在堪萨斯城以及堪萨斯州和密苏里州的社区中，充斥诊所、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天突然患上糖尿病。警示信号通常是悄无声息地累积起来的——在实验室检测趋势、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。美国医疗系统很少被设计用来识别和解读这些信号。我们已经建立了世界上最昂贵的医疗系统——一个价值5.3万亿美元的产业，人均花费15,474美元——但它是围绕着在人们生病后进行治疗而构建的。
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，在密苏里州这一比例达到16.4%。患有慢性病和精神健康问题的人约占美国年度医疗支出的90%。我们在医疗保健方面的人均支出高于任何其他富裕国家，但美国人却比那些医疗支出少得多的国家的人们更早死亡，并经历更多的可预防疾病。
作为一名执业护士和健康政策学者，我从政策和实践两个方面都目睹了这种失败：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；而在政策讨论中，预防受到赞扬却很少得到资源支持。问题不在于临床医生不关心患者。问题在于系统没有被设计成帮助他们及时识别风险以便采取行动。
当疾病是急性的、明显的和紧急的时，美国医疗系统表现得非常出色。如果你骨折了、需要手术，或者因胸痛来到急诊科，系统可以迅速调动资源。但慢性疾病的发展是缓慢的、无声的、不均匀的，通常会持续多年。
当许多患者被诊断出糖尿病、心血管疾病、肾病或癌症时，警示信号往往已经存在了数月甚至数年。这些信号可能分散在实验室结果、家族病史、药物使用、影像检查、临床记录、保险索赔数据、药房记录、可穿戴设备以及健康行为模式中。
很少有，如果有的话，忙碌的临床医生能够在短暂的门诊时间内完全整合如此大量的信息。
时间、数据、工具的缺乏
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行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、责任医疗组织和替代支付模式都专注于在提高护理质量的同时降低成本。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。
人工智能可能在这里提供一条新的前进道路——不是作为临床医生的替代品，而是作为一种工具，帮助患者和临床医生最终看到当前系统所忽视的内容。
当负责任地设计并整合到临床护理中时，AI的功能可以更像一个精准的早期预警系统，而不是诊断神谕，帮助临床医生将分散的数据转化为及时的行动。它可以连接那些单独看来可能并不紧急的小信号：缓慢上升的A1C值、肾功能变化、错过的筛查、药物缺口、家族病史、血压模式、患者消息中描述的症状或家用监测器的数据。负责任地使用，AI可以帮助识别谁有风险、需要哪些后续措施，以及何时干预仍可能预防疾病而不仅仅是管理疾病。
这正是等待疾病发生的系统与监测风险的系统之间的区别。
预防必须是关键
AI的临床潜力是真实的，但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、地理区域和保险状态方面表现不均。这就是为什么以预防为重点的AI在使用前应经过临床验证，部署后应受到监控，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)关于人工智能和机器学习软件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下一个十年所面临的挑战时，核心问题已不再是当前模式是否昂贵。我们知道它是昂贵的。问题在于，一个建立在疾病出现后进行治疗的系统，最终能否转变为一个在疾病发生前保持人们健康的设计。这种转变不仅需要新的支付模式或更好的技术。它需要使用AI等工具的意愿，不是简单地使疾病管理更高效，而是使预防更加精准、及时和可行。
为了实现这一目标，医疗系统不应仅仅因为AI工具承诺提高效率而购买它们。它们应该要求证明这些工具能改善预防和健康公平性，适合临床工作流程，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AI支持更健康行为的合作伙伴，并应在AI指导关于其护理的决策时得到通知。
现在的选择是继续资助一个疾病管理经济——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与媒体参与中心的教授兼执行主任。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】
