清明节家电促销活动技术专家们曾经承诺，人工智能（AI）与机器学习（ML）将彻底改变医疗保健行业的面貌。具体应用有望简化工作流程并减少人为错误、加速药物研发、协助手术操作，同时带来更好的计费与编码方法。然而，根据2017年发布的一项研究，医疗保健是一个数字成熟度落后周期达十年的行业。面对如此消极的背景，AI技术的结合究竟只是一个空洞的承诺，还是真正具有前瞻性与创新性的现实？

　　技术专家承诺称，人工智能（AI）与机器学习（ML）将彻底改变医疗保健行业的面貌。

　　在网络上“医疗保健中的人工智能（AI）”，我们将得到近10亿条结果。似乎每一位医疗保健行业专家都对如何彻底改变患者的治疗方案提出了意见——从药物开发到临床决策支持系统（DSS）皆有涵盖。AI/ML在医疗保健中的应用前景似乎无穷无尽，但在本文中，我们将以拨乱反正的态度着眼于具体用例，探讨这些思路是否真能应用于未来实践。

　　从发现到研究再到最终生产，将药物推向市场的整个过程往往需要经过10到15年，平均费用约为26亿美元。虽然只有14%的候选药物能够进入测试阶段并获得FDA的批准，但药物研发企业与制药厂已经在AI方面投入巨资，希望更快地发现新的药物化合物、减少错误计算，从而获得更高的成功率。这一领域的增长也将继续保持旺盛的态势。

　　面对如此漫长而昂贵的新药市场投放流程，行业必须简化发现步骤并辅以正确投资。目前，判断潜在候选药物时需要检查数十亿个数据点。事实上，药物开发历来是一个令人头痛的迭代过程，需要使用高通量筛选（HTS）实验室每天对数千种化合物进行物理测试，而预期命中率仅为1%甚至更低。AI/ML技术带来了增加效率并提升规模的希望。机器学习技术可用于关联大量数据、发现隐藏关系，并生成新的解决方案。这些系统目前被用于新的候选化合物，加速复杂的计算机模拟效果，并提出多种多样的新药合成途径。

　　ICD-11即将到来。世界卫生组织（WHO）于2018年6月公布了最新的国际疾病分类清单（ICD-11），并于2019年5月向各成员国提交了这份清单。该清单中包含的条目量达到ICD-10的四倍，计划于2022年1月1日生效，其中包含1万份ICD-10修订提案要。面对这样庞大的条目数字，人类根本不可能对其进行正确的解释与编码。

　　根据医疗保险与医疗补助服务中心（CMS）公布的数据，当ICD-10于2015年10月正式实施时，其条目数量由之前的1万3千条（ICD-9-CM）增长至6万8千条（ICD-10-CM）。虽然一部分医疗机构开始早期应用并引入某种形式的自然语言处理（NLP）或者ML技术，但大多数医疗机构仍然单纯依靠人类进行条目编码。这通常会导致解释提供者在进行注释时引发错误，特别是在处理唯一代码与修饰语时。举例来说，“被火鸡啄伤”编码为ICD-10 code W61.43，而“被大鸡啄伤”的编码为code W61.43，人类编码人员极易把二者混淆起来。在提供者输入自己的注释之后，AI/ML将能够更好地确定正确编码并提供建议赔付理由。

　　随着ICD-11编码数量的不断增加，AI/ML已经成为协助编码员转录备注，以及向付款者提供验证编码的必要前提。

　　虽然ICD-11将以用户友好度更高的电子版本形式发布，但电子病历记录（EHR）供应商仍将投入大量开发资源，以确保最终用户能够使用正确的编码。通过引入AI/ML技术，系统将能够扫描提供方的注释，确定正确的编码，并验证修饰语部分。目前还不确定是否所有机构都能广泛采用AI技术进行编码与计费，但对于那些希望以更准确的方式对疾病进行分类的医疗机构而言，现在无疑是引入AI的绝佳时机。

