技術專家們曾經承諾，人工智能（AI）與機器學習（ML）將徹底改變醫療保健行業的面貌。具體應用有望簡化工作流程并減少人為錯誤、加速藥物研發、協助手術操作，同時帶來更好的計費與編碼方法。然而，根據2017年發布的一項研究，醫療保健是一個數字成熟度落后周期達十年的行業。面對如此消極的背景，AI技術的結合究竟只是一個空洞的承諾，還是真正具有前瞻性與創新性的現實？

技術專家承諾稱，人工智能（AI）與機器學習（ML）將徹底改變醫療保健行業的面貌。在網絡上搜索“醫療保健中的人工智能（AI）”，我們將得到近10億條結果。似乎每一位醫療保健行業專家都對如何徹底改變患者的治療方案提出了意見——從藥物開發到臨床決策支持系統（DSS）皆有涵蓋。AI/ML在醫療保健中的應用前景似乎無窮無盡，但在本文中，我們將以撥亂反正的態度著眼于具體用例，探討這些思路是否真能應用于未來實踐。

從發現到研究再到最終生產，將藥物推向市場的整個過程往往需要經過10到15年，平均費用約為26億美元。雖然只有14%的候選藥物能夠進入測試階段并獲得FDA的批準，但藥物研發企業與制藥廠已經在AI方面投入巨資，希望更快地發現新的藥物化合物、減少錯誤計算，從而獲得更高的成功率。這一領域的增長也將繼續保持旺盛的態勢。

ICD-11即將到來。世界衛生組織（WHO）于2018年6月公布了最新的國際疾病分類清單（ICD-11），并于2019年5月向各成員國提交了這份清單。該清單中包含的條目量達到ICD-10的四倍，計劃于2022年1月1日生效，其中包含1萬份ICD-10修訂提案要。面對這樣龐大的條目數字，人類根本不可能對其進行正確的解釋與編碼。

根據醫療保險與醫療補助服務中心（CMS）公布的數據，當ICD-10于2015年10月正式實施時，其條目數量由之前的1萬3千條（ICD-9-CM）增長至6萬8千條（ICD-10-CM）。雖然一部分醫療機構開始早期應用并引入某種形式的自然語言處理（NLP）或者ML技術，但大多數醫療機構仍然單純依靠人類進行條目編碼。

這通常會導致解釋提供者在進行注釋時引發錯誤，特別是在處理唯一代碼與修飾語時。舉例來說，“被火雞啄傷”編碼為ICD-10 code W61.43，而“被大雞啄傷”的編碼為code W61.43，人類編碼人員極易把二者混淆起來。在提供者輸入自己的注釋之后，AI/ML將能夠更好地確定正確編碼并提供建議賠付理由。

隨著ICD-11編碼數量的不斷增加，AI/ML已經成為協助編碼員轉錄備注，以及向付款者提供驗證編碼的必要前提。

雖然ICD-11將以用戶友好度更高的電子版本形式發布，但電子病歷記錄（EHR）供應商仍將投入大量開發資源，以確保最終用戶能夠使用正確的編碼。通過引入AI/ML技術，系統將能夠掃描提供方的注釋，確定正確的編碼，并驗證修飾語部分。目前還不確定是否所有機構都能廣泛采用AI技術進行編碼與計費，但對于那些希望以更準確的方式對疾病進行分類的醫療機構而言，現在無疑是引入AI的絕佳時機。

Pega在最近一項調查中發現，有52%的患者對醫生利用AI做出醫療保健決策的作法感到滿意，29%的患者對付款方使用AI技術的作法感到滿意。這個結論可能讓不少朋友大吃一驚。利用人工智能對患者進行診斷，并制定治療計劃——這怎么可能是假的？這不正是我們研究AI的目標所在嗎？

實際情況是，在沒有任何人為干預的情況下，目前的人工智能或者機器還無法對患者進行治療。而且坦率地講，即使是擁有最復雜的算法、數十億個復雜數據點以及完美的編程，現有技術方法仍然無法像經驗豐富的臨床醫生、護理人員以及合格的實踐團隊那樣能力合作完成治療過程。

但好消息是，AI/ML確實能夠在患者預后階段發揮關鍵作用。通過從實踐管理（PM）與健康信息系統（HIS）中收集到的患者數據，現有臨床決策支持與規則引擎確實能夠提供令人滿意的建議。此外，分析測試結果、X光片、CT掃描影像以及數據輸入等重復性任務都是當前程序化介入工作的主要方向。例如，心臟病學與放射學就是兩個需要分析大量數據的專業，這往往給技術人員帶來巨大的時間與精力負擔。心臟病專家與放射科醫師現在可以利用AI/ML讀取測試結果并發現其中的趨勢，同時配合人類間的交流確定治療方法，并與患者溝通以提供維持健康所必需的護理與支持計劃。

數據管理、虛擬助手、人臉識別、手術機器人——這份關于在醫療保健領域以有意義且可行方式采用AI/ML技術的方法清單一直在不斷擴展。雖然我們還無法完全確定更適合在何時采取何種應用方式，但對于整體融合趨勢，我們抱有非常確定的態度。