客座评论
在堪萨斯城以及堪萨斯州和密苏里州的各个社区中，填满诊所、医院和家庭对话的许多疾病——心脏病、癌症、糖尿病、中风、肾病——并非突然出现。一个人不会在医疗记录中出现诊断的那一天突然患上糖尿病。预警信号通常悄然累积——在实验室趋势、血压读数、错过的就诊、家族病史、药物使用和社会风险因素中。美国医疗系统很少设计用来识别和解读这些信号。我们建立了世界上最昂贵的医疗系统——一个5.3万亿美元的企业，人均15,474美元——并将其组织成在人们生病后进行治疗的模式。
这不仅仅是一个支出问题。这是一个设计问题。
近2亿美国成年人至少患有一种慢性疾病。在堪萨斯州，13.4%的人患有三种或更多慢性疾病，密苏里州的这一比例为16.4%。患有慢性病和精神健康问题的人约占美国年度医疗保健支出的90%。我们的人均医疗支出超过任何其他富裕国家，但美国人却比那些支出少得多的同类国家的人民寿命更短，经历更多可预防的疾病。
作为一名执业护士和卫生政策学者，我从政策和实践两个角度都看到了这种失败：在诊室里，临床医生被期望在15分钟的就诊时间内预防疾病；在政策讨论中，预防虽受赞扬却很少得到资源支持。问题不在于临床医生不关心。而在于系统没有设计成帮助他们及时识别风险以便采取行动。
当疾病是急性、明显和紧急时，美国医疗保健表现出非凡的能力。如果你骨折、需要手术，或因胸痛来到急诊室，系统可以迅速动员。但慢性疾病发展缓慢、隐匿且不均匀，通常需要数年时间。
当许多患者被诊断出糖尿病、心血管疾病、肾病或癌症时，预警信号通常已经存在数月甚至数年。这些信号可能分散在实验室结果、家族史、药物使用、影像学检查、临床记录、索赔数据、药房记录、可穿戴设备以及健康行为模式中。
几乎没有哪位忙碌的临床医生能在短暂的门诊就诊期间完全综合这么多信息。
缺乏时间、数据和工具
这是当前初级保健交付模式的一个核心失败：我们要求临床医生在一个给予他们太少时间、太少数据整合和太少工具将分散信号转化为可操作护理的系统中预防疾病。
几十年来，政策制定者一直试图通过支付改革来解决这个问题。基于价值的医疗、负责任医疗组织和替代支付模式旨在降低医疗成本同时提高医疗质量。一些努力取得了成效。但从"疾病治疗"向"预防"的更广泛转变仍然难以实现。预防需要在疾病进展并造成伤害之前进行干预的能力。
这就是人工智能可能提供新前进道路的地方——不是取代临床医生，而是作为帮助患者和临床医生终于看到当前系统所遗漏内容的工具。
当负责任地设计并整合到临床护理中时，人工智能的功能可能不太像诊断神谕，而更像一个精准的早期预警系统，帮助临床医生将分散的数据转化为及时的行动。它可以连接单独看来可能不紧急的小信号：缓慢上升的糖化血红蛋白、肾功能变化、错过的筛查、药物间隔、家族史、血压模式、患者消息中描述的症状或家庭监测器的数据。负责任地使用，人工智能可以帮助识别谁处于风险中、需要什么随访，以及何时干预仍可能预防疾病而不仅仅是管理疾病。
这就是等待疾病出现的系统与监测风险的系统之间的区别。
预防必须是关键
人工智能的临床潜力是真实的，但它不应被视为不可避免的进步。预测工具可能产生假阳性、遗漏重要风险，或在种族、民族、年龄、语言、地理位置和保险状态方面表现不均。这就是为什么以预防为重点的人工智能在使用前应经过临床验证，部署后应进行监测，并评估其对公平性、工作流程和患者结果的影响。美国食品药品监督管理局(FDA)在人工智能和机器学习软件方面的工作提供了一个重要的监管基础，但医疗系统还需要包括临床医生、患者、数据科学家、伦理学家和社区声音的本地治理。
当我们面对美国医疗保健在未来十年面临的挑战时，核心问题已不再是当前模式是否昂贵。我们已经知道它是。问题是，一个在疾病出现后才进行治疗的系统，能否最终转变为一个在疾病扎根前就保持人们健康的系统。这种转变将需要的不仅仅是新的支付模式或更好的技术。它将需要使用人工智能等工具的意愿——不仅是为了使疾病管理更高效，而且是为了使预防更精准、更及时、更具可操作性。
要实现这一目标，医疗系统购买人工智能工具不应仅仅因为它承诺提高效率。他们应该要求证据证明这些工具能改善预防和健康公平性，适应临床工作流程，并帮助初级保健团队更早采取行动。监管机构应要求透明度和上市后监测。支付方应激励早期检测和预防，而不仅仅是手术和医院护理。患者也应该成为决定如何使用人工智能支持更健康行为的合作伙伴，并应在人工智能指导其护理决策时得到通知。
现在的选择是继续资助"疾病管理经济"，还是最终投资于一个值得称为"医疗保健"的系统。
理查德·里恰尔迪是乔治华盛顿大学健康政策和媒体参与中心的教授和执行主任。他与该中心研究员迈克尔·萨瓦斯共同撰写了这篇文章。两人都是执业护士。
【全文结束】
