使用人工智能統(tǒng)計人口數(shù)據(jù)

從理論上講，配備了機器學習功能的臨床醫(yī)生可以將對一個患者有效的方法應(yīng)用到另一個(另一個)和另一個(另一個)的護理上，依此類推。

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

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

這就是本杰明·費爾斯(Benjamin Fels)的想法，他本來就對從AI愛好者的角度看技術(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。

英國《金融時報》于5月18日發(fā)表了該文章。

“可能出什么問題了?很大，”費爾斯寫道。“醫(yī)療機器學習中的偏見是致命的。用于培訓醫(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擔。同樣，在臨床試驗中，參與者不能準確反映患者的多樣性。”

Fels補充說，每當對不足的廣泛數(shù)據(jù)進行算法訓練時，機器學習中的偏見往往會給AI的潛力帶來寒意。

他指出：“機器的真實性就是您所展示的。”“重新調(diào)整訓練數(shù)據(jù)，算法將學習糾正以前的趨勢。”

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

Fels承認，該技術(shù)實現(xiàn)這一目標的能力是違反直覺的。但是，如果正確部署，醫(yī)療保健AI“可以通過強調(diào)醫(yī)療服務(wù)提供者對患者的注意，來增強醫(yī)學的人性化，”他說，“使患者與醫(yī)療服務(wù)提供者之間的互動變得更加重要。”