“医学知识正以如此迅猛的速度增长，以至于当今医学生所学内容中仅有6%在十年后仍将适用，”美国国家经济研究局（NBER）发布的报告《人工智能对医疗保健成本的潜在影响》指出。
随着人工智能持续变革各行业，该报告发现，若在未来五年内采用现有技术，AI“可使医疗支出节省5%至10%”。预计节约将源于AI赋能的医院管理、医生团队及私人支付方流程优化。
AI的应用实践
报告作者尼基尔·R·萨尼（Nikhil R. Sahni）、乔治·斯坦（George Stein）、罗德尼·泽梅尔（Rodney Zemmel）和大卫·卡特勒（David Cutler）将AI定义为“具备做出智能决策能力的机器或计算平台”。
报告指出，医疗行业正重点发展两类AI：“机器学习（ML）”，即通过示例学习而非预设规则运行的计算技术；第二类是“自然语言处理（NLP）”，指计算机理解人类语言并将非结构化文本转化为机器可读结构化数据的能力。
具体而言，这些技术可直接应用于医疗保健。报告表示：“机器学习的实例包括预测患者再入院可能性、利用远程监测预判病情恶化、优化医院医护人员配置以匹配患者需求，以及辅助解读影像和扫描结果。”
“自然语言处理的实例则包括：从医生笔记中提取关键词完成病历或分配编码；将医生口语转化为书面记录；担任虚拟助手与患者沟通、协助症状自查并引导至合适渠道（如远程问诊或电话咨询）；分析来电内容以转接至正确资源并识别高频咨询问题。”
医疗保健：AI采用的滞后者
作者指出，医疗行业在AI采用方面已落后于其他领域。AI发展遵循“S型曲线”，即“先开发解决方案，再进行试点，随后扩展适配，最终达到成熟阶段”。
作者写道，金融服务业公司已处于“S型曲线”末端，能够“部署复杂AI算法用于欺诈检测、信用评估和客户获取”。
医疗支付系统可能未能为AI应用提供足够激励，作者分析道：“另一种观点认为，组织和行业层面的管理障碍导致医疗领域AI采用速度较慢。”
医疗行业面临的主要挑战之一是“数据异质性”，即数据集内部的多样性和变异性。
作者指出：“在AI采用率较高的行业中，大部分数据均为结构化数据。相比之下，医疗领域大量关键数据处于非结构化状态，存在于电子健康记录中。临床笔记——医生对患者特定治疗反应的记录——即是一例。此外，这些数据分散于多个来源，往往缺乏有效连接患者信息碎片的途径。”
患者信任问题
患者是否会信任AI生成的诊断和治疗建议？他们是否愿意向机器提交私人信息？
“患者可能担忧其数据的使用方式，从而阻碍AI在医疗需求中的应用，”作者写道。
至于治疗建议，AI数据的可信度存疑。
“算法偏见案例屡见不鲜，即使经医生验证，患者也可能不信任AI生成的信息，”作者指出。“方法论层面亦存在验证难题、不确定性传达问题，以及解释假设等报告障碍。”
麦卡洛基金会（McCullough Foundation）主席彼得·A·麦卡洛（Peter A. McCullough, M.D., MPH）博士已发表多项研究，他表示AI在特定领域正成功助力医患关系。
“随着AI发展出整合多源医疗记录、构建时间线并为医生提供摘要的能力，它有望彻底变革医学，”麦卡洛向《医疗保健新闻》表示。“但AI距离实现这些功能尚远，其依赖于系统集成和隐私保障等因素。现阶段，AI更适合作为高级搜索引擎高效运作。”
【全文结束】
