人工智能影响医疗保健行业的12个方式

人工智能有望成为医疗保健领域的转型力量。那么医生和患者如何从人工智能驱动工具的影响中获益?

如今的医疗保健行业已经十分成熟，可以进行一些重大变革。从慢性病和癌症到放射学和风险评估，医疗保健行业似乎有着无数的机会利用技术在患者护理方面部署更精确、高效和有效的干预措施。

随着技术的发展，患者对医生的要求越来越高，并且可用数据的数量继续以惊人的速度增长，人工智能将成为推动医疗护理工作持续改进的引擎。

与传统分析和临床决策技术相比，人工智能具有许多优势。当学习算法与训练数据交互时，可以变得更精确，使医生对诊断、护理过程、治疗变异性和患者结果获得前所未有的见解。

在由Partners Healthcare举办的2018年世界人工智能医疗创新论坛(WMIF)上，医疗研究人员和临床专家阐述了未来十年内采用人工智能最有可能产生重大影响的医疗行业技术和领域。

2018年世界人工智能医疗创新论坛(WMIF)联合主席Anne Kiblanksi医学博士和Partners Healthcare公司首席学术官、医学博士Gregg Meyer说，这种给每个行业领域带来的“颠覆性”都有可能为患者带来显著的益处，同时具有广泛的商业成功潜力。

在Partners Healthcare公司专家的帮助下，包括哈佛医学院(HMS)的教授、合作伙伴首席数据科学官Keith Dreyer博士和马萨诸塞州总医院(MGH)研究战略和运营总监Katherine Andriole博士提出了人工智能将彻底改变医疗服务和科学的12种方式。

1.通过脑机接口统一思维和机器

使用计算机进行通信并不是一个新想法，但是在不需要键盘、鼠标和显示器的情况下在技术和人类思维之间创建直接接口是一个前沿的研究领域，对某些患者具有重要的应用。

神经系统疾病和神经系统创伤会使一些患者丧失与他人及其环境进行有意义的交谈、移动和互动的能力。由人工智能支持的脑机接口(BCI)可以为那些担心永远失去这些功能的患者恢复那些基本体验。

马萨诸塞州总医院(MGH)神经技术和神经康复中心主任、医学博士Leigh Hochberg说，“如果我在神经病学重症监护室看到某位患者突然失去了行动或说话的能力，我希望在第二天恢复其沟通的能力。通过使用脑机接口(BCI)和人工智能，我们可以将与手部运动相关的神经激活，并且我们应该能够让这个患者与他人在整个活动过程中至少交流五次的方式进行交流，例如使用平板电脑或手机等无处不在的通信技术。”

对于患有肌萎缩侧索硬化(ALS)、中风或闭锁综合征的患者，以及全世界每年有50万人遭受脊髓损伤的患者，脑-机接口可以极大地提高他们的生活质量。

2.开发下一代放射工具

通过磁共振成像机(MRI)、CT扫描仪和X射线获得的放射图像提供对人体内部的非侵入性可见性。但是许多诊断过程仍然依赖于通过活体组织检查获得的物理组织样本，取得这些样本具有导致患者可能受到感染的风险。

专家预测，在某些情况下，人工智能将使下一代放射学工具能够准确细致，足以取代对活体组织样本的需求。

布里格姆妇女医院(BWH)图像引导神经外科主任医学博士Alexandra Golby说，“我们希望将诊断成像团队与外科医生或介入放射科医师和病理学家结合在一起，但不同团队实现合作和目标的一致性是一个巨大的挑战。如果我们希望放射成像提供目前从组织样本中获得的信息，那么我们将必须能够实现非常接近的标准，以便知道任何给定像素的基本事实。”

在这一过程中取得成功可能使临床医生能够更准确地了解肿瘤的整体表现，而不是根据恶性肿瘤的一小部分属性做出治疗决策。

采用人工智能还可以更好地定义癌症的侵袭性，并更恰当地确定治疗目标。此外，人工智能正在帮助实现“虚拟活检”，并推进放射医学领域的创新，该领域致力于利用基于图像的算法来表征肿瘤的表型和遗传特性。