　　Pega在最近一项调查中发现，有52%的患者对医生利用AI做出医疗保健决策的作法感到满意，29%的患者对付款方使用AI技术的作法感到满意。

　　Pega在最近一项调查中发现，有52%的患者对医生利用AI做出医疗保健决策的作法感到满意，29%的患者对付款方使用AI技术的作法感到满意。从调查结果中可以看出，目前整个行业正朝着更加个性化以及数据驱动型患者护理与参与的方向转变。当患者要求享受更具个性化的护理时，付款方与服务供应方也都做出响应。在以患者为中心的模式内推动AI技术普及，也将提高护理质量，并在这一长期以僵化著称的行业内掀起一波非常积极的变革趋势。

　　在诊断完成之后，后来的护理步骤就是为患者制定治疗计划。尽管具有良好的治疗质量，但医疗保健供应方还需要合规要求中提出的对患者负责原则。据估计，仅在2016年，避免药物依赖性就给整个美国带来高达528.4亿美元的支出。AI/ML能够从以下几个因素当中发现潜在的不合规患者：存在不合规历史、支持网络有限、不良的生活习惯、或者与护理团队的互动过少等等。其中往往涉及成千上万名患者，他们各自拥有数百个受保护的健康信息（PHI）数据点以及无数指标，这导致供应商与付款方很难满足客户的持续需求。利用AI/ML技术，临床医生将能够根据AI建议采取不同的患者跟踪与监测步骤。

　　AI/ML也有助于患者坚持执行康复计划。游戏化、付费激励以及物联网健康设备等都是非常成功的工具，能够补充传统康复激励手段。如果患者喜欢与技术方案进行交互，那么他们就能更严格地遵守计划要求。例如《多学科科学》杂志就曾在2018年的一项研究当中发现，在使用游戏化方式进行跟踪时，糖尿病患儿的血糖水平提高了17%。在跟踪血糖读数等数据点或者减肥患者采取的具体步骤时，AI/ML能够提供个性化体验并提供即时反馈以及必要的虚拟奖励。如此出色的成效，对于医疗保健行业及其服务的患者群体来说都是个令人振奋的好消息。

　　这个结论可能让不少朋友大吃一惊。利用人工智能对患者进行诊断，并制定治疗计划——这怎么可能是假的？这不正是我们研究AI的目标所在吗？

　　实际情况是，在没有任何人为干预的情况下，目前的人工智能或者机器还无法对患者进行治疗。而且坦率地讲，即使是拥有最复杂的算法、数十亿个复杂数据点以及完美的编程，现有技术方法仍然无法像经验丰富的临床医生、护理人员以及合格的实践团队那样能力合作完成治疗过程。

　　但好消息是，AI/ML确实能够在患者预后阶段发挥关键作用。通过从实践管理（PM）与健康信息系统（HIS）中收集到的患者数据，现有临床决策支持与规则引擎确实能够提供令人满意的建议。此外，分析测试结果、X光片、CT扫描影像以及数据输入等重复性任务都是当前程序化介入工作的主要方向。例如，心脏病学与放射学就是两个需要分析大量数据的专业，这往往给技术人员带来巨大的时间与精力负担。心脏病专家与放射科医师现在可以利用AI/ML读取测试结果并发现其中的趋势，同时配合人类间的交流确定治疗方法，并与患者沟通以提供维持健康所必需的护理与支持计划。

　　数据管理、虚拟助手、人脸识别、手术机器人——这份关于在医疗保健领域以有意义且可行方式采用AI/ML技术的方法清单一直在不断扩展。虽然我们还无法完全确定更适合在何时采取何种应用方式，但对于整体融合趋势，我们抱有非常确定的态度。

　　根据MarketsandMarkets发布的一项调查，医疗保健市场上的AI价值总额预计将由2018年的21亿美元增长至2025年的361亿美元，这意味着预测期间的复合年增长率将达成50.2%。由于AI/ML有着非常广泛的用途与适用场景，因此行业内的当前领导者有必要对当前、即将发生以及可能永远不会发生的种种状况做出客观看待。以价值为导向的护理，应该成为一切医疗保健赔付方、医疗服务供应方以及生命科学专业人士的首要目标——而AI/ML则是建立这种以患者为中心的护理模式的前提性技术。总结而言，每一家医疗保健企业都能够通过数字化转型提高效率、实现高质量体验，并借此获得令人满意的投资回报。