医疗人工智能的未来:一个诚实、直接的问答

问:电子病历的第一波采用主要集中在患者记录的数字化上，最近的重点是建立交互式临床决策支持能力。目前，CDS应用程序的开发和实施需要临床工作人员观察数据的趋势，制定针对这些趋势采取行动的协议，并与技术人员合作，将逻辑编码为可执行形式。随着NLP和计算机视觉能力变得越来越先进，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，以确定患者和人群层面的趋势和可能的反应吗?

答:有一件事要记住，这与普遍的看法相反:由于采用了电子病历，我们在医疗保健领域并没有淹没在有价值的数据中。人工智能需要数据的广度和深度才能发挥作用——大量的病人和关于这些病人的大量事实，也就是特征。谷歌的自动驾驶汽车算法在接触真正的路面之前，在模拟器中行驶了8000万英里，而且仍然需要一个人来监督汽车。您的医疗保健提供者每年收集您的数据多少次?在美国，人们平均每年去看3次医生或医院。一年中的其他362天，您的医疗保健提供商不会收集有关您的数据。在你的3次访问期间，提供者会收集一些数据。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(这些测量值在人工智能领域被称为“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，这并不是很多数据。此外，我们认为人工智能成功的关键在于对临床记录的分析。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——这在人工智能领域并不是太多信息，而且完全是主观的，除非它引用了实验室测试或血压读数等客观测量。它们几乎完全由临床医生撰写。

在非常罕见的情况下，患者可能拥有完整或部分基因组序列，因此这是当今医疗保健中一个重要但在很大程度上缺失的数据集。

因此，在传统的临床接触中，我们每年只收集三次关于一个病人的大约50个数据点(特征)。也就是每年不到100mb的数据量。特斯拉每小时收集25g的汽车数据。

我们促成了艾伯塔省的一项研究，得出的结论是，电子病历只代表了精确医疗和人口健康所需的8%的特征和事实，而这8%是亲切的。我们认为这个数字甚至更低。顺便说一下，如果我们继续在临床医生试图收集更多关于患者及其护理的数据时增加鼠标点击，我们都应该被闪电击中。# nomoreclicks

底线:电子病历并不是我们所认为的人工智能数据的圣杯。就充分利用人工智能在医疗保健领域的潜力所需的数据而言，他们几乎没有触及到数据的表面。电子病历数据总比没有好，但还远远不够。我们需要让病人和健康生态系统沉浸在被动传感器中，这些传感器将数据传输到一个从头开始设计的技术平台，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。

人工智能算法在很大程度上可以归结为某种形式的模式识别，然后向人类提出对模式做出反应的建议，或者在自主人工智能的情况下，由计算机对模式进行干预。飞机上的自动驾驶仪是模式识别之后由计算机自主干预的经典例子——一个持续的数据馈电，描述飞机的俯仰、滚转、偏航、位置、目的地和速度，馈电给一个算法，以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隐形战斗机在空气动力学上的不稳定性达到了人类飞行员无法驾驶飞机的程度，如果没有人工智能算法的帮助，飞行员就无法驾驶飞机。人工智能算法监测飞行遥测，不断调整飞机上的飞行控制系统，保持飞机的稳定。人工智能算法需要数据——大量的数据——才能充分发挥其潜力。

“无监督学习”一词可能具有误导性。就像人类学习的情况一样，无监督学习只能在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实际应用。我们能让一辆自动驾驶汽车上路，让它的人工智能算法在无监督的情况下学习吗?是的，从技术上讲，这是可能的，但想象一下这样做的操作后果。对一些人来说，这意味着人工智能算法可以在数据上释放出来，并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，这来自于观察、行动、监控行为的结果，确定行为在预期结果的背景下是正确的还是不正确的，然后进行调整，使不正确的行为在未来不会重复，类似的场景。一般来说，人工智能中无监督学习的历史表明，在没有监督的情况下，人工智能所能做的最好的事情就是识别数据中的模式，否则这些模式可能无法被人类识别。这并不意味着这些模式将是有用的。无监督学习可以从数据中产生假设，但这将取决于人类和其他下游人工智能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;人工智能是否只是一个短暂的趋势，只可能对现状做出渐进式的改变?或者人工智能将为人类开启新的可能性?

答:它将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年的职业生涯中看到的任何东西都不同。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。人工智能需要大量和高质量的数据，而在很大程度上，我们在医疗保健领域还没有这些。

问:不同EHR平台之间的互操作性(或缺乏互操作性)以及人工智能在这些系统中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病历中剥离数据，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;我们睡觉都能做。问题在于电子健康档案的固有局限性及其设计方式。它们是以临床遭遇(可计费事件)为数据模型的中心进行设计的。所以，如果你想要应用AI去理解计费事件，那么这种设计是可行的。但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，而不是收费的遭遇。电子病历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。电子病历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:这些工具是否能达到宣传的效果，并有助于减少医生目前面临的大量基于计算机的工作量?

答:是的，当然，但前提是我们要增加患者数据的广度和深度。就像自动驾驶仪减轻了飞行员驾驶飞机的日常工作一样，人工智能应用于医疗保健也可以实现同样的目标。它可以减轻临床医生的简单诊断和治疗的商品任务，以及管理任务，这样他们就可以监测病人，并在情况需要他们更高的、非商品的专业知识时做出反应。但是，如果我们不能更好地将病人和护理过程数字化，这一切都不可能实现。

问:电子病历数据中的一些固有偏见呢?我们能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这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就诊，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写它们的人一样随机。人类指定的ICD诊断代码是主观的，并受到分配它们的临床医生和编码员的高度影响。CPT代码也是一样。所以，我们在电子病历中有一个非常有限的数据集它是为计费而设计的，我们有一个质量很有问题的数据集。想想从火箭或卫星遥测中收集的数据的客观性和定量性质。这些数据来源于一个传感器，该传感器是为捕获可计算信息而设计和制造的。它不是一个人，主观地估计和输入遥测数据。 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，我迫不及待地期待人工智能的好处能够释放出来，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，而且，作为一个行业，我们需要确保我们不会在患者中制造一种关于隐私的恐惧，从而延迟或抑制人工智能的帮助。我期待着未来，当我沐浴在7×24传感器中，它们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——我决定谁能看到我的数据，谁不能。我期待着将我的健康数据暴露给商业上可用的人工智能算法——竞争我的赞助和订阅的人工智能算法公司——它们可以评估我的健康状况，并提出最佳的治疗方案和治疗方法。我期待着未来，当我与一名临床医生进行临床接触时，我掌握了比他更多的关于我健康的数据，以及我订阅的人工智能算法的输出，我们与这位临床医生一起，决定什么对我这个人来说是最好的，而不是作为他们的附属病人。医疗保健的发展速度极快，但我认为这种未来正在出现。例如，看看生物集成传感器技术正在开发约翰·罗杰斯和西北大学的团队．他们的产品已经被运动队用于临床试验。我们正面临着一个临界点，人们对医疗保健的缓慢发展感到不满。变革之风比以往任何时候都猛烈。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的信息吗?以下是我们推荐的一些文章:

1. 医疗保健中商品化机器学习的危险:导致成功的5个关键区别
2. 医疗保健领域的数据科学:当今的领导者必须知道什么
3. FDA数字健康指导对CDS、医疗软件和机器学习的影响