人工智能辅助决策:医疗保健的下一个前沿

本报告基于健康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“医疗保健领导者的AI:改进领导决策的新前沿”。世界杯葡萄牙vs加纳即时走地

技术正在迅速改变每一个行业，包括——或许尤其包括——医疗行业。在2015年,世界经济论坛进行了一次调查帮助预测变革性技术何时会成为主流。近一半在接受调查的800名高管中，有一人回答说，他们预计到2025年，第一台人工智能(AI)机器将成为一家企业的董事会成员，而首个使用3d打印肝脏的移植手术可能会在2024年实现。

2019年的与会者医疗分析峰会(HAS)还没有准备好把决策权交给机器。Healt世界杯葡萄牙vs加纳即时走地h Catalyst首席数据科学家杰森·琼斯(Jason Jones)在他的“医疗保健领袖AI”课程上向与会者提出了这样一个问题:“到2025年，你们的董事会有多大可能让一台机器成为投票成员?”33%的人回答“不可思议”，其余67%的人回答“不确定”。琼斯认为，也许他们需要一台机器来帮助他们回答这个问题。

人工智能辅助最高领导层决策

虽然到2025年可能不会有一台机器掌舵每个主要的医疗系统，但在医疗决策方面，人工智能应该有一席之地。将人工智能扩展到增强智能是一个新的前沿。传统AI专注于提高分析效率和有效性，而增强智能则专注于提高医疗保健领导者的决策能力。人工智能可以帮助领导者推动整个系统的发展结果改善和回答重要的问题，比如“再入院的机会多还是抑郁的机会多?”“周末急诊科需要多少员工?”以及“护士经理需要多长时间来改善安全文化?”

人工智能有机会以新的和创新的方式帮助决策，但如果医疗行业的领导者没有为这一步做好准备，他们将继续充分利用人工智能和机器学习(ML)。采用这种模式的领导者可以使用增强智能来推动结果的改善。

战略方向的重要性

由于医疗保健正处于技术转折点，医疗保健决策者决定是否以及如何为其组织采用AI技术非常重要。由于效率和算法的提高，围绕人工智能辅助决策的对话更有意义，但领导者需要深思熟虑地实施人工智能，以确保人工智能支持他们的目标和价值观。一个很好的类比是，虽然司机可以通过谷歌地图更快地到达某个地方，但如果他们不知道自己要去哪里，这项技术将无法帮助他们。医疗保健领导者需要能够在他们的AI之旅中清楚地陈述、询问和完善他们的目标和价值观。

领导力报告的挑战

如果增强智能能够在决策中发挥作用，首先要问的问题是，医疗保健领导者需要能够做什么，以及人工智能如何提供帮助。人工智能的两个最大需求是将信号从噪音中分离出来，并做出影响未来的决策(同时利用数据来完成这两个目标):

• 信号与噪声分离-这家医院比那家好吗?随着时间的推移，我们有进步吗?如果我们设定一个改进目标，它在统计上是否与当前的表现不同?
• 做出影响未来的决定一年后我们会在哪里?我们对此满意吗?如果没有，我们要改变什么?我们什么时候能看到结果?如果我们满意，绩效是否可持续?

下面的示例报告(图1)显示了如何使用常见的ML算法来帮助回答这些问题。在本例中，x轴表示性能，而y轴表示7个不同的地理位置。水平线代表不同大小的置信度限制，代表不同地理区域之间的大小差异。在图的右边，字母表示这些地理区域在统计上是否彼此不同。此外，灰色钻石代表了这些地区在一年后的自动预测。

虽然这份报告显示了大多数标准季报所包含的一些信息，但它增加了新的维度，为领导人提供了更多信息，用于做出关键决策，同时消除了解读数据的一些认知负担。该报告使用了一种标准的ML算法递归分区，常用于再入院预测和病例管理选择。虽然这些ML工具经常被使用，但很少有组织将这些相同的模型应用到高级决策制定中，即使它们能够提供这两种类型的信息。

示例报告使用增强智能来帮助从噪声中分离信号(通过区分不同的地理位置)，并包括有助于为未来决策提供信息的数据(通过显示对地理位置在一年内表现的预测)。医疗保健领导者可以获取此信息并看到，虽然一些地理区域(地理区域A、D和E)的性能预计将保持相对稳定或略有下降，但其他地理区域(地理区域B和C)的性能预计将显著提高。这一信息改变了“组织表现如何?”从“地理位置B和C之间是否存在显著差异?”到需要考虑的地理位置A、D和E ?以及“这种表现在这些地区是可持续的吗?”虽然许多领导不愿意相信计算机对组织绩效的预测，但事实是，他们是更好的在这一点上比人类强。

人工智能辅助决策与卫生公平的关系

增强智能的一个意外应用涉及医疗公平。的卫生保健研究和质量机构(AGRQ)定义了六个领域医疗质量包括安全、有效、以人为本、及时、高效和公平。AHRQ将医疗保健的公平目标定义为“质量不因个人特征而异，如性别、种族、地理和社会经济地位。”上面图1所示的示例报告说明了地理位置如何影响医疗质量。虽然人工智能和ML可能会在医疗保健领域延续偏见，但同样的工具也有可能改善医疗保健公平，特别是当应用于决策时。

医疗保健组织报告了几百个案例性能的措施．如果他们也知道他们在不同种族、性别、民族、地理和社会经济地位的每项测量中表现得如何公平呢?可以通过使用基尼它不是应用于收入平等，而是应用于整个医疗保健绩效指标(图2)。

图2显示了如何使用基尼指数对绩效指标进行排名，以显示不平等程度较高的领域，然后医疗领导者可以使用该指数确定重点领域。在这个例子中，卫生系统可能将重点放在糖化血红蛋白控制上，这表明了年龄的不平等。一个常见的ML工具叫做接受者操作特性(ROC)曲线是数据科学家预测结果的一个指标。就像数据科学家可以使用这个工具来预测哪些患者会感染严重败血症或哪些患者会再次入院一样，他们也可以预测卫生系统在控制整个患者群体的糖化血红蛋白方面的公平性。有了这些信息，医疗保健领导者就可以改善该测量和其他测量中的医疗保健不平等现象。

AI的下一个目标是什么?

虽然许多医疗保健组织已经在护理点实现了AI和ML工具，但很少有人能够将它们应用到最高层的决策制定中。好消息是这样做的机会比比皆是。增强智能可以应用于领导环境，帮助从噪音中分离信号，做出面向未来的决策，并应用于一些最复杂的问题，如解决医疗不平等问题。为了让医疗保健继续向前发展，医疗保健领导者需要鼓励在护理点和最高决策级别使用这些工具。随着人工智能的进步为数据科学家提供了理解数据的新方法，领导者可以利用这些技术通过增强领导力决策来改善医疗保健。

更多的阅读

你想了解更多关于这个话题吗?以下是我们建议的一些文章:

1. 医疗保健中的人工智能:一个变革管理问题
2. 机器学习工具解锁非结构化健康数据中最关键的见解
3. 个性化医疗的新时代:分析和人工智能的力量
4. 人工智能如何克服医疗数据安全挑战并提高患者信任
5. 医疗保健数据管理:充分利用数据潜力的三个原则