3.扩大服务不足或发展中地区的医疗服务

发展中国家缺乏训练有素的医疗保健提供者，其包括超声波技术人员和放射科医生，这将极大地减少了采用医疗服务拯救患者生命的机会。

会议指出，在波士顿著名的朗伍德大道的六家医院工作的放射科医生比西非地区所有医院都要多。

人工智能可以通过接管一些通常分配给人类的诊断职责，帮助减轻临床医生严重不足的影响。

例如，人工智能成像工具可以通过胸部X光检查肺结核的症状，通常可以达到与医生相当的精确度。这项功能可通过适用于资源匮乏地区的提供商的应用程序进行部署，从而减少了对经验丰富的诊断放射科医生的需求。

马萨诸塞州总医院(MGH)神经科学助理兼HMS放射学副教授Jayashree Kalpathy-Cramer博士说，“这项技术可以提高医疗保健的巨大潜力。”

然而，人工智能算法开发人员必须谨慎考虑这样一个事实，即不同民族或不同地区的人群可能具有独特的生理和环境因素，这些因素会影响疾病的表现。

她说：“例如，印度受到疾病影响的人口可能与美国的情况非常不同。当我们开发这些算法时，确保数据代表疾病呈现和群体的多样性非常重要，我们不仅可以开发基于单个群体的算法，而且希望它能够在其他人群中发挥作用。”

4.减轻电子健康记录的使用负担

电子健康记录(HER)在医疗保健行业的数字化之旅中发挥了重要作用，但这种转变带来了无数与认知过载、无休止的文档和用户疲劳相关的问题。

电子健康记录(HER)开发人员现在正在使用人工智能来创建更直观的界面，并对一些耗费大量用户时间的例行程序实现自动化。

Brigham Health副总裁兼首席信息官Adam Landman博士说，用户将大部分时间花在三项任务上：临床文档、订单输入，以及对收件箱进行分类。语音识别和听写有助于改善临床文档处理过程，但采用自然语言处理(NLP)工具可能还不够。

Landman说，“我认为可能需要更大胆一些，考虑一些变化，比如采用视频记录临床治疗，就像警察佩戴摄像头一样。然后可以使用人工智能和机器学习来索引这些视频，以便将来检索信息。就像在家里使用人工智能助理Siri和Alexa一样，未来会把虚拟助理带到患者的床边，让临床医生使用嵌入式智能输入医嘱。”

人工智能还可以帮助处理来自收件箱的常规请求，例如药物补充和结果通知。 Landman补充道，它还可能有助于确定真正需要临床医生注意的任务的优先顺序，使患者更容易处理他们的待办事项列表。

5.含有抗生素耐药性的风险

抗生素耐药性对人类的威胁越来越大，因为过度使用这些关键药物会促使不再对治疗产生反应的超级细菌的进化。多重耐药性的细菌可能在医院环境中造成严重破坏，每年夺去数以万计患者的生命。仅艰难梭菌每年就为美国医疗保健系统带来约50亿美元的损失，并导致3万多人死亡。

电子健康记录数据有助于识别感染模式，并在患者开始出现症状之前突出其风险。利用机器学习和人工智能工具来驱动这些分析可以提高其准确性，并为医疗保健提供者创建更快、更准确的警报。

马萨诸塞州总医院(MGH)感染控制部门副主任Erica Shenoy博士说，“人工智能工具可以达到对感染控制和抗生素耐药性的预期。如果他们不这样做，那么所有人都会失败。因为医院拥有大量的电子健康记录数据，如果没有充分利用它们，没有创造更智能、更快的临床试验设计的行业，以及没有使用创造这些数据的电子健康记录，那么这将面临失败。”

6.为病理图像创建更精确的分析

布里格姆妇女医院(BWH)病理学系主任、HMS病理学教授Jeffrey Golden医师表示，病理学家为全方位的医疗服务提供者提供最重要的诊断数据来源之一。

他说，“70%的医疗保健决策都是基于病理结果，电子健康记录中所有数据的70%到75%之间来自病理结果。而结果越准确，就会越早得到正确的诊断，这就是数字病理学和人工智能有机会实现的目标。”

