使用人工智能統(tǒng)計(jì)人口數(shù)據(jù)

從理論上講，配備了機(jī)器學(xué)習(xí)功能的臨床醫(yī)生可以將對(duì)一個(gè)患者有效的方法應(yīng)用到另一個(gè)(另一個(gè))和另一個(gè)(另一個(gè))的護(hù)理上，依此類推。

理想情況下，隨后的患者最終將接受針對(duì)他們的個(gè)性化服務(wù)，并受到越來(lái)越大的大數(shù)據(jù)的驅(qū)動(dòng)。同時(shí)，管理員和付款人獲得的護(hù)理規(guī)程變化更少，因此成本也更低。

換句話說(shuō)：“人工智能的根本潛力在于，衛(wèi)生系統(tǒng)不再需要在個(gè)性化和規(guī)?；g做出選擇。”

這就是本杰明·費(fèi)爾斯(Benjamin Fels)的想法，他本來(lái)就對(duì)從AI愛(ài)好者的角度看技術(shù)感興趣：他是西雅圖醫(yī)療保健AI公司Macro-Eyes的首席執(zhí)行官。

然而，F(xiàn)els已經(jīng)就醫(yī)療保健需要更好地利用數(shù)據(jù)撰寫(xiě)了平衡而周到的文章，以期在不可避免的AI投資中獲得最大回報(bào)。

英國(guó)《金融時(shí)報(bào)》于5月18日發(fā)表了該文章。

“可能出什么問(wèn)題了?很大，”費(fèi)爾斯寫(xiě)道。“醫(yī)療機(jī)器學(xué)習(xí)中的偏見(jiàn)是致命的。用于培訓(xùn)醫(yī)療保健模型的最容易獲得的數(shù)據(jù)不能反映疾病的全球負(fù)擔(dān)。同樣，在臨床試驗(yàn)中，參與者不能準(zhǔn)確反映患者的多樣性。”

Fels補(bǔ)充說(shuō)，每當(dāng)對(duì)不足的廣泛數(shù)據(jù)進(jìn)行算法訓(xùn)練時(shí)，機(jī)器學(xué)習(xí)中的偏見(jiàn)往往會(huì)給AI的潛力帶來(lái)寒意。

他指出：“機(jī)器的真實(shí)性就是您所展示的。”“重新調(diào)整訓(xùn)練數(shù)據(jù)，算法將學(xué)習(xí)糾正以前的趨勢(shì)。”

他建議，最好的人工智能使用海量數(shù)據(jù)集來(lái)不斷提醒提供者組織，他們的患者是個(gè)人，而不是群體甚至子群體。

Fels承認(rèn)，該技術(shù)實(shí)現(xiàn)這一目標(biāo)的能力是違反直覺(jué)的。但是，如果正確部署，醫(yī)療保健AI“可以通過(guò)強(qiáng)調(diào)醫(yī)療服務(wù)提供者對(duì)患者的注意，來(lái)增強(qiáng)醫(yī)學(xué)的人性化，”他說(shuō)，“使患者與醫(yī)療服務(wù)提供者之間的互動(dòng)變得更加重要。”