盡管AI已進入許多醫(yī)學專業(yè)，但該技術(shù)未能在初級保健中立足。這是為什么？

一位在該領(lǐng)域和人口健康科學領(lǐng)域都具有專業(yè)知識的醫(yī)師與一位杰出的計算機科學教授共同努力，在五月版的《家庭醫(yī)學年鑒》中發(fā)表了一篇觀點文章，回答了這個問題。

初級保健人工智能“應(yīng)致力于改善護理服務(wù)和健康結(jié)果;使用這個基準，它還沒有產(chǎn)生影響。”休斯頓大學醫(yī)學博士Winston Liaw和醫(yī)學博士Ioannis Kakadiaris都在休斯敦大學任教。

作者指出，迄今為止，令人失望的主要表現(xiàn)是初級保健界缺乏參與，這表明廣泛的沉默對現(xiàn)實世界產(chǎn)生了影響。

他們指出：“沒有初級保健的投入，醫(yī)療保健AI研究人員“可能無法掌握初級保健數(shù)據(jù)收集的背景，其在衛(wèi)生系統(tǒng)中的作用以及影響其發(fā)展的力量。”

然后，Liaw和Kakadiaris提出了七項AI挑戰(zhàn)，如果該職業(yè)要趕上美國整體醫(yī)療保健水平，那么初級保健必須面對這些挑戰(zhàn)。

1.低效的數(shù)據(jù)輸入。

作者寫道：“沒有及時的數(shù)據(jù)，人工智能系統(tǒng)將無法獲得決策所需的信息。”

2.處理不良的數(shù)據(jù)。

由于研究人員不信任在初級保健中輸入的數(shù)據(jù)的準確性，因此可以理解的趨勢是“根據(jù)任意或不適當?shù)囊?guī)則省略或修改數(shù)據(jù)，這可能導致人工智能系統(tǒng)吸取錯誤的教訓。”

3.無法解釋的（“黑匣子”）AI結(jié)果。

“要讓用戶信任人工智能系統(tǒng)，他們需要了解為什么要做出決定。”

4.放大現(xiàn)有的偏見。

“出現(xiàn)人口概率的系統(tǒng)性低估或過高預測是出于多種原因，其中包括訓練數(shù)據(jù)有偏見以及受早期偏見決定影響的結(jié)果。”

5.孤立的數(shù)據(jù)。

“這導致工具在不同機構(gòu)使用時表現(xiàn)更差。此外，接受該工具培訓的人群可能會轉(zhuǎn)移，從而導致其性能隨著時間的流逝而受到損害。”

6.隱私問題。

隨著數(shù)據(jù)的數(shù)字化，患者越來越無法確定何時，如何以及在何種程度上將與他們有關(guān)的信息傳達給他人。違反和濫用會削弱對人工智能系統(tǒng)的信任，并可能使個人不愿獲得醫(yī)療服務(wù)。”

Liaw和Kakadiaris總結(jié)道：“ ［W］不僅在基礎(chǔ)醫(yī)療中需要應(yīng)用人工智能，還需要開發(fā)針對基礎(chǔ)醫(yī)療的廣度，復雜性和縱向性而量身定制的新方法。”“ ［全科醫(yī)生］被我們對人的壓倒一切的興趣區(qū)分開，這對于在醫(yī)師與患者之間建立紐帶至關(guān)重要。”

作者還補充說，EHR的激增，以及隨之而來的AI的興起，通過增加“越來越多的技術(shù)”來消除這種聯(lián)系。

作者寫道，為了防止這種威脅逐漸演變成危險，初級保健AI“需要通過促進初級保健研究人員與AI學術(shù)專家之間的聯(lián)系的新機會來縮小這種鴻溝。”“如果我們希望恢復維持我們和我們患者的關(guān)系，就必須找到應(yīng)對這一挑戰(zhàn)的創(chuàng)造性解決方案。”