0
| 本文作者： 嫣然 | 2017-10-12 12:20 |
編者按：日前，麥肯錫全球研究所發(fā)布了《人工智能：下一個數字前沿》的報告，分析了當前大熱的人工智能實際落地情況和發(fā)展前景，主要集中在零售、制造業(yè)、電力、醫(yī)療、教育這五大領域。雷鋒網就其中醫(yī)療行業(yè)部分為您進行了編譯和解讀。
醫(yī)療保健是很有前途的人工智能市場。它的推理能力和在大量病歷、醫(yī)療圖像和流行病等統(tǒng)計數據中進行模式識別的能力有巨大的潛力。人工智能可以幫助醫(yī)生改善他們的診斷，預測傳染疾病，并定制醫(yī)療方案。人工智能與醫(yī)療保健數字化相結合，可以讓提供者遠程監(jiān)視或診斷病人，同時還能夠改變方式治療占據大宗醫(yī)療預算份額的慢性病。
AI能夠快速診斷，制定更好的治療方案
醫(yī)療診斷領域的人工智能主要有兩個方向，一個是基于自然語言處理，根據病歷和癥狀診斷疾病；一個基于計算機視覺，通過識別醫(yī)學影像診斷疾病。
以肺癌識別為例，AI可以通過兩種方式診斷肺癌，一種是基于自然語言處理，代表是IBM的Watson，在長達4年的時間內Watson學習了200本腫瘤領域的教科書，290種醫(yī)學期刊和超過1500萬份的文獻后，Watson開始被臨床應用，如今Watson在肺癌、乳腺癌、直腸癌、結腸癌、胃癌和宮頸癌等癌癥領域已經可以為醫(yī)生提供診斷建議。
另外一種是基于計算機視覺的診斷方式，代表企業(yè)是國內的Airdoc，由于肺癌早期沒有任何臨床癥狀，如果有癥狀就是中晚期，目前約75%的肺癌患者在診斷時已屬于晚期，肺結節(jié)的有效診斷和及時治療至關重要。
然而，大面積使用人工智能診斷疾病可能還不會太快發(fā)生。雖然機器學習能夠利用數據進行診斷，但完全自動化的診斷不太可能很快實現，部分原因在于患者是否會接受這種診斷，還有部分原因在于整合多個來源的數據和遵守嚴格監(jiān)管要求都具有相當的技術難度。
同時，在醫(yī)療行業(yè)意識到這一潛力之前，醫(yī)療保健提供者必須對他們的商業(yè)模式做出重大改變，對計算能力和技術專長進行大量投資，并努力提高能源的可用性，從而推動對包括醫(yī)療記錄在內的數據的處理和利用率。(專門的數據經紀人，比如IBM在2015年收購的“探索”(Explorys)，已經提供了綜合的醫(yī)療保健數據，并將其出售給潛在的人工智能解決方案提供商和用戶。)
做出這些改變并不容易，然而一旦成功回報則相當可觀：報告顯示，在醫(yī)療行業(yè)高管回顧關于人工智能使用的案例分析時，較早采用人工智能技術的公司高管表示，他們預計，在未來3年內，這些技術將使利潤率提高5個百分點。根據世界衛(wèi)生組織(World Health Organization)的數據，人工智能能夠提高醫(yī)療保健水平，同時也能降低成本。這可絕不是一件小事——2014年全球醫(yī)療支出達到GDP的9.9%(法國為11.5%，美國為17.1%)。
人工智能技術普及率很低。目前最先進的應用領域是機器學習算法支持的支付和索賠管理。一些臨床醫(yī)生使用人工智能來預測某些疾病的傳播，并試圖預測哪些病人最有成為患者。他們根據這些信息提供預防性治療。他們還利用這些預測來幫助醫(yī)院管理人員安排工作人員，與保險公司協(xié)商報銷費率，制定預算，并優(yōu)化庫存水平。
這種利用醫(yī)療和社會數據來更好地管理成本的想法，使得醫(yī)療預測在醫(yī)療保健領域，吸引了一些頂級技術、制藥和醫(yī)療公司以及小型初創(chuàng)公司。Johnson & Johnson與SAP合作，使用機器學習來預測客戶需求、庫存水平和產品組合。Careskore，一個預測分析平臺，使用機器學習來確定病人被重新接納到醫(yī)院的可能性。
