医疗保健系统如何才能最好地适应人工智能？它将如何影响临床医生、团队和行业供应商的角色？首届桑德拉•罗特曼卫生部门战略中心会议解决了所有这些问题——甚至更多。

阿利斯泰尔•厄斯金
Partners HealthCare 首席数字官
我的同事，畅销书作家阿蒂尔•古万德（Atil Guwande）最近为《纽约客》写了一篇文章，题为“为什么医生讨厌他们的电脑”。在其中，他指出了一些与工作流程相关的问题，这些问题对医生来说是有问题的。由于部分数字化，有些归结为碎片化的工作流程，有些则与计算机感觉像是在患者和提供者之间“妨碍”这一事实有关。我一次又一次地从临床医生那里听到的是，在登录屏幕和访问不同系统之间，它需要太多的点击。显然，有改进的机会。

当谈到医疗保健中的人工智能时，一些实际应用已经在使用中。皮肤科医生现在在解释某些类型的黑色素瘤痣方面相当于计算机;视网膜背面的图像可以通过AI处理，以识别糖尿病患者的视网膜病变;机器现在可以比人类病理学家更好地解释和诊断乳房X光检查。

人工智能甚至可以挽救生命：如果一名86岁的患者抱怨头晕，并在周四接受CAT扫描，表明她有96%的可能性在几小时或几天内中风，算法可以将她的结果放在最前面，以便立即处理 - 而不是一周或更长时间。对于放射科医生和她的工作流程来说，什么都没有改变——她仍然在排队时抢下一部电影;但无论测试何时完成，人工智能都会从字面上重新组织堆栈。

所有这些新工具都在增强，而不是取代临床医生的工作，它们正在创造一种新的货币：数据。医疗保健数据的二次使用对生物技术、制药和研究人员来说变得非常有用。人们越来越多地接受所有收集的数字信息将在医院和其他企业之间共享。

过去，质量和成本是患者的关键价值驱动因素，但我们需要将数字创新添加到该列表中。人们希望获得护理，他们希望在线获得护理。他们希望有一个充满爱心的团队在他们身边。即使心脏病专家本人不是以数字方式与他们联系的人，也有人可以 - 护理导航员或团队的其他成员。

关系管理将发生巨大变化。想象一下，一个医疗团队成员输入一个电话号码，人工智能会调出病人的记录。马上，他就会发现病人更喜欢叫珍妮;她害怕医院;而且他不应该在星期二预订她，因为她从不在星期二出现。这让经纪人可以弄清楚，“我今天还能为珍妮做些什么？这些交易系统已被用于其他行业，以提供更好的客户体验，现在是在医疗保健中采用它们的时候了。

马济耶•加塞米
多伦多大学矢量研究所教员、计算机科学与医学系助理教授
我有动力在麻省理工学院攻读机器学习健康博士学位，因为我相信我们可以通过机器学习和人工智能来改善医疗保健。在我的项目中，我会在ICU的晨间查房中跟随医生，我经常注意到两个在纸面上看起来非常相似的病人会得到非常不同的治疗。在其他时候，同一个病人会从两个不同的医生那里得到非常不同的治疗建议。当我问我的同事，“这是怎么回事？”时，我震惊地被告知医生往往必须在没有证据的情况下做出选择。

传统上，我们在医疗保健中用作证据的是随机对照试验（RCTs）的结果，这需要招募研究人群。我关心的问题是——我们都应该关心的——是，这些研究是否具有普遍性？如果是这样，他们为谁概括？即使在招聘过程中有最好的意图，某些类型的人也会看到RCT广告。因此，在实践中，我们对医学的了解大多与人群的特定亚群有关。这意味着在护理时缺乏相关证据。更糟糕的是，医疗保健专业人员意见不一——不仅是彼此，还有他们自己。对于放射科医生来说，同一图像的评分者间可靠性约为67%。如果我们不确定如何标记我们的数据，我们如何使用它来进行预测？