在超大的数字图像上深入到像素级别的分析可以使医生识别可能逃脱人眼的细微差别。

Golden说，“我们现在已经到了可以更好地评估癌症是否会快速或缓慢发展的阶段，以及如何根据算法而不是临床分期或组织病理分级来改变患者的治疗方式的地步。这将是一个巨大的进步。”

他补充说，“人工智能还可以通过在临床医生审查数据之前确定幻灯片中感兴趣的特征来提高生产力。人工智能可以通过幻灯片进行筛选，并指导我们查看正确的内容，以便我们可以评估哪些内容重要，哪些内容不重要。这提高了病理学家使用的效率，并增加了他们研究每个病例的价值。”

7.为医疗设备和机器带来智能

智能设备正在接管消费者环境，并且提供从冰箱内部的实时视频到可以检测驾驶员分心的汽车等各种设备。

在医疗环境中，智能设备对于监控ICU和其他地方的患者至关重要。使用人工智能来增强识别病情恶化的能力，例如表明败血症正在发展，或感觉到并发症的发展可以显著改善结果，并可能降低治疗成本。

布里格姆妇女医院(BWH)临床数据科学中心执行主任Mark Michalski博士说，“当我们谈论整合整个医疗保健系统的不同数据，需要进行整合，并产生警报，提醒重症监护室(ICU)医生尽早干预，这些数据的汇总不是人类医生可以做得很好的事情。将智能算法插入这些设备可以减少医生的认知负担，同时确保患者尽可能及时地接受护理。”

8.推进免疫疗法用于癌症治疗

免疫疗法是治疗癌症最有希望的方法之一。通过使用人体自身的免疫系统来攻击恶性肿瘤，患者可能能够战胜顽固的肿瘤。然而，只有少数患者对当前的免疫治疗方案有反应，肿瘤学家仍然没有一种精确可靠的方法来确定哪些患者将从该方案中受益。

机器学习算法及其合成高度复杂数据集的能力可能能够阐明针对个体独特基因构成的靶向治疗提供新的选择。

马萨诸塞州总医院(MGH)综合诊断中心计算病理学和技术开发主任Long Le博士解释说，“最近，最令人兴奋的发展是检查点抑制剂，它阻断了某些免疫细胞产生的蛋白质。但我们仍然不了解所有的问题，这非常复杂。我们肯定需要更多的患者数据。这些疗法相对较新，所以实际上并没有多少患者服用这些药物。因此，无论我们是需要在一个机构内还是跨多个机构集成数据，都将增加患者人数以推动建模过程的关键因素。”

9.将电子健康记录转变为可靠的风险预测指标

电子健康记录(HER)是患者数据的宝藏，但以准确、及时和可靠的方式提取和分析大量信息一直是提供商和开发人员不断面临的挑战。

数据质量和完整性问题，加上数据格式的混乱、结构化和非结构化输入以及不完整的记录，使得人们很难准确理解如何进行有意义的风险分层、预测分析和临床决策支持。

布里格姆妇女医院(BWH)紧急医学助理教授、哈佛医学院(HMS)助理教授Ziad Obermeyer博士说，“有一些艰难的工作是将数据整合到一个地方。但另一个问题是了解当人们预测电子健康记录(HER)中的一种疾病时会得到什么。人们可能会听说人工智能算法可以预测抑郁症或中风，但发现他们实际上预测的是中风费用增加。这与中风本身有很大不同。”

他继续说，“依靠核磁共振结果似乎可以提供更具体的数据集。但是现在必须考虑谁能负担得起核磁共振的成本?所以最终预测的并不是期望的结果。”

核磁共振分析已经产生了许多成功的风险评分和分层工具，特别是当研究人员采用深度学习技术来识别看似无关的数据集之间的新联系时。

但是，Obermeyer认为，确保这些算法不能确认数据中隐藏的偏见，这对于部署能够真正改善临床护理的工具至关重要。

他说：“最大的挑战是确保在我们开始打开黑盒并观察如何预测之前，需要确切地知道我们预测到了什么。”

10.通过可穿戴设备和个人设备监控健康状况

现在几乎所有的消费者都可以使用带有传感器的设备来收集有关健康具有价值的数据。从带有计步追踪器的智能手机到能够全天候跟踪心跳的可穿戴设备，随时可以生成越来越多的健康相关数据。

