人工智能在医疗保健领域:更快找到正确答案

本报告基于Health Catalyst首席数据科学家Jason Jones在2019年医疗保健分析峰会上的演讲，题为“更快得到错误答案:在医疗保健中更好地使用AI”。世界杯葡萄牙vs加纳即时走地

数据和分析可以成为卫生系统成功或失败背后的驱动力。要改变医疗保健服务，数据至关重要——但只有在数据引导您得出正确结论的情况下。分析中错误的结论可能会导致患者的次优结果，并浪费在医疗保健中利用人工智能(AI)的尝试。

常用的分析方法——特别是在医疗保健领域的人工智能——常常会导致分析师和领导者在不知不觉中得出错误的结论。因此，数据领导者必须理解并利用重要的策略和工具来得出正确的结论并识别错误的答案。

数据管理——数据领导的关键

通过使用AI/ML，医疗保健领域的领导者拥有大量的权力;然而，同样的数据不同的领导可以得出完全不同的结论。因此，数据领导者和分析师有责任充当数据的管家，帮助同事和团队成员正确使用数据，以便他们能够更快地得到正确的答案。数据使用者得到错误的答案，但却毫无头绪的情况并不少见，因为答案看起来仍然赏心悦目。这就是为什么数据管理员在监督数据的适当使用和显示方面起着关键作用。

为医疗保健领域的AI奠定正确的基础

在医疗保健领域使用任何形式的AI之前，关键是首先确定需要解决的问题。建议AI/ML项目至少有两年的历史数据，一个明确识别总体的统计过程控制图，以及一个明确定义的结果。

组织在使用数据和AI/ML时犯的第一个错误是在没有适当的基础数据的情况下利用AI/ML，这不可避免地会导致基于数据不足和可能需要数年才能恢复的资源浪费的错误结论。

当组织已经奠定了坚实的数据基础时，AI/ML将获取原始的表格数据(图1)，并将其转化为人们可以用来做决策的东西(图3)。

正确的数据可视化工具极大地改变了数据解释

寻找正确答案的另一个步骤是理解哪种数据可视化工具适合您的数据集。正确的数据可视化工具将从根本上改变人们消费、观察和解释数据的方式。

例如，如果有人想买房子，但听说该地区的某些地区癌症发病率更高，这个人可能想查看癌症发病率和位置数据，以确定哪些地区癌症发病率更高(在哪里应该避免买房)。

数据可以以多种方式显示。在下面的示例中(图1)，按位置划分的癌症数据显示在一个列表中，该列表显示了已报告癌症的每个位置，并按地理区域分组。例如，在A01区域有4例癌症报告，在A02区域有2例癌症报告，等等。

另一种显示相同数据的方法是使用散点图(图2)，这是一种强大的数据可视化工具，允许用户更容易地使用和解释数据。

一个人可以清楚地识别没有癌症的区域，使数据驱动的决策更加有力。正确的可视化工具还允许用户进一步分析数据(图3)，并确定数据中的趋势、模式和集群，以确定改进的机会。

然而，如果这个人使用AI/ML，除了使用数据来做决定，她可能会发现有一个更好的方法来显示完全相同的数据。蓝线代表基于实际数据(基于地理位置的癌症发病率)的钟形曲线，紫色线(AI/ML)是在癌症诊断与地理位置没有关系的情况下的预期结果。由于实际数据的钟形曲线与AI/ML钟形曲线非常接近，有充分的证据表明癌症诊断与地区之间没有关系。因此，想在这个地区买房的人不应该根据不同地区的癌症发病率来做决定。

相同的数据，不同的结论——哪个结论是正确的?

按地区划分的癌症发病率示例说明，数据从未改变，只是数据显示的方式发生了变化。对于数据领导者来说，理解数据可视化工具如何驱使人们(或卫生组织)做出正确或错误的答案是至关重要的。

例如，东非认证研究所的(ICS)试图提高肯尼亚儿童在小学的学习成绩。起初，ICS提供了更多的书(而不是为整个教室提供一本书)、活动挂图和教师。这些改变没有任何区别。事实上，ICS看到了不平等的增加。最初的假设是，从课本中受益的孩子本来就表现得很好，有了自己的课本和老师更多的关注，表现好的孩子将继续胜过表现差的孩子，从而增加差距。

ICS的一位领导向该研究所的一位同事提到了这一发现世界卫生组织世卫组织认为，由于蠕虫疾病导致的缺课可能是问题所在。事实证明，由于蠕虫感染，许多学生错过了大量的课堂时间。学校决定在学校实施“驱虫日”，让学生在学校安全接受治疗。加班的时候，ICS看到了学校旷工率降低了25%，收入水平提高了20%超过10年的水平。

