在过去的一年里，Audere团队从在低收入和中等收入国家（LMICs）部署实用的人工智能解决方案的工作中获得了多个见解。主要发现是，捐助者和卫生组织越来越有兴趣了解人工智能的潜力，这主要由两个关键动机驱动：
- 利用AI提高效率和节省成本：在当前卫生资源日益减少的情况下，这是一个有吸引力的前景。捐助者正在探索AI是否可以帮助以更低的成本向更多人提供关键的卫生服务。
- 利用AI增强卫生服务的采纳率：全面的卫生干预措施难以满足人们的独特需求。AI可以个性化推广，预测社区特定需求，并定制护理，使卫生服务更加便捷和相关，适用于多样化的群体。
尽管对AI的兴趣浓厚，但仍有许多关键问题尚未解决。这些误解可能会阻碍全球卫生AI领域的必要投资，尤其是在医学创新蓬勃发展的时期！
让我们解答关于为什么AI在医疗保健领域不仅仅是炒作，而是一个具有改变卫生系统潜力的强大工具的五大问题。
问题1：AI是纯粹的炒作还是新的现实？
AI是一个涵盖多种技术的广泛领域，这些技术的成熟度和验证效果各不相同。不应将所有AI功能一概而论；不同形式的AI有不同的验证、测试和可用性水平。
例如，某些类型的AI，如用于解释医学图像的计算机视觉，已经建立了坚实的基础，多年的研究支持其准确性、可重复性和在医疗保健中的实际应用。使用计算机视觉的工具可以可靠地分析X光片、MRI和其他医学图像以辅助诊断，通常能达到与人类专家相当的水平。这种类型的AI已经超越了炒作阶段，进入了真正的影响力阶段。
另一方面，生成式AI是一项相对较新的技术。虽然大型语言模型（LLMs）显示出巨大的潜力并且发展迅速，但它们在准确性和一致性方面存在独特挑战。这些模型有时会产生错误响应或“幻觉”，并且缺乏可重复性，对类似查询可能产生不同的输出。
这种变异性引发了一些关键问题：在医疗保健环境中可接受的错误率是多少？如何通过额外的工程和防护措施来最小化这些错误？最重要的是，我们能否建立强大的监控和评估工具来实时捕捉和解决不准确的问题？
这是我们重点关注和创新的领域，特别是当我们希望将这些技术适应低资源环境时。例如：
- AI医疗解决方案可以结合健康和行为数据来识别需要定向健康筛查、咨询或干预的个体。这些解决方案特别有助于优化稀缺资源（如有限的临床时间和物资）的分配。
- Jacaranda Health的PROMPTS系统利用Meta的Llama模型的微调版本，通过SMS实现流畅的斯瓦希里语互动，以改善孕产妇护理。这些都是AI今天增加价值的例子。
问题2：AI能否克服基础设施限制？
一个常见的误解是，由于许多基础设施限制（如有限的连接性、硬件挑战和互操作性问题），AI在低资源环境中无法部署。
非洲移动银行在2000年代初就是一个很好的例子。许多技术专家认为它在资源有限的地区会面临挑战。然而，M-Pesa取得了巨大成功，使用基本的手机实现了这一目标。社区可以适应和创新，使复杂的干预措施在资源有限的环境中发挥作用。尽管基础设施限制是真实的，但它们并不需要阻碍进展。
- 城市用户可以从智能设备上的AI工具中受益，这些工具可以通过WhatsApp交付，而郊区用户可以通过更简单的设备访问AI功能。前面提到的Jacaranda Health就是一个好例子，通过低数据成本的特色手机提供健康服务。
- 深度农村用户可以通过AI增强的工具间接受益，这些工具由在社区之间旅行的卫生工作者使用。新兴的连接解决方案如Starlink和亚马逊的Project Kuiper有望为更多农村地区带来互联网接入，进一步扩大AI的覆盖范围。
成本仍然是一个重要的障碍。当前的资助机制可能难以可持续地吸收成本，突显了需要分担模式和创新融资，使AI工具在低资源环境中负担得起。此外，硬件和连接技术正在进步。已经在开发可以在离线状态下工作的设备端AI模型，允许即使是低成本手机也能运行快速疟疾测试等诊断工具。
成功的AI部署需要在技术和本地能力建设方面的协调投资。实现可持续影响意味着加强本地基础设施，培养卫生系统的人力资源，使社区能够长期有效地独立利用AI解决方案。大型捐助者如全球基金、政府和其他利益相关者应协调优先事项，制定全面的科学驱动证据基础路线图，指导AI的发展和部署。
问题3：AI解决方案今天是否实用？
在LMICs中，AI最实际的切入点在哪里？有意义的AI应用是否适合这些环境？实际上，目前已有超过18个高影响力的用例，直接解决了资源有限地区的独特需求。
