医疗人工智能的未来:诚实、直接的问答

问:电子病历采用的第一波主要集中在病人记录的数字化，最近的重点是建立交互式的临床决策支持能力。目前，开发和实施CDS应用程序需要临床工作人员观察数据中的趋势，制定针对这些趋势采取行动的方案，并与技术人员合作，将逻辑编纂为可执行形式。随着NLP和计算机视觉能力变得更加先进，算法将识别并提出反映数据模式的行动。人工智能技术……最终会支持电子病历中的无监督学习方法，以确定患者和人群水平的趋势和可能的应对措施吗?

答:有一件事要记住，这与普遍的看法相反:我们并没有因为采用电子病历而在医疗保健领域淹没在有价值的数据之中。人工智能需要数据的广度和深度才能发挥作用——大量的患者行和大量关于这些患者的事实，也就是特征。谷歌的自动驾驶汽车算法在模拟器中行驶了8000万英里，才触碰到真正铺设的道路，它们仍然需要人类来监督汽车。您的医疗服务提供者每年收集您的数据多少次?在美国，你平均每年看3次医生或医院。在一年中的其他362天里，您的医疗服务提供者不会收集您的数据。在你3次访问期间，供应商收集了一些数据。身高，体重，吸烟状况，血压，年龄，性别，姓名和地址。实验室测试大约有1到10个测量值(这些测量值在AI世界中被称为“特征”)。一两个ICD诊断代码。 Maybe a CPT code or two. Maybe a digital image—X-ray, CT, MRI. A physician’s clinical note. Maybe a microbiology or pathology diagnostic test along with a text report about the findings. A pharmacy order for a medication.

在人工智能数据的世界里，数据的广度和深度对人工智能模型的准确性至关重要，这并不是太多的数据。此外，我们认为人工智能成功的关键在于临床记录的分析。但是临床记录中的质量、准确性、数量和客观、可计算的信息最多是值得怀疑的。临床记录很少超过半页——这在人工智能世界中并不是一个非常多的信息，而且它完全是主观的，除非它引用了一个客观的衡量标准，如实验室测试或血压读数。它们几乎完全是由临床医生撰写的。

在非常罕见的情况下，病人可能会有完整或部分的基因组序列，所以这是一个重要的，但在今天的医疗保健中很大程度上缺失的数据集。

因此，在传统的临床会诊中，我们收集大约50个数据点——特征——关于一个病人，每年只收集3次。也就是说，每年的数据量还不到100mb。特斯拉每小时收集25gb的汽车数据。

我们在艾伯塔省促成了一项研究，该研究得出结论，电子病历只代表了精准医疗和人口健康所需的8%的特征和事实，而且这8%是亲切的。我们认为这个数字甚至更低。顺便说一句，如果我们在临床医生试图收集更多关于病人及其护理的数据时继续点击鼠标，我们所有人都应该被雷劈到。# nomoreclicks

最重要的是:hr并不是我们所认为的人工智能数据的圣杯。就我们需要什么来充分利用人工智能在医疗领域的潜力而言，它们只是触及了数据表面。电子病历数据总比没有好，但这远远不够。我们需要让患者和健康生态系统沐浴在被动式传感器中，这些传感器将数据流到一个技术平台中，该平台从头开始设计，以支持分析、决策支持和人工智能。世界杯厄瓜多尔vs塞内加尔波胆预测电子病历在技术上或功能上都不是为此目的而设计的。

在很大程度上，人工智能算法可以归结为某种形式的模式识别，然后建议人类对模式做出反应，或者在自主人工智能的情况下，由计算机对模式进行干预。飞机上的自动驾驶是模式识别和计算机自动干预的经典例子——不断输入数据来描述飞机的俯仰、横摇、偏航、位置、目的地和速度，然后输入算法来保持飞机的飞行路线。飞机上的自动驾驶软件每秒对这些数据流进行100次以上的采样。已经退役的F-117隐形战斗机的空气动力不稳定程度达到了没有人工智能(AI)算法监控飞行遥测、持续调整飞机上的飞行控制系统、保持飞机稳定的程度。AI算法需要数据——大量的数据——才能充分发挥其潜力。

“无监督学习”这个术语可能会引起误解。就像人类学习的情况一样，无监督学习只能实际应用于错误的后果和对这些错误的无监督适应是微不足道的情况下。我们能不能让一辆自动驾驶汽车上路，让它的AI算法在无监督的情况下学习?是的，技术上这是可能的，但想象一下这样做的操作后果。对一些人来说，这意味着AI算法可以释放在数据上，以某种方式神奇地学习一些东西，但学习需要对“正确”和“不正确”有明确的理解，这来自观察、行动、监测行为的结果，在期望的结果的背景下确定行为是正确的还是错误的，然后进行调整，以便不错误的行为在未来重复，类似的场景。一般来说，人工智能无监督学习的历史表明，在没有监督的情况下，人工智能能做的最好的事情是识别数据中的模式，否则可能会逃脱人类的识别。这并不意味着这些模式会有用。无监督学习可以从数据中生成假设，但这将取决于人类和其他下游AI算法来测试这些假设。目前，在医疗保健领域，考虑到我们当前的数据环境，无监督学习最适合用于生成人类无法识别的假设。

问;人工智能只是一种短暂的趋势，只可能对现状做出一点点改变吗?或者人工智能将为人类开启新的可能性?

