医疗保健中的人工智能：机遇、挑战与基础

AI in Healthcare: Opportunities, Challenges, and the Basics - Student Services and Academic Advising

医疗保健领域的人工智能正深刻改变社会工作方式。这对健康科学意味着什么？护理学院副教授珍妮·奥尔德伦将解析医疗AI的基础知识（是否类似ChatGPT？）以及护士如何与这一技术“副驾驶”协同工作。她通过自身研究案例，揭示AI应用的激动人心前景与需警惕的风险领域，并分享其在美国海军服役期间首次发现医疗数据力量的经历。

James Sherpa： 下期《野马故事》节目预告。

珍妮·奥尔德伦： 谷地所有医疗中心的电子健康记录系统都在使用AI。我非常重视AI的“额外监督”作用，认为它非常实用且有帮助。

凯瑟琳·希茨： 大家好，我是护理学院的凯瑟琳·希茨，欢迎收听博伊西州立大学健康科学学院《野马故事》。今天我对话护理学院副教授珍妮·奥尔德伦博士。

珍妮·奥尔德伦： 你好凯瑟琳，感谢邀请。

凯瑟琳·希茨： 感谢参与。请先谈谈您在AI与护理领域的背景。

珍妮·奥尔德伦： 我专注于压疮（又称褥疮）研究。核心临床问题是：如何预判哪位患者将发生压疮？因为这能让我们提前实施预防干预。在探索该问题时，我发现预测临床事件的最佳方法之一正是人工智能。

凯瑟琳·希茨： 您是如何将人工智能应用于这个问题的？

珍妮·奥尔德伦： 人工智能的本质是计算机从数据中学习。我研究的重症患者通常在电子健康记录中产生海量数据——每位患者可能包含数十万乃至数百万条临床轨迹数据点，涵盖从入院前、住院期间到发生压疮的全过程。AI擅长处理这些数据：我们提供包含压疮患者与非压疮患者的混合数据集，输入机器学习算法（即AI）。算法通过迭代猜测与学习，自主掌握预测压疮的能力。这属于监督式机器学习——算法根据“是否发生压疮”的结果构建预测模型。我利用电子健康记录数据开发压疮预测模型，但AI在医疗领域的应用远不止于此。

凯瑟琳·希茨： 医疗AI与ChatGPT这类AI有何区别？

珍妮·奥尔德伦： 本质相同——计算机都从数据学习。但医疗AI通常有明确目标：例如用电子健康记录数据预测心脏病风险或压疮风险。医学影像识别也是常见应用，深度神经网络能辅助诊断X光片或心电图结果，精准识别肿瘤等特定问题。这类专用AI已在医院部署。而ChatGPT等大语言模型工作原理不同：它们通过海量数据预测下一个词，属于自然语言处理技术。虽然不针对特定任务（如找肿瘤），但能生成类人文本。这类模型未来可能用于患者教育或门户沟通——当然必须谨慎使用。

凯瑟琳·希茨： 人们常担忧AI可能引发学术不端等问题。医疗领域有哪些需警惕的风险？

珍妮·奥尔德伦： 绝对存在风险。以ChatGPT为例，它不具备临床判断力——无法替代人类决策者。它可以是辅助工具，生成护士能用作模板的参考内容，但完全依赖AI非常危险，因为它缺乏人类的临床判断。

凯瑟琳·希茨： 您指的临床判断具体是？

珍妮·奥尔德伦： 正是决策能力。当我建议患者进行某项检查或治疗时，必须提供决策依据。而AI无法解释推理过程，几乎全是“黑箱”：答案虽常正确，但因无法追溯推导逻辑，使用便存在风险。AI常会犯错，尤其当应用于训练数据稀少的患者群体时。例如医疗AI依赖患者数据开发，若农村居民、少数族裔或罕见病患者在训练集中占比过低，该模型用于这些群体就可能给出危险错误答案。此时人类判断至关重要——我们能理解数据缺失的上下文，计算机则不能。

凯瑟琳·希茨： 护士科学家如何应对训练数据偏差？

珍妮·奥尔德伦： 确保数据代表性是关键。针对百岁老人等稀有群体，可采用“合成少数类过采样”等统计技术，生成符合特征的模拟数据。但这些方法都不完美，最终仍需谨慎使用：AI应作为参考工具而非决策依据。例如算法提示“应采取某方案”，可视为思考起点，但绝不能替代人类判断。