例如，AI驱动的移动应用程序可以帮助诊断疟疾和结核病。预测分析工具支持供应链管理，确保关键的卫生用品到达最需要的人手中。这些应用表明，在特定领域，AI不仅可行，而且可以真正发挥作用。
然而，AI的实际可行性在很大程度上取决于捐助者的优先事项、风险承受能力和具体任务。不同类型的AI应用在验证和可靠性方面存在不同程度，从行政支持任务到高级分析和临床决策支持。每个用例都有其潜在影响，需要合适的环境和捐助者才能蓬勃发展。
在这里，一个强大的研究议程至关重要，重点是围绕几个关键因素收集证据。这些因素包括：
- 接受度和可用性：了解社区和卫生保健提供者如何感知和与这些工具互动。
- AI解决方案在本地环境中的可行性：解决方案适应本地基础设施和资源限制的能力。
- 性能基准：AI工具需要达到或超过现有的护理标准，这一点在预算紧张时往往被忽视。除了技术性能外，还需要评估这些工具是否真正改善了健康结果或仅仅提高了效率。
- 成本效益：每个AI用例的成本价值比因国家而异，影响可行性和长期可持续性。
通过仔细的研究和证据构建示范项目，安全地将AI适应全球卫生，可以帮助我们决定哪些AI应用与本地环境相契合，满足实际需求，并提供真正的价值，为有影响力和可扩展的AI部署奠定基础。
问题4：AI是否会犯太多错误？
AI的错误潜力是真实的。然而，AI不必取代人类专业知识；它可以作为决策支持工具，帮助专业人士而不接管关键决策。将AI与人类监督相结合通常会取得最佳结果——AI和人类会犯不同的错误，两者结合可以平衡彼此的盲点。
在资源受限的环境中，人类错误通常源于时间压力和高患者负荷。AI可以处理耗时的任务，让卫生工作者集中精力处理关键决策。我们在远程医疗中使用计算机视觉的工作表明，AI和人类临床医生形成了一支互补的团队，各自捕捉对方可能忽略的问题。
AI监督减少错误
AI的独特之处在于其持续监督和透明度的能力——这是传统以人类为主导的医疗保健系统所缺乏的。今天，医疗保健中的人类错误往往因为缺乏数据驱动的跟踪系统而未被测量和解决。
相比之下，AI提供了前所未有的可见性，可以了解错误发生的时间和地点，从而实现迭代改进过程。通过主动监控和定期更新，AI系统可以随着时间的推移不断进化，从自身表现中捕捉见解以减少未来的错误。这种透明度不仅有助于改进技术本身，还可以为医疗保健设定新的问责标准。
生成式AI需要MEL
在医疗保健中负责任地部署AI需要强大的监测和评估工具，无论是在启动前还是启动后。特别是对于生成式AI模型，其输出每次使用时都可能有所不同。生成式AI工具旨在具有动态性，模仿人类反应的变异性。
我们正在扩展监测和评估工具，以建立对AI部署的信任、信心和安全性。通过主动监督，临床医生可以在AI标记问题时感到有权干预，系统可以跟踪这些实例以不断改进性能。
这种对透明度、适应性和迭代学习的承诺对于创建更安全、更可靠的医疗保健AI路线图至关重要，最终帮助AI发挥其作为患者护理合作伙伴而非替代者的全部潜力。
问题5：AI投资能否规模化并产生影响？
一些捐助者担心AI太新，短期内无法提供可规模化和有影响力的解决方案。AI技术仍在不断发展。我们已经看到可以实现显著成果的应用。
目前，AI资金主要集中在试点项目上，非营利组织、盈利机构、教育机构和地方组织都在争夺小额、分散且不连贯的资助。要真正释放AI在低收入和中等收入国家的潜力，需要催化性的技术投资。
- 真实、持续的研发资金，允许进行严格的测试、迭代改进和最有前景的解决方案的规模化。
- 对伙伴关系的实质性支持，建立更广泛的基础，将技术开发者、本地卫生专家和实施科学家聚集在一起，共同设计稳健、适应性强的LMIC解决方案。
- 长期投资于最后一英里的互联网接入、高吞吐量骨干基础设施和技术专长，以部署和扩展计算机技术。
如何在LMICs中催化有意义的全球卫生R&D？我们需要致力于将变革性AI规模化应用到最需要的地方的捐助者。
我们还需要愿意投资负责任AI的捐助者。AI的明智整合可以帮助解决低资源环境中关键的卫生保健挑战，如劳动力短缺。
停滞不前将是一个错失的机会；各种AI技术提供了加强卫生系统和建立更公平的全球卫生未来的重要潜力。让我们有目的地前进，应对风险并抓住机会，实现真正的影响力。
(全文结束)