在未來，人工智能工具將大大加速醫(yī)療保健向預防醫(yī)學的轉變。醫(yī)療專業(yè)人員將專注于遠程管理病人的健康，讓他們不用進醫(yī)院。為了做到這一點，人工智能工具不僅會分析病人的醫(yī)療歷史，還要分析影響健康的環(huán)境因素，比如污染和生活、工作噪音。這樣就可以識別風險群體，并告知當地政府在哪里實施預防醫(yī)療計劃。
機器學習適合于分析數以百萬計的病歷數據，以預測基于一定人口水平上的健康風險。這可能是人工智能的早期勝利，因為它帶來了巨額儲蓄的潛力，而且在預測個人健康風險時不需要監(jiān)管審查。
醫(yī)療提供者將得到信息，讓病人參與預防行動，包括醫(yī)療服務和生活方式和環(huán)境因素，如營養(yǎng)、鍛煉和避免污染。醫(yī)院的管理人員將會更好地預測峰值期，譬如入學人數的激增。人工智能工具通過結合個人醫(yī)療記錄、天氣數據和其他信息，追蹤傳染性疾病的發(fā)病率，將幫助預估有多少人需要住院治療。又譬如，人工智能應用程序可以使用醫(yī)療和人口數據來預測分娩的增加，如果產科診所需要額外的工作人員，就會提醒衛(wèi)生保健管理人員。
報告估計，采取AI措施之后，美國每年的全部醫(yī)療服務的潛在成本節(jié)約將是3000億美元，約占GDP的0.7%。英國,使用人工智能目標預防保健,每年可以節(jié)省每年￡33億住院費用。
人工智能可以幫助醫(yī)學專業(yè)人員診斷疾病，提高操作機器學習的能力，提高診斷準確性。斯隆凱特琳研究所(Sloan Kettering Institute)估計，在診斷癌癥患者和處方治療時，醫(yī)生只使用了20%的實驗性知識。人工智能應用程序可以在數百萬頁的醫(yī)學證據中篩選，幾秒內提供診斷和治療方案。
基于AI的圖像識別和機器學習可以在MRI和x射線圖像上看到比人眼更詳細的信息。例如，不同類型的膠質母細胞瘤有明顯的遺傳異常，醫(yī)生就根據這些異常來治療。但是放射科醫(yī)生不能僅憑圖像就能識別這些腦癌的基因異常。梅奧診所有一個機器學習程序，可以快速和可靠地識別異常。
人工智能的自動化有可能通過減少醫(yī)生和護士的日?；顒觼硖岣哚t(yī)療保健的生產力。總有一天，配備深度學習算法的聊天機器人能夠緩解急診室面對大量非緊急病患的情況，如喉嚨痛和尿路感染患者。
根據調查，盡管人工智能有巨大潛力，醫(yī)療保健在應用人工智能技術方面還是落后于其他行業(yè)。人工智能的使用主要集中在運營和客戶服務方面；最常用的技術是語音識別和計算機視覺，在我們的調查樣本中，兩者在醫(yī)療保健公司的份額分別是9%和7%，其中包括已經注意到人工智能的組織。在大多數醫(yī)院，諸如預約安排等運營管理職能，仍然是手工完成的。
我們已經發(fā)現，如果一個部門在采用數字技術方面進展緩慢，那么它對于人工智能的的使用也有同樣的傾向。報告《數字美國》發(fā)現，全國近四分之一的醫(yī)院和超過40%的醫(yī)生尚未采用電子健康記錄系統(tǒng)。即使是那些有電子記錄系統(tǒng)的，也沒有與病人或其他提供者無縫共享數據;重復的測試是不必要的，病人需要反復講述他們的病史，因為這些系統(tǒng)無法共通操作。另一份MGI報告，即《分析的時代》，發(fā)現美國的醫(yī)療保健部門只應用了10%到20%的機會使用高級分析和機器學習。
之所以進展緩慢，并不是由于醫(yī)務人員和行政人員對AI缺乏興趣。人們有興趣，但醫(yī)學面臨著一些獨特的高難度障礙。醫(yī)療記錄的敏感性和嚴格的保護隱私規(guī)定妨礙了深度學習應用和其他人工智能工具所要求的高質量聚合數據的收集。此外，數據和行業(yè)本身、醫(yī)療保健行業(yè)的碎片化以及其他監(jiān)管障礙的復雜性也在減緩這一進程。
