在可穿戴设备、监测和成像中使用人工智能（AI）预计可以挽救数十万人的生命，并节省数十亿英镑，通过帮助个人做出健康的生活方式决策和医生早期发现疾病。
2023年美国埃森哲的一项研究估计，生成式AI可以在医疗保健领域自动化28%的工作时间，并增强另外11%的时间。德勤早前的一项研究估计，八种AI应用的综合效果每年可以在欧洲挽救40万人的生命，实现2000亿欧元的年度节省，并释放18亿小时的医疗专业人员时间。
然而，AI对医疗技术行业提出了特定的挑战，单靠AI无法推动成功。希望将其产品组合中纳入AI的公司只有克服与数据获取、互操作性、数据清理和隐私相关的障碍，才能实现其潜力。
克服训练模型的限制
这是必要的，因为AI的质量仅取决于用于建模的数据。AI在医疗应用中还必须超越其训练模型的界限，从临床和非临床数据的外部来源聚合数据。这可能包括多达十个不同的电子健康记录（EHR）环境，以及下一代测序实验室、患者问卷和其他来源。这些数据需要进行清理、标记，并通过符合HL7 FHIR等标准的方式实现互操作性，以便发送者和接收者以相同的方式理解信息。数据还必须按照适用于任何地区的所有法规和隐私法律进行保护。
尽管AI应用程序可以筛选大量研究或临床数据，但其仍然受制于其模型，缺乏完整的上下文。这意味着，例如，AI只能基于输入的患者数据评估患者中风的风险。
成像诊断中的一个例子
以诊断成像的增加为例。《数字成像杂志》的一项研究表明，近60%的放射学订单未提及重要的慢性病，尽管这些疾病的患病率在增加。这里显然需要在诊断成像工作流程中包含上下文医疗记录信息。成像AI和机器学习（ML）应用程序可以通过分析策划的临床数据来减轻放射科医生的工作量和认知负担。然而，要实现这一点，它们需要弥合成像数据孤岛和使用专有技术的不同图片存档和通信系统（PACS）之间的差距。
实现这一点需要了解医疗数据和系统，并与Epic、GE Healthcare、3M Health Care、INFINITT、Guerbet、Ricoh、Canon Medical和Roche Diagnostics等公司的方法实现互操作性。遵守全面的医疗保健协议和标准是促进成像数据孤岛和来源之间信息流动的必要条件。
一旦实现，这将在正确的时间将正确的信息呈现给放射科医生，消除了在电子患者记录中复杂搜索以检索特定患者数据的需要。临床医生在读取研究之前可以准确地看到当前诊断、医生笔记、可穿戴设备数据，甚至基因组信息。
使数据在AI中可用的多重挑战
我们在这里讨论的多源数据集依赖于互操作性和医疗保健部门内多个数据标准的合规性。AI应用程序可能能够充分利用HL7 FHIR的全部潜力，但也可能需要与旧标准（如HL7 V2）和非标准或甚至非临床数据源一起工作。仅依赖单一标准不太可能使新应用程序或设备获得广泛采用，因为在现实世界中，旧的、长期使用的系统始终在运行，生成平面文件或其他非标准格式。
对全面、聚合数据的需求意味着医疗技术公司面临着在各种目的下训练非常不同类型的大量数据的真实挑战。从多种来源提取的数据，包括具有旧消息标准的设备或系统，以前必须由数据科学家进行清理和错误检查，因为这些数据很少是结构化的表格形式。这种预处理和标记将数据转换为适合在AI应用程序中使用的格式。
数据准备的挑战经常被低估，但单平台方法是最佳的解决方案。
强大的机器学习算法，如神经网络，通常用于AI，可以自动化其中的大部分工作。它们可以通过解释训练数据中的模式来处理一些必要的预处理和清理。这在数据包括自然语言文本或其他难以通过编程处理的数据类型时特别有帮助。
AI应用程序需要建立在单一数据平台上
然而，所有繁重的预处理要求只有通过单一平台方法才能完全解决，该方法规范化所有数据源并提供与其他设备和系统的连接。这是一种针对医疗技术行业挑战设计的方法，提供了一个准备进行分析的以患者为中心的模型。平台可以包括多个可信的数据管道，从各种格式的来源聚合数据，并辅以基于AI的技术。它将负责标记，这对于训练监督机器学习模型至关重要。平台还应跟踪数据谱系，允许开发人员使用子集训练预测模型，同时保持与完整数据集的链接，以确保上下文的保留。
通过静态和传输中的加密，这种方法是医疗技术公司在将其解决方案中纳入AI时在医疗保健领域取得全方位成功的必要条件。新应用程序立即受益于更简单和更顺畅的部署，能够快速开发解决方案，实现商业成功所需的真正可扩展性。数据准备的挑战经常被低估，但单平台方法是最佳的解决方案。
(全文结束)
