直到最近，美国各州和地方政府对人口和人口结构的认识仍然有限；不清楚谁住在哪里，尤其是他们的健康需求是什么。当2012年飓风桑迪袭击东北部，随后在2013年发生多起灾害时，卫生与公共服务部（HHS）的克里斯汀·芬恩表示，当地市政当局向她的HHS机构——战略准备与响应管理局（ASPR）寻求公民数据，因为医院和避难所被高需求的高风险患者挤满。
因此，ASPR与医疗保险和医疗补助服务中心合作，评估当时6200万医疗保险受益人（现在这个数字接近6600万），并开始尝试挖掘这些数据。
“我们开始研究算法和预测分析，以识别可能处于高风险的人群，然后将这些数据转化为公共受限和安全类型的数据集。我们在2015年发布了公共地图。但如果公共卫生当局在个别灾难发生时要求个人数据，他们可以进行搜索和救援。”芬恩说。
芬恩在12月11日Potomac Officers Club举办的2024年医疗峰会的一个小组讨论会上谈到了人工智能在人道主义援助和灾害救援中的应用。该讨论会由ECS的金伯利·埃伦伯格博士主持。芬恩表示，尽管上述预测分析和算法属于AI，但许多州和地方实体首次真正接触AI是在稍晚的时候。
改进数据传输
大约在2018-2019年，ASPR和HHS努力解决灾害救援中数据传输速度停滞的问题，通过实施能够克服间歇性模式的虚拟助手来实现。利用亚马逊和谷歌开创的虚拟助手，他们能够在小型承包商的帮助下将传输时间减少到几分之一秒。（她表示，州和地方官员对此感到惊讶，这有助于引入这种技术可以用于善举的理念。）
同样，另一位小组成员德里克·贾斯塔德，退伍军人事务部（VA）的执行董事，在新冠疫情期间与一家远程医疗公司合作，共同建立了有关可用医院床位的数据集——即有“容量”和“正压”的地方——从而使VA已有的原始信息变得可操作。
数据管理
数据的适当维护是可靠和可信AI的常见主要原则，医疗峰会的小组成员也呼应了这一观点。Figure Eight Federal的首席执行官维奈·马尔卡尼认为，即使在私营部门，适当的数据共享也很难实现。
“即使在大型公司中，数据共享也不会像我们希望的那样发生。而且，普通业务或公司内的团队经常使用不同的工具，有不同的标准和政策，因为他们试图完成自己需要做的事情，而不一定关注整个群体。”马尔卡尼分享道。
他进一步表示，AI必须基于新信息和学习集不断学习。它不能“训练一次就永远部署”。
使用代表性数据训练AI
小组成员一致认为，必须尽可能地向正在接受训练的AI呈现多样化的数据集，特别是在涉及人员和人口时，特别指出农村人口往往被忽视。卡内基梅隆大学生物医学工程科学家和教授约翰·盖洛蒂博士强调了这一点，尤其是在处理现成数据集不存在的情况时。
“当我们构建自定义数据集时……我们非常刻意地从不同国家获取人员，使用不同肤色的假人——儿童假人、成人假人——尽我们所能，在预算和时间允许的范围内，创建尽可能多样化的真实数据集，并用这些数据集训练AI，然后测试AI。”盖洛蒂博士说。
然而，他承认，如果他说他已经解决了这个问题，那他就是在撒谎，而仅仅使用多样化的数据集是“简单的答案”。他认为，如果AI模型对其产生的答案信心不足，应该表明其不确定，以便提示人工介入并进行更彻底的、非机器主导的评估。
埃伦伯格博士在总结会议的主要收获时强化了这一观点：“我们不能脱离人机协作。”
(全文结束)