展望未来两年，我认为人工智能的最大影响将是目前对人们来说繁琐和低效的流程的自动化;诸如订单集，或检查药物是否相互冲突或日程安排之类的事情。自动化这些事情将产生很大的不同。

10年后，我相信人工智能可以为医生提供新的超能力。例如，医疗保健系统经常忽略的一件事是家庭暴力。如果你不在寻找它，这是一件很难识别的事情。一个病人来到诊所，这里小骨折，那里有瘀伤。为了及早发现它，医生需要坐下来查看患者的整个记录，有时间考虑它，并对患者的家庭情况有所了解。鉴于临床工作人员的时间和注意力受到极大的限制，这种情况不太可能发生。但是这些模式可以用算法检测到，并根据需要用于引导注意力。

一位临床医生曾经告诉我，他觉得排名前10%的医生在操作时步调一致：如果你给他们一个类似的病人，他们可能会有几乎完全相同的建议，因为他们都读过完全相同的文章，见过相同数量的相同严重程度的患者。如果护理的差异来自缺乏经验或缺乏访问，那将是机器学习的另一个巨大胜利。我们应该专注于所有对人类来说没有价值的任务——所有我们可以训练机器非常擅长的事情。这样，人们就可以自由地对接下来会发生什么做出良好的判断，并以富有同情心的方式与患者交谈。

阿维•戈德法布
罗特曼人工智能和医疗保健主席，罗特曼管理学院创意破坏实验室营销教授兼首席数据科学家;合著者，预测机器：人工智能的简单经济学
我们今天在医疗保健和其他地方听到这么多关于人工智能的原因是，一种非常特殊的技术已经变得更好了：预测技术。当我说预测时，我不一定是指对未来的预测。我说的是使用你必须填写的信息来填写你没有的信息。每个组织都可以从中受益。

人工智能的最新进展可以被视为更好、更快、更便宜的预测。要理解为什么廉价的预测可能是变革性的，请考虑早期的技术。想一想你的电脑。它可能看起来可以做各种各样的事情，但它实际上只做一件事，而且它做得很好，以至于多年来我们发现了它的各种用途。您的计算机所做的是算术。就是这样。而且由于算术变得如此便宜和即时，我们发现了无穷无尽的应用，否则我们可能不会想到。

机器算术的第一个应用是老式的算术问题。在第二次世界大战中，我们有发射炮弹的大炮，要弄清楚这些炮弹将落在哪里是一个非常困难的算术问题。所以，我们有人类团队来弄清楚轨迹。电影《隐藏人物》就是关于这些名为“计算机”的人类团队。但不久之后，机器算术出现了，它比人类更好、更快、更便宜。多年来，算术会变得越来越便宜，我们会为它找到各种新的应用。例如，事实证明，游戏、邮件和照片是算术问题。

这是经济学101。在经济学101的第一天，我们教的第一件事是，当某样东西的价格下跌时，我们会购买更多的东西。一旦你知道什么变得更便宜，什么变得更好，你就可以规划出各种后果。因此，当算术变得更便宜时，我们使用了更多的算术。随着人工智能的最新进展，随着预测价格的下降，我们将进行越来越多的预测。廉价的预测意味着我们可以以新的方式使用预测，例如通过图像识别进行医学诊断。

廉价预测的后果并不止于此。在Econ-101的第二天，您了解到当咖啡价格下降时，我们购买的茶叶会减少。茶和咖啡是替代品，所以当咖啡变得更便宜时，人们会购买更多的咖啡和更少的茶。同样，人类预测和机器预测是替代品：当机器预测变得便宜时，你工作的预测方面将越来越多地由机器完成。

那么留给人类的是什么呢？值得庆幸的是，在Econ-101的第二天，您还了解到，当咖啡价格下跌时，我们会购买更多的奶油和糖 - 咖啡的“补充”。随着某些东西变得更便宜，补充变得更加有价值。人工智能的问题是，预测的奶油和糖是什么？答案是：决策的其他方面，最明显的是判断要做出哪些预测，以及一旦我们有了这些预测，该如何处理这些预测。

