通過(guò)人工智能讓臨床醫(yī)生為臨床做好準(zhǔn)備詹姆斯博士　密西根大學(xué)內(nèi)科＆兒科　　　　　　

臨床醫(yī)生必須具備評(píng)估和確定ＡＩ輸出在其自身臨床實(shí)踐和患者中的適當(dāng)應(yīng)用的知識(shí)和技能。

ＡＩ的影響，其中一些將被改變?！彪S著ＡＩ在臨床實(shí)踐中發(fā)揮更大的作用，它顯然需要多層次的監(jiān)督。然而，即使有適當(dāng)?shù)耐獠勘O(jiān)督，臨床醫(yī)生審查和信任這些技術(shù)的重要性怎么強(qiáng)調(diào)都不為過(guò)。這篇文章概述了可以讓臨床醫(yī)生參與并投資于包括ＡＩ在內(nèi)的醫(yī)療保健的步驟。

關(guān)于人工智能在醫(yī)療保健領(lǐng)域的潛在前景和風(fēng)險(xiǎn)已經(jīng)有很多報(bào)道，媒體和學(xué)術(shù)界都在為這一宣傳做出貢獻(xiàn)，包括預(yù)測(cè)某些專業(yè)將被機(jī)器所取代。一位ＭＬ技術(shù)的開(kāi)發(fā)人員說(shuō)，“我們應(yīng)該停止培訓(xùn)放射科醫(yī)生?！迸c所有引入臨床實(shí)踐的新技術(shù)一樣，在等待臨床持續(xù)成功和受益的嚴(yán)格證據(jù)時(shí)，對(duì)ＡＩ持懷疑態(tài)度是合適的。

ＡＩ并不是第一個(gè)承諾提供更高效和有效醫(yī)療服務(wù)的信息技術(shù)應(yīng)用。從早期引入的電子健康記錄（ＥＨＲｓ）中可以吸取一些教訓(xùn)。在聯(lián)邦激勵(lì)措施的部分推動(dòng)下，２００８年至２０１７年期間，美國(guó)擁有有效ＥＨＲ的醫(yī)院不到１０％，而沒(méi)有ＥＨＲ系統(tǒng)的醫(yī)院也不到１０％。ＥＨＲ已經(jīng)兌現(xiàn)了一些承諾（例如，改善了患者的安全，尤其是在藥物使用方面的安全），但人們對(duì)ＥＨＲ對(duì)臨床醫(yī)生的福祉、職業(yè)滿意度和醫(yī)患關(guān)系的影響表示擔(dān)憂。雖然這些預(yù)料不到的后果本質(zhì)上是多因素的，但一個(gè)反復(fù)出現(xiàn)的主題是沒(méi)有仔細(xì)考慮ＥＨＲ對(duì)最終用戶的影響。此外，據(jù)推測(cè)，缺乏一線臨床醫(yī)生的早期參與會(huì)對(duì)ＥＨＲｓ的實(shí)施產(chǎn)生不利影響。

在醫(yī)療保健從紙筆記錄系統(tǒng)轉(zhuǎn)變?yōu)榛冢牛龋业钠髽I(yè)的十年之后，ＡＩ代表著進(jìn)入了一個(gè)潛在實(shí)踐變革技術(shù)的新時(shí)代。數(shù)十億美元被投入到醫(yī)療保健和相關(guān)研究中。數(shù)百家基于人工智能的初創(chuàng)企業(yè)已經(jīng)成立，數(shù)字巨頭（如蘋(píng)果、微軟、谷歌和亞馬遜）也在大力投資。美國(guó)國(guó)家醫(yī)學(xué)院（Ｎａｔｉｏｎａｌ?。粒悖幔洌澹恚。铮妗。停澹洌椋悖椋睿澹╊A(yù)計(jì)，人工智能將成為醫(yī)療保健的主流，因此報(bào)告《醫(yī)療保健中的人工智能：希望、炒作、希望和危險(xiǎn)》鼓勵(lì)并教育社區(qū)關(guān)注有關(guān)數(shù)據(jù)科學(xué)和人工智能的知識(shí)。

重要的是，為臨床醫(yī)生提供使用基于ＡＩ的技術(shù)所需的技能、資源和支持，現(xiàn)在被認(rèn)為是ＡＩ在醫(yī)療保健中成功應(yīng)用的關(guān)鍵。要做到這一點(diǎn)，臨床醫(yī)生需要現(xiàn)實(shí)地了解醫(yī)療保健的潛在用途和局限性，忽視這一事實(shí)可能會(huì)導(dǎo)致臨床醫(yī)生的憤世嫉俗和患者預(yù)后不佳。

透明度和信任

雖然ＥＨＲ的采用受到聯(lián)邦授權(quán)和激勵(lì)的推動(dòng)，但ＡＩ不太可能出現(xiàn)類似這種情況。相反，其采用更可能受到傳統(tǒng)投資回報(bào)考慮的制約。然而，這些考慮并不一定意味著政府不會(huì)發(fā)揮作用：潛在的監(jiān)管問(wèn)題、法律責(zé)任和社會(huì)偏見(jiàn)都將影響ＡＩ的采用，決策者也可能卷入這些問(wèn)題。例如，考慮到人工智能算法可能產(chǎn)生的深遠(yuǎn)影響和廣泛危害，國(guó)際、聯(lián)邦和州各級(jí)制定指導(dǎo)方針、政策和法律是有必要的。