在發(fā)達國家啟用人工智能意味著運營效率的極大節(jié)省。對美國的估計占到GDP的1%到2%。在其他高收入國家，估計節(jié)省將占GDP的0.5%至1%。全人工智能可以將在編護士的生產力提高40%到50%。麥肯錫的研究發(fā)現，這可以使醫(yī)院節(jié)約一半的人力成本，同時還能顯著減少病人的等待時間。
醫(yī)院還可以通過使用人工智能解決方案優(yōu)化許多普通的業(yè)務任務來提高他們的能力利用率。虛擬代理可以使常規(guī)的病人交互自動化。語音識別軟件已經在客戶服務中使用，它降低了處理病人的日常工作的成本，比如安排預約和登記入院的時間。自然語言處理可以分析期刊文章等文件，并對其內容進行整理，便于醫(yī)生快速查閱。這些類型的應用程序可以產生顯著的影響，而不需要通過監(jiān)管審查。
機器學習技術能夠預測病人行為和計算疾病概率，比目前的方法以及醫(yī)療保險提供者更能提高生命的可能性。
新的商業(yè)模式可以將人工智能與行為健康干預結合起來，將注意力集中在預防、疾病管理和健康上——在人們成為病人之前就處理他們的不健康。一家名叫“Discovery Health”的南非的保險公司，追蹤受保者的飲食和健身活動，并為他們的健康行為提供激勵。
人工智能還將鼓勵付款人、供應商和制藥公司之間建立新的伙伴關系，并將促進按績效收費的模式，加速向預防性醫(yī)療的轉變。Payers可能會更多地參與到護理管理中，或者鼓勵他們的提供者，通過引入基于機器學習識別風險的契約模型或者基于AI的風險管理模型來實現。
當更多的保險公司使用機器學習來分析歷史病歷數據時，基于內容的支付計劃會得到顯著的擴展，該計劃將根據該組織所有提供者的平均治療費用來支付醫(yī)生和醫(yī)院的費用。根據麥肯錫的客戶經驗，我們認為這種方法會對成本產生明顯的影響，使整形外科醫(yī)生的費用減少8%到12%，而醫(yī)生診斷費則會降低4%到5%。
病患也能夠直接受益于人工智能在醫(yī)療保健領域的興起。
考慮到每個病人的歷史和基因組成的復雜性，標準化的治療方法并非對每個病人都會起作用，因此研究人員正在使用先進的分析方法來個性化治療方案。決策可以基于數據分析和遠程診斷設備得到的病人監(jiān)控。一家名為“Turbine”的初創(chuàng)公司使用人工智能來設計個性化的癌癥治療方案。該技術在分子水平上對細胞生物學進行建模，試圖識別用于特定腫瘤的最佳藥物。它還能識別復雜的生物標志物，并通過每天進行數百萬次模擬實驗來尋找組合療法。
人工智能利用海量數據來解決狹窄問題的能力與定制醫(yī)療的倡導者產生了共鳴。他們承諾提供一種獨一無二的藥物、理療和治療，旨在以最少的副作用提供最大益處，因此了解數百萬其他有類似癥狀、預后和年齡的人的健康結果對他們來說有無法估量的價值。一些公司已經在使用機器學習或其他人工智能技術來對個別病人進行治療。Mindmaze使用機器學習來優(yōu)化中風病人的康復活動。Ginger.io使用機器學習，根據病人的新陳代謝和其他因素，來推薦最佳服藥時間。量身定制的治療可能會使人均醫(yī)療支出減少5%到9%，同時增加0.2到1.3年的平均壽命，并每年提高200美元的生產力。在全球范圍內，經濟影響可能在2萬億美元到10萬億美元不等。
醫(yī)療領域最突出的問題就是優(yōu)質醫(yī)療資源不足。這個問題可以說是全球性的。再加上人口老齡化的加劇，未來對醫(yī)生的需求量很有可能是有增無減。
醫(yī)療實踐已經采取了一些小的步驟，將人工智能納入患者管理，引入語音識別和其他語言方面的人工智能技術，以實現操作自動化。未來，具備語音識別、圖像識別和機器學習工具的虛擬助手，將能夠進行協(xié)商、診斷，甚至開藥等操作。如果這些系統(tǒng)缺乏足夠的信息來得出結論，虛擬代理可以命令額外做測試，并和病人約好時間。
