如今，为了处理大量数据，人们需要获得成本更低的计算能力。医疗数据的爆炸式增长需要采用AI技术来提供更好的分析和结果。

然而，现实情况是，目前的数据来源是分散的和非结构化的，这就很难真正挖掘数据的力量——这种观点得到了爱思唯尔全球首席医学官Ian Chuang的认可。他认为，医疗的民主化似乎充满希望，但未来发展之路也布满挑战。

Q：正如斯坦福大学医学院2018年健康趋势报告中所述，人工智能（AI）和机器学习（ML）是医疗民主化的支柱之一。您对人工智能（AI）和机器学习（ML）在短期和长期内对医疗保健行业的影响有何看法和预测？

Ian Chuang：与任何创新技术一样，将会有一个采用的过程。目前的人工智能（AI）和机器学习（ML）技术具有远远超出人类能力的计算能力。医学成像和基因组学是重要的应用的领域，这两个领域都是数据密集的。基因组学富含分子细节，可以寻找遗传密码与分子、蛋白质和生物学功能之间的联系，分析这些需要巨大的计算能力。而分析医学成像的数字信号以检测识别病理的细微变化所需要的敏锐度，计算机可以提供。这些能力增强了医生的临床决策能力。

利用人工智能（AI）和机器学习（ML）预测或检测一些跨不同领域聚合的临床数据，是比较棘手的。挖掘大量数据首先在很大程度上依赖于数据的4V特征：volume（规模大）、variety（类型多）、 velocity（速度快）、veracity（真实性）。这四个维度仍然存在一些限制，因此任何AI、ML都只在给定时间点使用最佳可用数据。

如今通过日常护理收集的大部分数据来自多种来源，比如电子健康记录和健康跟踪设备。这些数据通常是不一致的和非结构化的，但广泛可用。要将其转化为支持临床实践的真实证据，首先需要将非结构化数据转变为结构化的数据，然后才能采用AI技术。AI技术在真正改变医疗工作之前，需要获取高质量的数据，这就解释了AI和ML对医疗的影响仍然是一个长期考虑因素的原因，因为需要克服行业存在的几个障碍。

与任何研究和发现一样，风险在于根据不完整和不完善的数据集得出结论。因此，任何生成的预测模型都必须根据临床试验和研究原则进行分析。知识的进步和发展是渐进的，因此，必须分析和判断新的知识，特别是那些被机器发现而不是基于启发式的知识，从而确定它们是否有意义，或者是否在合理的范围内。我们需要对与机器生成知识相关的数据集和算法实施同行评审的方法。AI和ML在这方面进展缓慢，需要明智的分析和交叉验证，而现有的知识则已经经过了时间测试。

在短期内，医疗服务提供者必须开始专注于在机器学习和临床决策支持等技术的帮助下，为深度数据分析准备临床治疗和患者数据，这有助于正确记录和构建临床数据，从而提高其质量。

Q:医疗的民主化意味着更多的知情、更多的便利，以及赋予患者为自己负责的能力。医学领域面临的持续挑战之一，是如何以最好的方式与外部组织分担患者护理的责任，以及如何以实际改善患者预后的方式进行合作。医疗家长主义、与患者分担责任和告知他们这些相关知识以确保最佳的治疗结果，作为一名经验丰富的临床医生，您如何看待这两者？

Ian Chuang：作为一名医生，我们的核心业务是运用专业知识更好地为患者提供治疗服务。实际上，我个人的观点是，家长式的医疗模式并没有始终如一地带来最佳的患者护理或体验。知识在不断增加，医疗培训传统上遵循“看一、做一、教一”的方法。通过这种方法，临床医生只能像他的老师一样训练有素，而且随着时间的推移，其医学知识也会慢慢滞后。

随着医学知识的爆炸式增长，了解最新的医学知识变得越来越困难。但是现在可以通过互联网访问有意义的信息。医疗服务成本逐渐上升，患者对护理体验存有不满，这些新的途径使患者能够在寻求自己的信息和实践自我护理方面掌握更多控制力。