盡管支持在常規(guī)臨床實(shí)踐醫(yī)療環(huán)境中使用ＡＩ的證據(jù)相對(duì)較弱，ＡＩ模型繼續(xù)被銷售和部署。最近的一個(gè)例子是Ｅｐｉｃ敗血癥模型。雖然該模型已在美國(guó)數(shù)百家醫(yī)院得到了廣泛應(yīng)用，但最近的一項(xiàng)研究表明，與模型開(kāi)發(fā)過(guò)程中觀察到的性能相比，該模型在正確識(shí)別早期敗血癥患者和改善臨床環(huán)境中的患者預(yù)后方面表現(xiàn)明顯更差。

這類研究強(qiáng)調(diào)了對(duì)ＡＩ產(chǎn)品規(guī)定嚴(yán)格的報(bào)告標(biāo)準(zhǔn)和審查的必要性。一個(gè)強(qiáng)大的聯(lián)邦批準(zhǔn)流程，如用于藥品是必要的。在機(jī)構(gòu)層面，類似于《臨床實(shí)驗(yàn)室改進(jìn)修正案》的實(shí)驗(yàn)室研究認(rèn)證過(guò)程有助于確保不僅采用和實(shí)施算法的標(biāo)準(zhǔn)嚴(yán)格，而且對(duì)其適用性和準(zhǔn)確性進(jìn)行持續(xù)的評(píng)估。

然而，臨床醫(yī)生對(duì)于做出臨床實(shí)施決定所需的信息缺乏共識(shí)。因此，需要為ＡＩ臨床試驗(yàn)和用于評(píng)估ＡＩ技術(shù)效用的相關(guān)研究指定標(biāo)準(zhǔn)化、可靠、循證的標(biāo)準(zhǔn)指南。如果沒(méi)有這樣的標(biāo)準(zhǔn)，臨床醫(yī)生對(duì)基于ＡＩ的技術(shù)的信任和適當(dāng)使用將受到阻礙。

批判性評(píng)估指南

一線臨床醫(yī)生必須能夠自如地評(píng)估與臨床ＡＩ醫(yī)學(xué)相關(guān)的醫(yī)學(xué)文獻(xiàn)。一個(gè)類比就是循證醫(yī)學(xué)（ＥＢＭ）運(yùn)動(dòng)，它創(chuàng)建了用戶指南，使臨床醫(yī)生具備閱讀的技能，并適當(dāng)?shù)貙⒀芯繎?yīng)用于患者護(hù)理。

在已證實(shí)的循證醫(yī)學(xué)框架的基礎(chǔ)上，Ｌｉｕ和他的同事開(kāi)發(fā)了一個(gè)用戶指南來(lái)評(píng)估使用ＭＬ的文章。需要額外的指南來(lái)促進(jìn)評(píng)估使用ＡＩ來(lái)幫助回答有關(guān)預(yù)后、傷害、治療和成本效益問(wèn)題的研究。隨著臨床醫(yī)生在評(píng)估ＡＩ文獻(xiàn)方面越來(lái)越成熟，臨床試驗(yàn)報(bào)告的嚴(yán)密性和透明度可能會(huì)隨之提高。制定和推廣適當(dāng)?shù)挠脩糁改蠈⒂兄谥С诌@一轉(zhuǎn)變。

臨床醫(yī)生和患者（共同決策）

大約在ＥＢＭ發(fā)起的時(shí)候，一場(chǎng)平行運(yùn)動(dòng)開(kāi)始促進(jìn)患者和臨床醫(yī)生之間的共同決策。隨著基于ＡＩ的預(yù)測(cè)和算法繼續(xù)為醫(yī)療決策提供信息，患者和臨床醫(yī)生必須重新考慮共享決策，因?yàn)楝F(xiàn)在的決策很可能涉及到團(tuán)隊(duì)中的一個(gè)新成員——ＡＩ衍生算法。最終，臨床醫(yī)生將承擔(dān)起成功調(diào)解患者、計(jì)算機(jī)和他們自己三者之間關(guān)系的大部分責(zé)任。臨床醫(yī)生將需要解釋ＡＩ在他們的推理和建議中的作用。隨著時(shí)間的推移，這種關(guān)系很可能會(huì)改變，患者和家屬可能會(huì)直接根據(jù)ＡＩ的建議，繞過(guò)臨床醫(yī)生做出一些決定。在ＡＩ改革后的醫(yī)療體系中，駕馭這一轉(zhuǎn)變——并為有資質(zhì)的專家找到合適的角色——將是一個(gè)重大的挑戰(zhàn)。

結(jié)論

ＡＩ將很快在醫(yī)療保健領(lǐng)域變得無(wú)處不在?；谠诓粩嘀贫▽?shí)施策略的過(guò)程中吸取經(jīng)驗(yàn)教訓(xùn)，考慮臨床醫(yī)生作為ＡＩ開(kāi)發(fā)的算法、過(guò)程和風(fēng)險(xiǎn)預(yù)測(cè)者的最終用戶的關(guān)鍵是必要的。臨床醫(yī)生必須具備評(píng)估和確定ＡＩ輸出的適當(dāng)應(yīng)用的知識(shí)和技能，這對(duì)自己的臨床實(shí)踐和他們的患者有益。這些新技術(shù)將為臨床醫(yī)生創(chuàng)造新的角色和責(zé)任，而不是被ＡＩ取代。

（文章來(lái)源于互聯(lián)網(wǎng)）