收集和分析这些数据，并通过应用程序和其他家庭监控设备补充患者提供的信息，可以为个人和人群健康提供独特的视角。

人工智能将在从这一庞大而多样的数据库中提取可操作的见解方面发挥重要作用。

但计算神经科学成果中心的联合主任、布里格姆妇女医院(BWH)神经外科医生Omar Arnaout博士说，帮助患者适应这种亲密、持续监测的数据可能需要额外的工作。

他说：“以往我们对数字数据的处理方式相当自由。但是，随着剑桥分析公司和Facebook这些公司发生数据泄露事件，人们将越来越谨慎地考虑与谁共享什么样的数据。”

他补充说，患者往往更信任他们的医生，而不是像Facebook这样的大公司，这可能有助于缓解为大规模研究计划提供数据的不适。

Arnaout说：“很有可能可穿戴数据将产生重大影响，因为人们的关注是非常偶然的，并且收集的数据非常粗糙。通过连续收集粒度数据，数据更有可能帮助医生更好地照顾患者。”

11.使智能手机成为强大的诊断工具

专家认为，继续利用便携式设备的强大功能，从智能手机和其他消费级资源中获取的图像将成为临床质量成像的一种重要补充，特别是在服务不足的地区或发展中国家。

手机摄像头的质量每年都在提高，并且可以生成可用于人工智能算法分析的图像。皮肤病学和眼科学是这一趋势的早期受益者。

英国的研究人员甚至开发了一种工具，通过分析儿童脸部的图像来识别发育性疾病。该算法可以检测离散的特征，例如儿童的下颌线、眼睛和鼻子的位置，以及其他可能表明面部异常的属性。目前，该工具可以将普通图像与90多种疾病进行匹配，以提供临床决策支持。

布里格姆妇女医院(BWH)的微型/纳米医学和数字健康实验室主任Hadi Shafiee博士说：“大多数人都配备了功能强大的手机，内置了许多不同的传感器。这对我们来说是一个很好的机会。几乎所有行业参与者都已开始在他们的设备中构建人工智能软件和硬件。这不是巧合。在我们的数字世界中，每天都会生成超过250万TB的数据。在手机领域，制造商认为他们可以将这些数据用于人工智能，以提供更加个性化、更快捷、更智能的服务。”

使用智能手机收集患者眼睛、皮肤损伤、伤口、感染、药物或其他受试者的图像可能有助于服务不足的地区解决专家短缺的问题，同时减少对某些投诉进行诊断的时间。

Shafiee说，“未来可能发生一些重大事件，我们可以利用这个机会来解决一些在护理点进行疾病管理的重要问题。”

12.利用床边人工智能革新临床决策

随着医疗保健行业转向收费服务，它也越来越远离被动性医疗。在慢性病、急性病事件和病情突然恶化发生之前进行预防是每个提供者的目标，补偿结构最终允许他们开发能够实现主动、预测性干预的流程。

人工智能将为这一进化提供许多基础技术，通过支持预测分析和临床决策支持工具，在提供者认识到采取行动的必要性之前解决问题。人工智能可以为癫痫病或败血症等疾病提供早期预警，这通常需要对高度复杂的数据集进行深入分析。

马萨诸塞州总医院(MGH)临床数据主任、医学博士Brandon Westover说，机器学习还可以帮助支持是否继续为重症患者提供护理，例如心脏骤停后进入昏迷状态的患者。

他解释说，在通常情况下，医生必须检查这些患者的脑电图数据。这一过程耗时并且主观性强，其结果可能因临床医生的技能和经验而有所不同。

他说。“在这些患者中，趋势可能正在缓慢发展。有时当医生想要查看某人是否正在恢复时，可能查看10秒钟监控一次的数据。但是，要想从24小时采集的10秒数据中看出它是否发生了变化，就像查看头发在此期间是否变长了一样。但是，如果采用人工智能算法和来自许多患者的大量数据，那么就可以更容易地将人们所看到的内容与长期模式相匹配，并且可能会发现一些细微的改进，这些改进会影响医生在护理方面的决策。”