凯瑟琳·希茨： 您提到的“监督式AI”是否指人类监督其工作？

珍妮·奥尔德伦： 监督式指我们为AI设定特定任务（如识别压疮风险）。但广义上人类必须全程监督AI。我曾开发压疮预测算法时发现异常：某些重症监护室的高危患者（如血压极低、心率极快、血氧饱和度极低者）被判定为低风险。深入分析发现，因这些患者已死亡，算法仅看到“未发生压疮”的结果，却忽略“死亡”这一竞争性风险因素。这凸显人类必须介入：没有上下文理解，AI会得出危险结论。类似案例比比皆是。

凯瑟琳·希茨： 抛开风险，AI有哪些应积极拥抱的正面价值？

珍妮·奥尔德伦： 我大力支持AI，因其能提供差异化视角。人类认知能力有限，护士需同时监测生命体征、安抚患者、协调家属、处理通讯、准备药物——任务切换频繁。AI可成为患者的“额外眼耳”：现有算法能敏锐捕捉临床恶化的早期征兆（如心率微升、尿量略降），及时提醒护士“请查看艾伦夫人”，这在护士分身乏术时极为关键。我认为AI应是临床护理的实用助手。

凯瑟琳·希茨： 这确实很有帮助。

珍妮·奥尔德伦： 另一例证是谷地所有医疗中心的电子健康记录系统：AI会实时警示药物冲突、过敏反应或禁忌症。这类任务既能提升患者安全，又弥补了人类无法同时处理多任务的局限。

凯瑟琳·希茨： 人类会疲劳，机器则不会。

珍妮·奥尔德伦： 正是如此！

凯瑟琳·希茨： 护士在AI开发与实施中应扮演什么角色？

珍妮·奥尔德伦： 这正是我热衷的领域。算法开发团队必须包含护士——我们理解数据产生的上下文。以重症监护室为例：血气分析值常纳入机器学习模型，但并非所有患者都需这项有创检测。当算法将缺失值视为“无数据”时，护士却明白“未检测”本身即重要信息——说明患者呼吸问题不严重。作为数据生产者，护士能洞察这些关键背景。我坚信每个AI开发团队都应配备执业护士。

凯瑟琳·希茨： 护士如何加入这些团队？

珍妮·奥尔德伦： 医院数据科学团队正意识到：含临床专家的算法效果更佳。护士可主动联系团队，表明兴趣。许多机构会安排临床人员定期参与数据项目。

凯瑟琳·希茨： 学生该如何为AI时代做准备？

珍妮·奥尔德伦： 后疫情时代的护理学生正站在AI变革的临界点。首要任务是认清AI的优劣势：商业包装精美的算法绝不能替代护士。在算法无法像护士般解释临床决策前，我们绝不妥协。学生需掌握“黑箱算法”概念并坚守原则，同时学习将AI作为工具——例如练习向ChatGPT编写提示词。但切记：绝不可输入患者数据，因其不安全且会进入训练库。

凯瑟琳·希茨： 您如何走上研究患者数据与AI的道路？

珍妮·奥尔德伦： 15年前在伊拉克安巴尔省担任直升机护士时，我目睹数据拯救生命的实例：多名海军陆战队员因股动脉枪伤身亡。上报数据后，专家发现该区域频发同类损伤。经咨询枪炮军士，我们意识到士兵跪姿集会时股动脉暴露。发布禁令后，此类伤亡彻底消失。这让我坚信：数据模式往往揭示可行动方案。个体数据只是故事，但模式能改变护理实践。

凯瑟琳·希茨： 这与您提到的AI忽略多重风险患者的情况完美呼应。

珍妮·奥尔德伦： 是的。作为20年资历的重症护士，我深知自身局限——曾犯过用药错误、漏判患者状况。因此我珍视AI的“额外监督”作用，它能后台持续监测，百利而无一害。

凯瑟琳·希茨： 如同AI也在为我们把关。

珍妮·奥尔德伦： 确实是伙伴关系。我视AI为护士的“副驾驶”：我们是掌舵的飞行员，AI则是得力助手。

凯瑟琳·希茨： 非常感谢您今天的分享。

珍妮·奥尔德伦： 荣幸之至。

James Sherpa： 感谢收听《野马故事》。下期节目将探讨神经学与运动机能学的动态交互。敬请期待。

鲍勃·伍德： 我们能理解人体生理机制及治疗策略的影响，也深知缺乏身体活动的负面后果。本科阶段，你应创造独特且有意义的故事，引发目标人群的共鸣。

【全文结束】