健中的各种应用程序，包括理赔处理，临床文档，收益周期管理和病历管理。

一些医疗机构还对聊天机器人进行了实验，以进行患者互动，心理健康和保健以及远程医疗。这些基于NLP的应用程序可能对简单的交易（如加药或预约）有用。但是，在一项针对500位美国医疗保健使用前五名聊天机器人的用户的调查中，患者对透露机密信息，讨论复杂的健康状况和易用性表示担忧。

与索赔和支付管理相关的另一项AI技术是机器学习，可用于跨不同数据库的概率数据匹配。保险公司有责任核实数百万份索赔是否正确。可靠地识别，分析和纠正编码问题和不正确的索赔，可以为所有利益相关者（包括健康保险公司，政府和医疗服务提供者）节省大量时间，金钱和精力。穿过裂缝的不正确的索赔构成巨大的财务潜力，等待通过数据匹配和索赔审核将其释放。

对医护人员的影响

人们对AI将导致工作自动化和大量劳动力流离失所的关注引起了人们的极大关注。Deloitte与牛津马丁研究所（Oxford Martin Institute）合作表明，人工智能可以在未来10至20年中自动淘汰英国35％的工作。其他研究表明，虽然可以实现某些工作的自动化，但除技术外，其他各种外部因素也可能限制工作流失，包​​括自动化技术的成本，劳动力市场的增长和成本，除简单的劳动力替代之外的自动化收益以及法规和法规的限制。社会认可度。这些因素可能会将实际失业人数限制在5％或以下。

据我们所知，到目前为止，在医疗保健领域还没有AI被淘汰的工作。迄今为止，AI进入行业的局限性有限，以及将AI集成到临床工作流程和EHR系统中的困难，一定程度上是由于缺乏工作影响。似乎最有可能实现自动化的医疗保健工作将是那些涉及例如处理数字信息，放射学和病理学的工作，而不是那些与患者直接接触的工作。

但是，即使在放射线医生和病理学家这样的工作中，人工智能在这些领域的渗透也可能很慢。尽管正如我们所论证的那样，像深度学习这样的技术正在侵入诊断和分类图像的能力，但是例如，放射工作不会很快消失的原因有很多。

首先，放射线医生要做的不仅仅是阅读和解释图像。像其他AI系统一样，放射线AI系统执行单个任务。实验室和初创公司中的深度学习模型接受了针对特定图像识别任务的培训（例如胸部计算机断层扫描上的结节检测或脑磁共振成像上的出血）。但是，要完全识别医学图像中的所有潜在发现，就需要成千上万个这样的狭窄检测任务，而今天的AI只能完成其中的几个。放射科医生还就诊断和治疗咨询其他医师，治疗疾病（例如提供局部消融治疗），并进行以图像为导向的医学干预措施，例如癌症活检和血管支架（介入放射学），定义要进行的影像学检查的技术参数（针对患者

其次，采用基于AI的图像工作的临床过程距离日常使用还很遥远。不同的成像技术供应商和深度学习算法具有不同的重点：病变的可能性，癌症的可能性，结节的特征或其位置。这些不同的重点将使很难将深度学习系统嵌入当前的临床实践中。

第三，用于图像识别的深度学习算法需要“标记数据”-来自已经明确诊断出癌症，骨折或其他病理的患者的数百万张图像。但是，没有标记或以其他方式标记的放射图像的汇总存储库。

最后，医疗法规和健康保险将需要进行实质性更改，以使自动图像分析迅速发展。

在医学的病理学和其他数字化方面也存在类似的因素。因此，在未来20年左右的时间里，我们不太可能看到由于AI而导致的医疗保健就业发生重大变化。也有可能会创造新的工作机会来与AI技术一起工作并发展AI技术。但是，当然，静态的或不断增加的人类就业也意味着，在该时间段内，人工智能技术不太可能大幅降低医疗诊断和治疗的成本。

伦理意义

最后，围绕AI在医疗保健中的使用，还有多种伦理意义。过去，医疗保健决策几乎完全是由人类做出的，而使用智能机器制造或协助它们会引起问责制，透明度，许可和隐私问题。

鉴于当今的技术，也许最难解决的问题是透明度。实际上，许多AI算法（尤其是用于图像分析的深度学习算法）都无法解释或解释。如果患者被告知图像已导致癌症诊断，则他或她可能会想知道原因。深度学习算法，甚至是通常熟悉其操作的医生也可能无法提供解释。

毫无疑问，人工智能系统在患者诊断和治疗中会犯错误，并且可能难以为其建立责任。可能还会发生患者从AI系统接收医疗信息的事件，而他们希望从有同情心的临床医生那里接收该信息。医疗保健中的机器学习系统也可能会受到算法上的偏见，也许当性别或种族不是真正的因果因素时，可能会根据性别或种族预测疾病的更大可能性。

在医疗保健领域，人工智能很可能会遇到许多伦理，医学，职业和技术方面的变化。重要的是，医疗保健机构以及政府和监管机构应建立结构来监控关键问题，以负责任的方式做出反应，并建立治理机制以限制负面影响。这是影响人类社会的更强大，最重要的技术之一，因此，它需要多年的持续关注和周到的政策。

人工智能在医疗领域的未来

我们认为，人工智能在未来的医疗保健产品中将发挥重要作用。以机器学习的形式，它是精密医学发展的主要能力，已被广泛认为是急需的护理先进技术。尽管尽早提供诊断和治疗建议的努力具有挑战性，但我们希望AI最终也将掌握这一领域。鉴于AI在影像分析方面的飞速发展，似乎大多数放射学和病理学影像将在某一时刻被机器检查。语音和文本识别已经用于诸如患者交流和获取临床笔记之类的任务，并且它们的使用将增加。

在这些医疗保健领域，人工智能的最大挑战不是技术是否足够有用，而是要确保其在日常临床实践中得到采用。为了获得广泛采用，AI系统必须得到监管机构的批准，并与EHR系统集成，并在足够的程度上进行标准化，以使类似产品以类似的方式工作，向临床医生传授知识，由公共或私人付款机构付款并随时间更新在该领域。这些挑战最终将得到克服，但是要完成这些挑战所需的时间要比技术本身成熟所需的时间长得多。因此，我们期望在5年内将AI在临床实践中的使用限制在有限的范围内，而在10年内将广泛使用。

似乎越来越清楚的是，人工智能系统不会大规模取代人类临床医生，而是会加大他们在照顾病人方面的努力。随着时间的流逝，人类临床医生可能会转向利用独特的人类技能（例如同理心，说服力和大背景整合）的任务和工作设计。可能唯一会随着时间的流逝而失业的医疗服务提供者可能是那些拒绝与人工智能一起工作的人。