利弊争辩 – 正方:人工智能 (AI) 在医疗照护中的应用

Michael Buist(医学学士和外科学学士、医学博士、皇家内科医师学会会员、重症监护医学学会会员)

相关文章:

反方:人工智能不是大力丸


本次利弊辩论在题为“患者病情恶化2019 Stoelting 会议上进行:早期识别、快速干预和抢救失败的终止”。以下两位作者在将人工智能用于管理医院背景下病情恶化的患者方面具有专业知识。

将人工智能 (AI),或称机器智能定义为“与人类所展示的自然智能相比,机器所展示的智能”和“……任何感知其环境并采取行动以最大化成功实现其目标机会的设备”。1

维基百科继续将 AI 分为三种不同类型的系统1

  1. 分析的
  2. 人类激发的,和
  3. 人性化的人工智能

AI 在1956 年成为一个学术领域。在随后的 60 年里,它已发展成为能够执行复杂实时任务的系统,而这些任务是人类大脑无法完成的。AI 的早期采用者包括军方,他们使用了自动的和半自动的无人机;财务(在该领域中,AI 能够进行实时欺诈检测);以及汽车行业(在这个行业中,AI 有助于避免碰撞)。

价值数万亿美元的医疗保健行业在采用信息技术 (IT) 方面通常进展缓慢,特别是 AI 。这可能是由于医生/患者关系与卫生保健专业的文档要求、管理和认证要求之间存在的一些利益冲突,以及 IT 系统自身价格昂贵所致。2 虽然对 IT 和 AI 解决方案的怀疑是可以理解的,但我们仍在与可预防的不良事件2 作斗争,采样循证实践的情况差以及顽固使用无益处的、有时是有害的实践3 均阻碍了对 AI 改善患者安全和转归的潜能进行认真评估。

AI 用于医疗领域的主要论点是,它有可能为医务人员提供更好的实时解决方案,从而改善患者的转归。最重要的应用之一是将研究结果转化为一致的、可靠的、发生在办公室和床旁的循证实践。不可否认的是,“证据”的出现充满了推理问题,4 但也有一些相对没有争议的循证实践,比如避免为急性上呼吸道感染患者开抗生素处方等,在这方面,循证与实践之间仍存在很大差距。5 AI 有潜力实时整合与特定临床问题相关的所有患者数据和结果。当医务人员偏离实践指南时,这样一个 AI 系统可以提示或警告他们。可以想象的是,AI 还能利用实时患者数据不断更新和告知临床实践指南。

最简单地说,AI 可以被看作是一个决策规则:“什么,如果,那么,和。”例如,“什么”可能是尿毒症患者,“如果”是庆大霉素的处方,“那么”是肾功能,“和”其他处方药。随后,AI 可以对药物相互作用发出警告,并提供精确和安全的剂量信息,然后根据药物浓度水平变化、其他的药物剂量,以及肾功能的变化实时改变这些信息。6多数电子处方系统都有这种能力。该作者建立了一种 AI 方法来回答快速答复团队 (RRT) 的问题“传入肢体障碍”(例如,尽管满足了激活标准,但没有请求帮助)。7 我们发现了导致该现象的员工文化问题。8 该解决方案需要以电子方式输入患者的生理观察结果,将这些观察结果与 RRT 激活标准进行实时比较,然后向预先确定的临床团队成员发出一系列自动警报。该系统促进了每个患者激活标准的个性化,以及临床团队成员得到警报的模式和顺序的定制化。依据国家卫生服务 (NHS) 信赖医院早期预警评分 (EWS) ,通过该创新方法,临床反应从基线时的 68% 提高至 97%。8

AI 在医疗照护领域内的争论无关乎更好的推理和问题解决、知识表达、自然语言处理的能力,以及社会智能;而是关乎在医疗照护领域内做那些我们出于某种原因而不去做的事情,部分是由于人类大脑的弱点。Ruth Lollgen 在新英格兰医学杂志中提供了一个令人信服的例子,其中描述了她个人经历的亲密伴侣家暴。9 尽管她是一名急诊儿科医生,但她自己却多次到在急诊科就诊,因为她有符合非意外病因学的外伤。然而这些外伤的临床表现和经时变化并没有任何非意外伤害的临床提示。令她遗憾的是,没有人会问这样的问题:“你在家里感到安全吗?”问询上述重要问题可以为我们的患者和医疗人员提供更好的安全性。

医疗照护的复杂性、快速增长的研究知识体系、精通互联网的客户和患者群体,以及最重要的一点,人类大脑的弱点,都需要来自 AI 的辅助,以帮助医疗照护专业人员对患者进行日常决策。医疗照护专业人员需要了解并参与这些机器辅助决策设备的开发,以便根据最高的、主要关注于最佳实践患者结局的技术标准来建造这些设备。

 

Buist 博士是塔斯马尼亚大学(澳大利亚塔斯马尼亚州)的医疗服务学教授。


他是 Patientrack 的创始人、前任董事和首席医疗官。这家公司被出售给了另一家在澳大利亚证券交易所上市的、名为Alcidion (ALC) 的健康 ICT 公司。Michael Buist 教授是 ALC 公司的大股东。


参考文献

  1. https://en.wkipedia.org/wiki/Artificial_intelligence. Accessed on October 29, 2019.
  2. Rudin RS, Bates DW, MacRae C. Accelerating innovation in Health IT. N Engl J Med. 2016;375:815–817.
  3. Buist M, Middleton S. Aetiology of hospital setting adverse events 1: limitations of the Swiss cheese model. Br J Hosp Med (Lond). 2016;7:C170–C174.
  4. Ioannidis JP. Evidence-based medicine has been hijacked: a report to David Sackett. J Clin Epidemiol. 2016;73:82–86.
  5. Harris A, Hicks LA, Qaseem A, High Value Care Task Force of the American College of Physicians & Centers for Disease Control and Prevention. Appropriate antibiotic use for acute respiratory tract infection in adults: advice for high-value care from the American College of Physicians and the Centers for Disease Control and Prevention. Ann Intern Med. 2016;164:425–434.
  6. Qureshi I, Habayeb H, Grundy C. Improving the correct prescription and dosage of gentamicin. BMJ Open Quality. 2012: 1, doi: 10.1136/bmjquality.u134.w317. https://bmjopenquality.bmj.com/content/1/1/u134.w317 Accessed November 4, 2019.
  7. Marshall S, Shearer W, Buist M, et al. What stops hospital clinical staff from following protocols? An analysis of the incidence and factors behind the failure of bedside clinical staff to activate the Rapid Response System (RRS) in a multi-campus Australian metropolitan health care. BMJ Qual Saf. 2012;21:569–575.
  8. Jones S, Mullally M, Ingleby S, et al. Bedside electronic capture of clinical observations and automated clinical alerts to improve compliance with a NHS Trust Early Warning Score (EWS) protocol. Crit Care Resusc. 2011;13:83–88.
  9. Lollgen, RM. Visible injuries, unrecognised truth—the reality of intimate partner violence. N Engl J Med. 2019;381:15: 1408–1409.