可穿戴設備與人工智慧相結合在醫療保健中的優勢 | 矽谷洞察

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

在英格蘭東南部，一批服務於50萬人的醫院正在為出院的患者配備一個具有Wi-Fi功能的臂帶，可以遠程監測一些生命體征，如呼吸頻率、含氧水平、脈搏、血壓和體溫。

作為國家衛生服務試點計劃的一部分，該項目現在採用人工智慧實時分析所有患者的數據，醫院再入院率下降了，急診室就診次數也減少了。更重要的是，開銷高昂的家庭出診需求下降了22％。從長遠來看，堅持治療計劃的人數增加到96％，而行業平均水平則為50％。

人工智慧試點的目標是哈佛商學院教授和Innosight聯合創始人克里斯·克里斯滕森稱之為「消費無力（Nonconsumption）」的概念。它指的是那些消費者有所求，但是目前尚無實惠且方便的解決方案的機會領域。

例如，英國在涉及達特福德和格拉夫舍姆醫院的試點之前，完成患者家庭監測需要派遣醫院工作人員每周前往患者家中作檢查，路上往返時間長達90分鐘。但是，隨著演算法持續不斷地搜索數據中的警告信號，並立即向患者和專業人員發出警報，從而誕生了一種新的功能：向患者適時提供醫療保健服務，甚至在患者自己意識到有這種需求之前。

人工智慧的最大優點在於，可以用接近零的邊際成本進行準確的預測，理所當然地激起了人們將AI技術應用到醫療健康的幾乎所有領域巨大的興趣。但並非人工智慧在醫療保健中的所有應用都能獲得同等的收益。此外，很少應用能夠在戰略上恰當地回應困擾幾乎所有健康醫療系統的最大問題：患者分散和利潤壓力。

以醫學成像AI工具為例，醫院在未來四年內預計每年將在此項目上花費20億美元。準確診斷從癌症到白內障的一系列疾病是一項複雜的任務，難以量化但通常會產生重大後果。然而，該任務目前通常是大型工作流程的一部分，且由受過廣泛訓練、高度專業化的醫生執行，而這些醫生是世界上最聰明的那部分人。這些醫生可能需要一些額外的幫助，但是現在這個問題已經解決了。這些因素使得疾病診斷成為AI很難產生創造性變革的一個領域。因此，人工智慧在這種環境中的應用，即使對患者的治療結果有益，也不可能從根本上改善醫療保健的實施方式，也不可能在短期內大幅降低成本。

然而，一些正在尋求醫護分散化實施的領先的醫療組織，通過部署AI技術可以做到一些以前從沒做到的事情。例如，消費者每天都會做出各種各樣的非緊急的關於健康的決定。這些決定並不值得資深臨床醫生去關注，但最終在確定患者健康方面發揮著重要作用，並最終影響醫療保健的成本。

根據世界衛生組織的數據，和個人健康和生活質量息息相關的因素中有60％與選擇的生活方式有關，包括遵循正確服用血壓藥物的處方、鍛煉和減壓等。在AI驅動模型的幫助下，現在可以根據患者生命體征的變化，在患者整個日常過程中為其提供干預和提醒。

在家庭進行健康監測本身並不新鮮。包括Partners Healthcare、United Healthcare和Johns Hopkins醫學院在內的一些領先機構正在開展一些活躍的項目和試點研究，並取得了積極成果。但這些嘗試尚未利用人工智慧來實時地做出更好的判斷和建議。由於涉及了大量數據，機器學習演算法特別適合於針對大量人群來擴展該任務的執行。畢竟，是通過大量的數據來讓演算法更加智能，從而支撐AI技術。

例如，通過部署人工智慧，NHS計劃不僅能夠在英國推廣，而且還能夠延伸到國際市場。Current Health是該計劃中使用的患者監測設備的製造商，由風險資本支持，該公司最近獲得了美國食品和藥物管理局的批准，允許其在美國試行該系統，目前正在紐約的西奈山醫院進行測試。這是為減少患者再入院率所作的努力的一部分，而再入院率的問題每年使美國醫院損失約400億美元。

這些努力作為較早的成功案例，讓我們搞清楚了在使用人工智慧解決以患者為中心的醫療保健這個新領域中的「消費無力」問題時的三個經驗：

1.專註於對關鍵指標產生影響 - 例如，降低耗費昂貴的醫院再入院率。

從小的措施開始，鎖定目標，對那些與患者治療結果和財務可持續性相關的關鍵指標產生積極的影響。與在英國的試點一樣，可以通過優選的醫院或醫療供應商地區來完成。另一個案例中，亞特蘭大最大的公立醫院格雷迪醫院，由於採用了識別「有風險」患者的人工智慧工具，據預計，兩年內再入院率降低了31％，節省了400萬美元。該系統可以提醒臨床團隊在特殊情況下與患者接觸及實施干預措施。

2.依靠新型合作夥伴降低風險。

不要試圖獨自完成所有的事情。相反，要與那些想要解決類似問題的合作夥伴結成聯盟。考慮Synaptic Healthcare Alliance聯盟，這是Aetna、Ascension、Humana、Optum和其他公司之間的協作試點計劃。該聯盟正在使用區塊鏈在各個醫療服務提供者之間創建一個巨大的數據集，並對數據進行AI試驗。其目的是簡化醫療服務提供者的數據管理，目標是降低處理索賠的成本，同時改善醫療服務的可達性。單獨行動的話，由於數據不兼容問題這一項，就可能會有風險。例如，安德森癌症中心因為失敗的AI項目不得不損失掉數百萬美元，部分原因是與其電子健康記錄系統不兼容。通過合作的方式，Synaptic的數據集將採用標準格式，使記錄和結果可傳遞。

3.使用AI與訓練有素的專業人員進行協作，而不是競爭。

臨床醫生通常希望增加他們的知識和診斷能力，而AI可以為此提供幫助。確實，許多醫療AI應用程序與醫生產生了競爭。例如，在放射學中，一些演算法在基於圖像診斷方面已經和人類專家不相上下，甚至表現更好。然而，尚不清楚患者和醫療機構是否會信任AI，並依賴它完全以自動化方式完成這項工作。加州大學聖地亞哥分校的一項試驗中，AI作出的兒童疾病診斷比初級兒科醫生更準確，但其檢查結果仍需要高級醫生重新審核並簽字確認。所以，真正的目標始終應該是讓AI與臨床醫生合作，以求更高精度的診斷結果，而不是試圖取代醫生。

麻省理工學院和MGH已經開發出一種深度學習模型，可以識別患者未來是否有可能患上乳腺癌。此AI系統學習了60,000名既往患者的數據，允許醫生用個性化方式來篩查乳腺癌篩，本質上為每位患者創建詳細的風險概況。

總而言之，這三條經驗與針對「消費無力」問題的解決方案相結合，有望為如何有效操控AI技術提供一條清晰的道路，特別是目前AI已經被過度熱炒。從長遠來看，我們認為人工智慧的變革性收益之一是它將加深醫療服務提供者與患者之間的關係。例如，英國的試點中，病人獲得了更頻繁的主動檢查，這在以前從未發生過。在新興的以消費者為中心的醫療保健市場中，這對改善治療結果和提升客戶忠誠度都有好處。

原文鏈接：https://hbr.org/2019/05/the-health-care-benefits-of-combining-wearables-and-ai

作者：Moni Miyashita，Michael Brady

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！