从哲学上讲，患者希望更多地了解并参与自己的护理决策，而不是被告知需要做什么。如果我是一名患者，我可能非常重视有关治疗的讨论，并与临床医生共同决定如何改善自己的健康状况。我们需要患者参与其治疗和健康维护的过程，只有当临床医生认为他们的角色是一种权利、资格，或者是等级关系时，他们才会感受到挑战。如果医疗成为一种使命，而使命是为需要的患者提供服务和护理，那么临床医生应该调整治疗经验与患者的关系，帮助他们感受到作为一个人的价值：他们的意见和担心同样重要，他们的偏好和选择是诊疗决策的重要考虑因素。

Q：医疗数据的泛滥如何影响您作为临床医生的工作？

Ian Chuang：医学知识爆炸式增长和医疗的数字化为临床医生带来了挑战和焦虑。事实上，我从医学院毕业后到医生执照考试的前一天晚上，我的知识基础可能处于最佳状态。从那时起，我就一直在追求与时俱进，人类不可能只用记忆来扩展医学知识领域。在这个时代，我们需要知道更多，做的更多，以改善人们的健康。目前，临床护理研究数据和知识构成循证医学基础，如果这些知识只保存在图书馆中，它将与临床护理保持距离和脱节。

因此，重要的技能是掌握医学知识的广泛原则和进展，知道何时、如何和在何处寻找最新的信息来学习更多的知识。临床治疗的当务之急不再是谁记住更多的知识，而是谁能够在临床行动中获得最新基于证据的知识，以便提供最好的治疗和护理。

尽管数据和知识的洪流可能是压倒性的和充满挑战性的，但幸运的是，我们现在拥有诸如CDS等技术，以帮助突破这些医疗民主化在知识方面的障碍。CDS工具使临床决策和行动更容易、更透明。

Q：谷歌公司和亚马逊公司等科技公司越来越多地致力于促进医疗领域的创新，您认为具有哪些潜力和挑战？医疗机构如何更有效地与科技公司合作？

Ian Chuang：像谷歌和亚马逊这样的创新型公司正在考虑解决医疗问题，一些问题仍然没有得到很好地解决，如果这些重大问题得到解决，可能会节省大量成本。这些大型组织在政治和市场方面具有强大的影响力，可以消除医疗领域的一些结构和流程障碍，就像亚马逊公司减少了传统实体零售业务的成本和流程之间的冲突。医疗行业传统的实体模式也有相似之处，因为这是医疗行业发展的唯一途径，并且也在服务和支付方面存在一些冲突。

然而，医疗行业并不是任何其他传统的零售或供应消费商业模式。第三方支付系统创造了“道德风险”，因此，从经验和成本的角度改善医疗行业需要重新设计整个系统。谷歌公司和亚马逊公司面临的挑战是改变医疗系统。所以我认为，这种改变会很困难，可能有一种新的医疗模式可以更好地协调激励、价值、以及重要的患者体验。

医疗机构可能继续抵制变革，但抵制变革只会延续一个对临床医生和患者起不了太大作用的遗留系统。由于外部实体有兴趣修复医疗系统，临床医生要么被动接受任何结果，要么参与进来以确保他们和患者的意见得到关注。临床医生和患者是医疗领域的关键利益相关者，医疗机构和临床医生必须对新的角色和护理流程持开放态度。我鼓励他们进行公开对话，提供从内到外的解决方案，采用以人为本的设计思维。否则，任何新的解决方案将始终受到外部力量和传统思维的约束。未来的解决方案永远不会真正创新。

成功的一个重要标准是要求所有利益相关者从改变思维模式和态度开始，而不是对抗。总之，需要利用知识和技术，向未来的医疗模式迈进。

本文编译自Healthcare IT News，作者：Dean Koh