AI正在重塑医疗健康领域的几乎每一个主要功能，从解读医学扫描图像、预测危及生命的感染，到设计新药和处理文书工作。美国食品药品监督管理局（FDA）已授权超过950款AI医疗设备，其中76%用于放射科。这些工具并非理论概念或多年后才可实现，它们已经出现在医院、诊所和研究实验室中，其影响力的数据已不容忽视。
从医学影像诊断疾病
AI在医疗领域最成熟的角色是解读医学影像。经过数百万张X光片、核磁共振（MRI）和CT扫描图像训练的算法，能够标记出人眼可能遗漏的异常，或确认放射科医生的怀疑。在肌肉骨骼影像学方面，AI模型展现出与经验丰富的放射科医生大致相当的准确性，与单独工作的临床医生相比，诊断准确率整体提高了约3%。
结果因任务而异。在膝关节MRI上检测一般异常时，AI模型能发现约88%的病例，而放射科医生为91%。对于前交叉韧带撕裂这类更具体的发现，AI发现了76%的病例，但在排除误报方面略胜一筹，正确识别出97%未患病者，而放射科医生为93%。在某些情况下，AI明显领先：在通过MRI区分不同类型的脊柱感染时，AI正确识别了85%的病例，而专科放射科医生仅为72%。
真正的价值不在于取代放射科医生，而在于让他们与AI合作，以便更少发现被遗漏，尤其是在夜班或缺乏亚专科专业知识的医疗机构。AI充当第二读片员，优先处理最紧急的扫描，并在无疲劳状态下捕捉成千上万张图像中的细微模式。
预测医疗紧急情况的发生
AI在医疗领域最强大的应用之一是，在患者生命体征明显崩溃之前发现谁在恶化。败血症是一种由感染引起的致命免疫过度反应，是一个典型例子。发表在《美国医学会杂志网络开放版》上的一项涵盖36项研究的荟萃分析发现，AI驱动的败血症警报系统将死亡率降低了29%，而标准护理组则无此效果。这些系统持续监测实验室数值、心率、体温和其他数据点，在患者通常满足败血症临床标准前数小时触发警报。
这个提前量至关重要。败血症每年导致约35万美国人死亡，且治疗每延误一小时，生存率就会急剧下降。能为临床医生赢得额外几个小时开始使用抗生素或输液的人工智能系统，可能就是康复与器官衰竭之间的区别。
为癌症患者匹配更佳治疗方案
传统的癌症治疗通常采用“一刀切”的方法：诊断肿瘤类型，应用标准疗法，然后希望患者有反应。人工智能通过分析每位患者癌症的基因图谱，预测哪些药物会真正有效，正在帮助肿瘤学家实现更精准的治疗。
使用先进计算分析的研究人员已经确定了近800种直接影响乳腺癌、卵巢癌、皮肤癌和胃肠道癌症生存结果的基因变化。这些发现具有直接的临床意义。例如，携带KRAS突变的晚期肺癌患者对一种常见的靶向疗法反应不佳，这表明他们应该从一开始就被引导至替代疗法。另一方面，DNA修复通路的突变会使肿瘤更不稳定，对免疫疗法更敏感。
并非所有突变都是坏消息。免疫相关通路中的一些突变实际上与接受免疫治疗的肺癌患者更好的生存率相关。人工智能能够比人类团队审查相同数据快得多地梳理这些复杂、有时相互矛盾的基因信号，帮助肿瘤学家根据每个肿瘤的生物学特性（而非仅仅是其位置）来匹配治疗方案。
使手术更精准
人工智能辅助的机器人手术已大大超越了实验阶段。多项研究表明，与手动技术相比，这些系统在手术中将手术时间缩短了25%，术中并发症减少了30%。患者平均恢复速度加快约15%，术后疼痛评分也更低。
在需要毫米级精确度的操作中，精度提升尤为显著。在脊柱手术中，人工智能引导的机器人系统置钉错误率仅为2.5%，而手动置钉错误率为10.3%。这一四倍的提升直接降低了神经损伤的风险。在所审查的研究中，住院时间缩短了1到3天，经济分析估计，仅因住院时间缩短，每位患者就能节省约1500美元。
人工智能还扩展了微创手术的应用范围。系统评价发现，当外科医生使用人工智能辅助平台时，在解剖结构复杂的病例中，微创手术的成功率更高，其效果可与传统开放手术相媲美或更优。
加速药物研发