尽管ICS在学术改进方面的第一次尝试导致了错误的答案，但领导层与世卫组织的领导人合作，并愿意尝试一些新的东西，以试图得到正确的答案。由于他们的合作努力、谦逊和对提高学习成绩的承诺，ICS找到了正确的答案——学校的驱虫项目——这给肯尼亚的孩子们带来了巨大的改变，无论是现在还是未来。

展望未来:AI在医疗保健领域的五大常见障碍

尽管人工智能在医疗保健领域似乎无处不在，甚至是直接的，但也出现了共同的挑战。当数据分析师和领导者试图利用AI/ML获得正确答案时，尤其会出现五个问题:

1. 诊断分析前的预测分析导致相关性而不是因果关系。在Gartner分析优势模型(图5)中，诊断分析并不总是必须在预测分析之前。预测分析是一种不揭示相关性背后原因的相关性练习，有时在人们专注于诊断分析、试图得出因果关系并理解某事发生的原因之前更容易关注/识别。当试图理解数据时，有时分析师过于专注于精确地遵循优势模型——试图理解“为什么”(诊断分析步骤)和“是什么”(预测分析步骤)。在某些情况下，确定“是什么”将帮助人们确定“为什么”，但这需要灵活的心态。

2. 变更管理不被认为是过程的一部分。在上面的Gartner模型中，“规定性分析”基准似乎是一个技术挑战;然而，这是对领导力的挑战。在组织的分析之旅的这一点上，领导需要做出的改变是显而易见的，但它需要坚定的领导来实施新流程这影响了真正的改变。如果没有变更管理，从分析中获得的洞察力将进入一个死胡同，识别改进机会的工作将是徒劳的。
3. 用错误的术语来描述工作．而不是使用术语“我们将评估您的程序”衡量一个项目的成功程度数据架构师、分析师和领导者应该使用术语“让我们一起工作来优化您的程序”，因为它使团队成员参与进来，强调协作方面，从而产生更有效的、与数据相关的程序。使用“一起工作”和“优化”(而不是“我们会评估……”)这样的词汇更受团队成员的欢迎，并传递出分析团队是与他们一起工作的，而不是评判/评估他们的工作的信息。
4. 试图弥补低数据素养导致的不明确结论。为了克服决策者较低的数据素养水平，数据架构师常常过度简化信息。相反，他们应该在“标准”报告中利用AI/ML的特性——例如添加置信度限制、计算机预测等——以促进解释，并使结论更清晰、更容易为领导理解。包含更多而不是更少的信息，可以提供更多的背景，减少猜测，并使领导能够在全面的情况下做出决策。
5. 定义上缺乏一致意见会造成混乱．真理只有一个版本的想法是虚幻的，在医疗保健领域并不存在。领导者需要寻求证据的融合，讨论所有可能的选择，然后在基于证据的讨论中做出明智的决定。如果团队专注于对真理的单一观点达成一致，他们将永远无法超越这一点，因为它并不存在。这就是为什么必须利用来自多学科团队的思维多样性——集思广益，根据每个人的输入定义问题，然后实施改变来解决问题。

没有人类，人工智能在医疗保健领域是不够的

AI/ML为医疗保健领域带来了力量、效用和效率，但它并不能取代人类发挥的宝贵作用。为了得出正确的结论，分析过程需要数据领导者和管理人员的指导。

特定的AI/ML工具和技术是有用的，也是可以实现的，但它们还不足以让医疗保健组织得到正确的答案。为了更快地消除错误答案并最终找到正确答案，卫生系统需要一种协作的方法、对数据和分析过程的理解，以及消除共同障碍并始终专注于前进的领导人。

更多的阅读

你想了解更多关于这个主题的信息吗?以下是我们推荐的一些文章:

1. 临床用户有意义的机器学习可视化:一个框架
2. 医疗保健中的人工智能:一个变更管理问题
3. 机器学习工具从非结构化健康数据中解锁最关键的洞见
4. 人工智能如何克服医疗数据安全挑战，提高患者信任
5. 医疗保健数据管理:充分利用数据的三个原则

---

幻灯片

您愿意使用或分享这些概念吗?下载突出重点的演示文稿。

请按此下载幻灯片

人工智能在医疗保健领域:更快找到正确答案从世界杯葡萄牙vs加纳即时走地