醫療保健中的AI：現實還是虛妄？

技術專家們曾經承諾，人工智慧（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並減少人為錯誤、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後周期達十年的行業。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，人工智慧（AI）與機器學習（ML）將徹底改變醫療保健行業的面貌。

在網路上搜索「醫療保健中的人工智慧（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於具體用例，探討這些思路是否真能應用於未來實踐。

藥物發現中的AI——現實

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並獲得FDA的批准，但藥物研發企業與製藥廠已經在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。

面對如此漫長而昂貴的新葯市場投放流程，行業必須簡化發現步驟並輔以正確投資。目前，判斷潛在候選藥物時需要檢查數十億個數據點。事實上，藥物開發歷來是一個令人頭痛的迭代過程，需要使用高通量篩選（HTS）實驗室每天對數千種化合物進行物理測試，而預期命中率僅為1%甚至更低。AI/ML技術帶來了增加效率並提升規模的希望。機器學習技術可用於關聯大量數據、發現隱藏關係，並生成新的解決方案。這些系統目前被用於搜索新的候選化合物，加速複雜的計算機模擬效果，並提出多種多樣的新葯合成途徑。

利用AI實現ICD-11映射與編碼——虛妄……但可能很快變為現實

ICD-11即將到來。世界衛生組織（WHO）於2018年6月公布了最新的國際疾病分類清單（ICD-11），並於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，計劃於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於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並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後，AI/ML將能夠更好地確定正確編碼並提供建議賠付理由。

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註，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，並驗證修飾語部分。目前還不確定是否所有機構都能廣泛採用AI技術進行編碼與計費，但對於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。

患者參與及健康監測——現實

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。從調查結果中可以看出，目前整個行業正朝著更加個性化以及數據驅動型患者護理與參與的方向轉變。當患者要求享受更具個性化的護理時，付款方與服務供應方也都做出響應。在以患者為中心的模式內推動AI技術普及，也將提高護理質量，並在這一長期以僵化著稱的行業內掀起一波非常積極的變革趨勢。

在診斷完成之後，後來的護理步驟就是為患者制定治療計劃。儘管具有良好的治療質量，但醫療保健供應方還需要關注合規要求中提出的對患者負責原則。據估計，僅在2016年，避免藥物依賴性就給整個美國帶來高達528.4億美元的支出。AI/ML能夠從以下幾個因素當中發現潛在的不合規患者：存在不合規歷史、支持網路有限、不良的生活習慣、或者與護理團隊的互動過少等等。其中往往涉及成千上萬名患者，他們各自擁有數百個受保護的健康信息（PHI）數據點以及無數指標，這導致供應商與付款方很難滿足客戶的持續需求。利用AI/ML技術，臨床醫生將能夠根據AI建議採取不同的患者跟蹤與監測步驟。

AI/ML也有助於患者堅持執行康復計劃。遊戲化、付費激勵以及物聯網健康設備等都是非常成功的工具，能夠補充傳統康復激勵手段。如果患者喜歡與技術方案進行交互，那麼他們就能更嚴格地遵守計劃要求。例如《多學科科學》雜誌就曾在2018年的一項研究當中發現，在使用遊戲化方式進行跟蹤時，糖尿病患兒的血糖水平提高了17%。在跟蹤血糖讀數等數據點或者減肥患者採取的具體步驟時，AI/ML能夠提供個性化體驗並提供即時反饋以及必要的虛擬獎勵。如此出色的成效，對於醫療保健行業及其服務的患者群體來說都是個令人振奮的好消息。

為患者制定診斷與治療計劃——虛妄

這個結論可能讓不少朋友大吃一驚。利用人工智慧對患者進行診斷，並制定治療計劃——這怎麼可能是假的？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，目前的人工智慧或者機器還無法對患者進行治療。而且坦率地講，即使是擁有最複雜的演算法、數十億個複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確實能夠在患者預後階段發揮關鍵作用。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複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讀取測試結果並發現其中的趨勢，同時配合人類間的交流確定治療方法，並與患者溝通以提供維持健康所必需的護理與支持計劃。

無論醫療保健行業如何變化，病患護理都將有所改善——現實

數據管理、虛擬助手、人臉識別、手術機器人——這份關於在醫療保健領域以有意義且可行方式採用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採取何種應用方式，但對於整體融合趨勢，我們抱有非常確定的態度。

根據MarketsandMarkets發布的一項調查，醫療保健市場上的AI價值總額預計將由2018年的21億美元增長至2025年的361億美元，這意味著預測期間的複合年增長率將達成50.2%。由於AI/ML有著非常廣泛的用途與適用場景，因此行業內的當前領導者有必要對當前、即將發生以及可能永遠不會發生的種種狀況做出客觀看待。以價值為導向的護理，應該成為一切醫療保健賠付方、醫療服務供應方以及生命科學專業人士的首要目標——而AI/ML則是建立這種以患者為中心的護理模式的前提性技術。總結而言，每一家醫療保健企業都能夠通過數字化轉型提高效率、實現高質量體驗，並藉此獲得令人滿意的投資回報。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！