当单独考虑技术时，它本身并不足够好：我们需要思考如何将其融入医疗保健系统并被真实的人们所使用。我们的演讲者提出了关于报销、安全、信任以及如何确保人工智能充分发挥其潜力的重要问题。
关于人工智能可以产生最大影响的地方：
当您查看人工智能在发现和开发中的应用时，实际上是在讨论提高成功的概率，即产量——最高为10%，基因药物可能达到20%——然后是效率，即能否更快更好地完成任务。接下来几年的重点应该是提高这个成功率，因为这是最大的挑战。制造药物的成本高，主要是因为失败的成本高。
纳吉特·汗（Najat Khan），Recursion公司
关于提前规划以确保模型真正得到使用：
我们已经听到很多例子，包括诊断和医疗领域的许多出版物，但这些模型并没有被实际应用，原因各种各样。有机会可以在早期就考虑如何部署模型？如何将其重新整合到现实世界中？这不仅适用于显然非常复杂的诊断领域（涉及法规和报销），也适用于诸如工作流程改进等领域。
马丁·施图姆佩（Martin Stumpe），丹纳赫公司（Danaher）
关于跟上技术发展的步伐：
下一个关键挑战是监管范围未能跟上这些发展的速度。美国数字病理学在临床中的应用率约为4%，这非常低。我认为主要原因是没有一个好的、可接受的应用案例——例如FDA批准的设备——用于主要诊断。这阻碍了我们实现更高的采用率。
法伊萨尔·马哈茂德（Faisal Mahmood），哈佛医学院
关于医疗交付业务的关键转折点：
我们非常关注成本，但基于价值的护理是质量优于成本。我们需要同时做两件事：降低成本并改善结果。衡量成本相对简单，而提出衡量质量的方法要困难得多，在我们找到更好的答案之前，我认为我们将继续处于现状。人工智能能否成为衡量质量的工具？也许可以。我还没有看到，但我希望它能实现。
安东尼·菲利帕基斯（Anthony Philippakis），GV公司
关于信任的重要性：
我们刚刚经历了大流行病，它向我们展示了科学可以创造奇迹并拥有拯救生命的工具，但人们因缺乏信任而拒绝这些工具——我当然指的是疫苗。因此，不仅仅是到达那里，而是以一种让人们信任的方式到达那里，无论是因为他们的医生告诉他们还是因为他们信任机构具有适当的治理机制。
瓦尔迪特·拉维茨基（Vardit Ravitsky），哈斯廷斯中心（The Hastings Center）
关于如何从一开始就让药物变得更好：
大多数项目在临床试验中失败是因为决策过程的早期阶段。也就是说，我们在选择正确的治疗假设、正确的靶点和正确的患者群体方面表现得很差。因此，似乎这是一个非常重要的地方，我们应该在这里部署人工智能技术，以尝试改进这一过程。
达芙妮·科勒（Daphne Koller），insitro公司
丹纳赫旨在推动可操作的结果并激发合作，以更高效、数据驱动的方式进行科学研究，使预测科学成为现代研发的核心。
(全文结束)
