关于为农村医疗设计和开发人工智能模型的研究并不罕见。然而，大多数研究仅止步于此。真正缺失且迫切需要的是如何验证、部署和维持能够惠及远离城市中心人群的医疗AI模型的相关研究。
范德比尔特大学 (Vanderbilt University) 的生物医学信息学家开展的一项研究揭示了这一问题的严重性，该研究已提前发布在_medRxiv_上，尚未经过同行评审。
根据美国医疗保险和医疗补助服务中心 (Centers for Medicare and Medicaid Services) 的定义，约18%的美国人口居住在被划分为农村或准农村的地区。研究报告的共同作者凯瑟琳·布朗 (Katherine Brown) 博士和莎伦·戴维斯 (Sharon Davis) 博士写道：“为了推进农村人口健康并减少地理健康差异，医学和公共卫生界需要更深入地了解农村医疗机构中AI应用的现状及其使用障碍。”
为了深入了解这一领域，研究人员回顾了14篇讨论预测模型的论文和12篇专注于数据或研究基础设施的论文。以下是他们尚未发表的研究中的更多内容。
1. 在农村医疗中，预测性AI模型的应用主要集中于资源分配和分发
作者指出，这合乎逻辑，因为较小的医疗中心“可能会因病例激增而迅速不堪重负，尤其是在人员配备有限的情况下，因此开发能够预测公共卫生机构如何高效分配资源的模型至关重要。”
“然而，我们注意到针对农村患者面临的急性医疗事件（如创伤和中风）的AI解决方案很少。农村患者在遭受急性神经事件或创伤时的结果往往更差。因此，这些情况为AI改善农村患者护理提供了机会。”
2. 在农村地区，患者级别的电子健康记录 (EHR) 数据通常局限于特定医疗机构，这使得农村社区只能提供小样本数据
“尽管现有的患者级别EHR数据库（例如‘全民计划’(All of Us) 或电子重症监护室 (eICU)）包含某些代理变量，如每个站点最常见的邮政编码前三位 (ZIP-3) 或站点规模，但这些来源并未广泛用于研究美国农村地区的AI，”布朗和戴维斯写道。“此外，这些数据库可能无法反映特定农村地区的人口统计或医疗事件发生率，这是模型开发和评估中一个广受关注的问题。” 他们补充道：
“生成合成数据和联邦学习是两种可以缓解样本量和数据代表性问题的技术方法，但这些方法尚未应用于支持农村健康领域的AI，可能还需要额外的计算和分析人员支持。”
3. 深度学习和先进神经网络模型（包括生成式AI迭代，如大型语言模型）在农村医疗环境中的探索非常有限
布朗和戴维斯指出，深度学习用例在农村医疗中缺失的原因之一可能是，专门的深度学习模型需要密集且昂贵的计算能力。他们补充道，“对于小型农村医疗中心来说，获取这种计算能力可能是不可行的——许多中心财务状况不稳定，缺乏投资于计算资源的能力。”他们还表示：
“对美国农村医疗领域深度学习研究的缺乏，导致了AI技术上的城乡差距，进而扩大了现有的城乡医疗差距。不幸的是，如果不将生成式AI的研究纳入评估其在美国农村医疗中的表现，并提高对服务不足社区的可及性，这种差距可能会进一步扩大。”
(全文结束)