在農村地區(qū)，虛擬代理將能夠進行遠程咨詢。然而，這種情況需要患者、提供者和監(jiān)管人員對完全自動化的診斷和處方感到自在。
較少爭議的是，在醫(yī)院，虛擬代理將能夠幫助病人掛號，并將他們推薦給合適的醫(yī)生來解決他們的問題。虛擬助理將能夠幫助病人在醫(yī)院機構中導航，為他們準備測試，并確保他們準時赴約。
阻礙人工智能開發(fā)及其在醫(yī)療保健方面應用的最大的可能性瓶頸之一，是足夠數量并且格式標準的高質量數據。如前所述，當今信息高度分散，遍布整個行業(yè)，分散在各處，最難以協(xié)調的如電子醫(yī)療記錄、實驗室和成像系統(tǒng)、醫(yī)生記錄和醫(yī)療保險索賠材料。將這些信息合并到大型的綜合數據庫中是很困難的，然而這又是促使人工智能深入了解疾病及其治療方法的必要條件。
例如，文化障礙阻礙了醫(yī)療保健數據所有者——醫(yī)院、保險公司、制藥商——和診斷公司之間的合作。當然，數據本身也是高度敏感的。當人們在網上購買或加入某項信用計劃時，他們通常會允許訪問某些種類的個人數據，但他們可能會抗拒任何試圖更深入地接觸更隱秘的醫(yī)療歷史的嘗試，尤其是如果他們不認為這是必要的，而潛在的好處又很抽象。他們可能還擔心，對黑客和數據竊賊來說，隱私性的健康細節(jié)的集中收集將是一個理所當然的目標。監(jiān)管機構將需要積極制定明確的規(guī)則，定義哪些人能夠使用這些數據，他們可以使用哪些數據，如何存儲它們，以及它們如何匿名化。
技術限制是另一個障礙。
為了完成工作，人工智能技術必須對病人和其他人們進行深入了解，但人們對人工智能技術如何實際診斷或選擇治療計劃仍知之甚少。有多少患者會相信人工智能工具，愿意相信人工智能診斷或遵循人工智能治療計劃仍是一個疑問。如果沒有人能夠解釋計算機是如何做出決定的，或者如何防止某種情況再次發(fā)生，監(jiān)管者就不會冒風險急于做出錯誤的決策去傷害一個病人。即使對于最強大的人工智能工具來說這也是一個問題，比如深度神經網絡，并且在一段時間內仍會維持這種情況。盡管在理論上來說，人工智能工具比單獨的人類臨床醫(yī)生更不容易犯錯誤。
人工智能公司將不得不解決市場分化問題。數以百計的供應商提供數千種不同的機器學習程序，每一個都為特定的臨床情況而設計。但在日常實踐中，醫(yī)生需要的是那種能夠處理不同情況的平臺。
如果醫(yī)療保健者想要利用人工智能的能力，他們也有一些事情要做。首先，他們必須雇用或培養(yǎng)受過訓練的、具有部署、維護和操作人工智能系統(tǒng)能力的人。除了數據分析師和技術人員之外，這還包括項目管理、團隊開發(fā)和解決問題的技能。
與此同時，傳統(tǒng)的工作人員——醫(yī)生、護士和其他醫(yī)療專業(yè)人員——需要習慣在機器和人工智能工具的支持下工作。雖然這將使他們有機會更多地關注臨床病例，并將管理和低風險工作交給人工智能和數字解決方案，但他們必須克服嚴重的懷疑心理。
雷鋒網結語：一方面是優(yōu)質醫(yī)療資源供給不足，成本高，醫(yī)生培養(yǎng)周期長，誤診率高，疾病譜變化快，技術日新月異；另一方面，隨著人口老齡化加劇、慢性疾病增長、對健康重視程度提高，醫(yī)療服務需求持續(xù)增加?？梢灶A見的前景是，盡管當前AI在醫(yī)療領域的全面落地仍有一些障礙，但是雷鋒網認為，在不久的未來，醫(yī)療行業(yè)必將成為AI的下一個藍海。這也是谷歌、IBM等巨頭不惜血本不斷撒錢的根本原因。而從另一個角度看，即使早已入局的巨頭公司，他們在醫(yī)療領域的人工智能研究也不過是入門級水平，我們更加可以說，AI+醫(yī)療，必將大有可為。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
