根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，和個人健康和生活質量息息相關的因素中有60％與選擇的生活方式有關，包括遵循正確服用血壓藥物的處方、鍛煉和減壓等。在AI驅動模型的幫助下，現(xiàn)在可以根據(jù)患者生命體征的變化，在患者整個日常過程中為其提供干預和提醒。

在家庭進行健康監(jiān)測本身并不新鮮。包括Partners Healthcare、United Healthcare和Johns Hopkins醫(yī)學院在內的一些領先機構正在開展一些活躍的項目和試點研究，并取得了積極成果。但這些嘗試尚未利用人工智能來實時地做出更好的判斷和建議。由于涉及了大量數(shù)據(jù)，機器學習算法特別適合于針對大量人群來擴展該任務的執(zhí)行。畢竟，是通過大量的數(shù)據(jù)來讓算法更加智能，從而支撐AI技術。

例如，通過部署人工智能，NHS計劃不僅能夠在英國推廣，而且還能夠延伸到國際市場。Current Health是該計劃中使用的患者監(jiān)測設備的制造商，由風險資本支持，該公司最近獲得了美國食品和藥物管理局的批準，允許其在美國試行該系統(tǒng)，目前正在紐約的西奈山醫(yī)院進行測試。這是為減少患者再入院率所作的努力的一部分，而再入院率的問題每年使美國醫(yī)院損失約400億美元。

這些努力作為較早的成功案例，讓我們搞清楚了在使用人工智能解決以患者為中心的醫(yī)療保健這個新領域中的“消費無力”問題時的三個經驗：

1.專注于對關鍵指標產生影響- 例如，降低耗費昂貴的醫(yī)院再入院率。

從小的措施開始，鎖定目標，對那些與患者治療結果和財務可持續(xù)性相關的關鍵指標產生積極的影響。與在英國的試點一樣，可以通過優(yōu)選的醫(yī)院或醫(yī)療供應商地區(qū)來完成。另一個案例中，亞特蘭大最大的公立醫(yī)院格雷迪醫(yī)院，由于采用了識別“有風險”患者的人工智能工具，據(jù)預計，兩年內再入院率降低了31％，節(jié)省了400萬美元。該系統(tǒng)可以提醒臨床團隊在特殊情況下與患者接觸及實施干預措施。

2.依靠新型合作伙伴降低風險。

不要試圖獨自完成所有的事情。相反，要與那些想要解決類似問題的合作伙伴結成聯(lián)盟。考慮Synaptic Healthcare Alliance聯(lián)盟，這是Aetna、Ascension、Humana、Optum和其他公司之間的協(xié)作試點計劃。該聯(lián)盟正在使用區(qū)塊鏈在各個醫(yī)療服務提供者之間創(chuàng)建一個巨大的數(shù)據(jù)集，并對數(shù)據(jù)進行AI試驗。其目的是簡化醫(yī)療服務提供者的數(shù)據(jù)管理，目標是降低處理索賠的成本，同時改善醫(yī)療服務的可達性。單獨行動的話，由于數(shù)據(jù)不兼容問題這一項，就可能會有風險。例如，安德森癌癥中心因為失敗的AI項目不得不損失掉數(shù)百萬美元，部分原因是與其電子健康記錄系統(tǒng)不兼容。通過合作的方式，Synaptic的數(shù)據(jù)集將采用標準格式，使記錄和結果可傳遞。

3.使用AI與訓練有素的專業(yè)人員進行協(xié)作，而不是競爭。

臨床醫(yī)生通常希望增加他們的知識和診斷能力，而AI可以為此提供幫助。確實，許多醫(yī)療AI應用程序與醫(yī)生產生了競爭。例如，在放射學中，一些算法在基于圖像診斷方面已經和人類專家不相上下，甚至表現(xiàn)更好。然而，尚不清楚患者和醫(yī)療機構是否會信任AI，并依賴它完全以自動化方式完成這項工作。加州大學圣地亞哥分校的一項試驗中，AI作出的兒童疾病診斷比初級兒科醫(yī)生更準確，但其檢查結果仍需要高級醫(yī)生重新審核并簽字確認。所以，真正的目標始終應該是讓AI與臨床醫(yī)生合作，以求更高精度的診斷結果，而不是試圖取代醫(yī)生。

麻省理工學院和MGH已經開發(fā)出一種深度學習模型，可以識別患者未來是否有可能患上乳腺癌。此AI系統(tǒng)學習了60,000名既往患者的數(shù)據(jù)，允許醫(yī)生用個性化方式來篩查乳腺癌篩，本質上為每位患者創(chuàng)建詳細的風險概況。

總而言之，這三條經驗與針對“消費無力”問題的解決方案相結合，有望為如何有效操控AI技術提供一條清晰的道路，特別是目前AI已經被過度熱炒。從長遠來看，我們認為人工智能的變革性收益之一是它將加深醫(yī)療服務提供者與患者之間的關系。例如，英國的試點中，病人獲得了更頻繁的主動檢查，這在以前從未發(fā)生過。在新興的以消費者為中心的醫(yī)療保健市場中，這對改善治療結果和提升客戶忠誠度都有好處。