传统上，开发一种新药需要10到15年时间，成本在10亿到20亿美元之间。人工智能正通过模拟分子相互作用、预测哪些候选药物会早期失败以及识别人类研究人员可能忽略的有前景的靶点，极大地压缩这一时间线。
最常被引用的例子是Insilico Medicine，该公司利用其人工智能平台，为一种名为特发性肺纤维化的严重肺部疾病确定了一个新的药物靶点，并在短短18个月内将候选药物推进到临床前试验阶段，而这一过程通常需要4到6年。人工智能驱动的部分，除去实验室验证，仅耗资15万美元。另一家公司Exscientia在不到12个月内开发出首个进入人体临床试验的人工智能设计分子，针对的是强迫症。
人工智能并不能取代湿实验工作或证明药物安全有效所需的数年临床试验。它的作用是大幅缩短早期发现阶段，在这个阶段，成千上万个潜在分子被筛选，其中大部分被丢弃。通过以计算方式而非物理方式运行这一过程，人工智能让研究人员能够将实验室资源集中在最有可能成功的候选药物上。
大规模支持心理健康
人工智能驱动的聊天机器人和对话式代理正在填补心理健康护理的缺口，因为对该领域的治疗师需求远远超过供应。发表在《数字医学npj》上的一项荟萃分析发现，使用认知行为疗法等技术的人工智能聊天机器人在减轻抑郁和心理困扰症状方面产生了有意义的效果。效果大小适中至较大，与某些面对面干预措施相当。
这些工具不能替代治疗师，但它们提供了治疗师无法提供的东西：全天候可用且无需等待。对于凌晨两点经历抑郁发作或生活在偏远地区、附近没有心理健康服务提供者的人来说，一个引导他们采用循证应对策略的AI聊天机器人可以提供真正的缓解。然而，研究确实发现，这些工具尚未显示出能显著改善整体心理健康，这表明它们更擅长管理急性症状，而非建立长期韧性。
为临床医生削减文书工作
护士和医生将惊人的工作日常花在文书工作上，而不是患者护理上。人工智能正开始收回部分时间。语音转文字转录、自动图表记录和智能数据录入工具可将文书工作的时间减少21%到30%，预计每年为每位护士节省95到134小时。能简化入院、转院和出院流程的人工智能，通过将花费在这些管理任务上的时间减少37%到46%，每年可额外节省32到40小时。
这些数字加起来相当于每位护士每年可多出数周的时间。对于一个雇佣了数千名护士的医院系统来说，人工智能文档工具可以在不增加任何员工的情况下，释放相当于数十个全职岗位的临床工作时间。
监测患者出院后情况
出院后的几天和几周是一个脆弱期，尤其是对于患有慢性病的患者。人工智能驱动的远程监测系统使用联网设备在家中跟踪生命体征、用药依从性和症状变化，在出现问题时提醒护理团队。
一项针对高风险患者的前瞻性研究发现，家庭远程监测在出院后三个月和六个月均将再入院率降低了约58%。平均住院率在三个月时从每位患者0.45次降至0.19次，在六个月时从0.55次降至0.23次。对患者而言，这意味着更少的急诊返院。对医疗系统而言，这意味着一笔巨大的成本节约，因为再入院是医疗中最昂贵且通常可预防的事件之一。
偏见与安全挑战
医疗领域的AI伴随着仍在解决中的真实风险。在代表性不足某些种族、民族或社会经济群体的数据上训练的算法可能会产生带有偏见的建议。一个广为流传的例子是，一个被主要医疗系统用于分配护理资源的商业算法，系统性地低估了黑人患者的病情严重程度，因为它使用医疗支出作为疾病严重程度的代理指标，而由于系统性的就医障碍，历史上为黑人患者支付的护理费用较少。
监管框架正在追赶，但仍不完整。在FDA授权的950多款AI设备中，绝大多数是通过简化的审批途径而非专为高风险设备保留的更严格批准流程通过的。许多设备是基于特定人群或成像设备的性能数据获得批准的，这引发了关于它们在不同医院和患者群体中的通用性如何的问题。关于这些算法如何在哪些人群身上进行测试的透明度，是该领域仍有相当长一段路要走的方面。
【全文结束】