答:它将并正在为人类开启新的可能性。人工智能的进步正在超越摩尔定律。人工智能的能力每六个月就翻一番。这与我在计算机和信息科学领域34年的职业生涯中所见过的任何事情都不同。也就是说，正如我前面提到的，如果我们不增加患者的数字化——大幅增加患者健康相关数据的广度和深度——医疗保健将被甩在后面。人工智能需要大量高质量的数据，而在很大程度上，我们在医疗保健领域还没有这样的数据。

问:不同EHR平台之间的互操作性(或缺乏互操作性)以及AI在这些系统上的广泛应用带来了多大的挑战?世界杯厄瓜多尔vs塞内加尔波胆预测

答:令人惊讶的是，缺乏互操作性并不是真正的问题。我们可以很容易地从电子数据报表中剥离数据，并将这些数据暴露给人工智能算法。在He世界杯葡萄牙vs加纳即时走地alth Catalyst，我们已经将其商品化;我们睡觉的时候都能做到。问题在于电子病历及其设计方式的固有局限性。他们设计的数据模型的中心是临床相遇——计费事件。所以，如果你想应用AI来理解可计费事件，这种设计是可以的。但是，如果你想应用人工智能来了解病人，你需要完全改变电子病历背后数据模型的基本设计，让病人成为模型的中心，而不是收费对象。ehr并不是为了支持动态、智能、基于上下文的用户界面而设计的软件，就像我们在现代网络和移动软件应用中看到的那样。ehr背后的软件代码和架构至少是基于20年前的技术。 This puts inherent limitations on the ability to drive better decision support to clinicians, enabled by AI, into the user interface of EHRs. Also, healthcare is the only data environment that consistently believes we have to push copies of data from one EHR system to another in order to achieve interoperability; to view and access data. But, if you think about modern information systems, like Amazon, Google, and Facebook, they don’t ship and store data locally. They index and then reference data—that is, they “point to data” in its native location. That’s what an HTTP and URL address is all about. It’s an address to the location of data. If the Internet followed EHRs’ approach to interoperability, we would all have a full copy of the world wide web on our laptop computers. So, is interoperability a problem? Yes. But the bigger problem is the fundamental design and engineering of EHRs.

问:这些工具是否会像炒作的那样，帮助减少医生现在面临的基于计算机的工作量?

答:当然可以，但前提是我们要增加患者数据的广度和深度。就像自动驾驶把驾驶飞机的任务从飞行员身上解放出来一样，应用于医疗保健的人工智能也可以做到这一点。它可以减轻临床医生的简单诊断和治疗的商品任务和管理任务，以便他们可以监测患者，并在情况需要他们更高的、非商品的专业知识时作出反应。但是，如果我们不更好地实现病人和护理过程的数字化，这一切都不可能实现。

问:那么电子病历数据中的一些固有偏见呢?我们可以做些什么来确保机器学习算法不会延续(甚至加剧)这些偏见?

答:T他的问题是我们面临的核心问题。在设计电子病历时，数据模型的中心是可计费的临床门诊，而不是患者。众所周知，对于相同的患者和患者类型，临床记录的内容和质量都是随机的。临床记录的内容就像书写它们的人一样随机。人类分配的ICD诊断代码是主观的，并且受到临床医生和分配它们的编码人员的高度影响。CPT代码也一样。因此，我们在电子商务记录中有一个非常有限的数据集，它是为计费而设计的，我们有一个数据集，它的质量是非常可疑的。想想从火箭或卫星遥测中收集到的数据的客观和定量性质。这些数据来源于一个传感器，该传感器的设计和制造是为了捕捉可计算的信息。它不是人类，主观地估算和输入遥测数据。 So, can we derive AI value from the data in an EHR? Yes, and we are doing it now. Do we face the probability of making false conclusions from the output of that AI? Absolutely, positively. We have to apply AI in the field of healthcare with the rigor of formal experimental design until the data we have about patients is less subjective, deeper, and broader than what’s contained in today’s EHRs. That’s an important topic for another time—data scientists in healthcare need formal training in experimental design to ensure that the results of their AI models are valid.

问:这些技术将如何影响患者对数据隐私和机密性的期望?

答:我是一名患者，我迫不及待地希望人工智能的好处能够改善我的治疗，降低我的医疗成本。在这种情况下，我完全不担心隐私和机密性，作为一个行业，我们需要确保我们不会在患者中制造对隐私的恐惧，从而推迟或抑制AI的发展。我期待着未来，当我沐浴在7×24传感器中，它收集和监测我的健康数据。我期待着将来我拥有并控制这些数据及其隐私设置——我可以决定谁能看到我的数据，谁不能。我期待着将我的健康数据展示给商业上可用的AI算法——AI算法公司争夺我的赞助和订阅——它们可以评估我的健康状况，并建议最佳的治疗计划和疗法。我期待着未来，当我在临床中遇到一位临床医生时，我拥有比那位临床医生更多的健康数据，以及我所认可的人工智能算法的输出，然后和那位临床医生一起，决定什么对我来说是最好的，作为一个人，而不是作为他们的附属病人。医疗保健的发展速度极其缓慢，但我认为这种未来正在显现。例如，看看生物集成传感器技术约翰·罗杰斯和西北大学的团队．他们的产品已经在运动队和临床试验中使用。我们正面临着对医疗保健的缓慢发展感到不满的文化临界点。变革之风比以往吹得更猛烈。我所期待的未来，离我们不过五年。

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. 医疗保健领域商品化机器学习的危险:通向成功的5个关键差异化因素
2. 面向医疗保健的数据科学:当今领导者必须知道的事情
3. FDA数字健康指南对cd、医疗软件和机器学习的影响