如果您为任何组织绘制工作流，您会发现它包含一系列决策。一旦你弄清楚哪些决策的核心涉及预测，你就可以投入一台预测机器来处理决策。这将逐步提高生产力并帮助组织。但重要的是，有时预测可以做的远不止于此。更好的预测可以改变战略;它甚至可能改变您的组织所做的事情并带来全新的机会。

詹妮弗•吉布森博士
多伦多大学生物伦理学联合中心主任兼永明金融生物伦理学财务主席
我们需要问一个广泛的问题，比如，谁将从人工智能中受益？而且，谁有被这些技术负担或可能面临风险的风险？我们如何避免或最小化数据中的偏差？我们都知道我们的数据质量不是很好。显而易见的是，如果我们处理的数据质量不高，我们将看到质量不高的人工智能输出。

围绕患者与提供者关系的性质也出现了许多问题。例如，人工智能是否会朝着我们想要的方向重塑这种关系？谁有权决定重塑会是什么样子？谁将流离失所？那么不可预见的后果呢？这些都是紧迫的问题。

当我教书时，我经常用电力的传播来类比人工智能正在发生的事情。我会在头顶的屏幕上放一张灯泡的照片，然后问我的学生，“灯泡为我们提供了什么？通常会出现这样的事情，“这意味着我们可以一天 24 小时工作”;“我们可以在晚上放松一下”;“我们有更安全的家，因为我们不担心火灾”;或者“他们让我们的街道更安全”。

所有这些都是真的;但我想知道，你们中有多少人发现自己在谷歌上搜索“如何处理失眠”？是的，多亏了电灯，我们可以工作更长时间，但我们也在以降低生产力的方式工作更长时间。过多的光线实际上会造成伤害。在光污染和对某些动物物种的影响方面，它也损害了环境。显然，这项技术产生了许多意想不到的后果。

今天，我们将电灯视为使我们能够完成任务的工具。但我认为，这也是一个复杂的社会现象。灯泡很有用，因为它被广泛使用。我们聚集在一起，围绕它动员起来，由于它的使用，它深刻地重塑了我们的生活。我们需要通过类似的视角看待人工智能——作为一种创新形式和一套新的工具，但也是一种复杂的社会现象——甚至可能重塑我们彼此之间的关系。

一方面，我们如何利用人工智能技术的好处，另一方面，确保我们继续关心？那个世界会是什么样子？我们如何保持我们最初进入医学领域的原因 - 因为我们关心人 - 并确保我们不会无意中失去它？

乐观的观点是，通过将一些任务从临床医生的办公桌上移开并将它们从屏幕上移开来腾出时间，我们可以创造和维持更多的护理空间。人工智能可以腾出时间，用于最重要的事情。至少，这是愿望。我们需要问的问题是，实现这一目标的有利条件是什么？

汤姆•劳里
Microsoft全球健康总监
我们现在都是人工智能的新手。你是新手，Microsoft是新手 - 任何说他们已经弄清楚的人要么天真，要么自由使用加拿大的新大麻法律。在我的职位上，我担任世界各地组织的战略顾问。简而言之，我开始与聪明的人一起工作，试图用新技术找出老问题。我已经能够亲眼看到什么有效，什么无效，它使我能够为战略性人工智能领导提出一些非官方的规则。

首先，我们都必须熟悉数据的力量。如今，在医疗保健领域工作的每个人都有能力拥有超能力，如果他们选择以数据可以使用的方式接受和使用数据。如果你看看当今世界的所有信息，其中90%是在过去两年中产生的。如果我是1950年新晋的医生，我会花一辈子等待医学知识翻倍。到1980年，这一数字下降到七年。到2010年，是3.5年。猜猜明年会是什么样子？七十三天。想想看：即使是最忠诚的医生怎么能跟上？

下面是一个可能的示例。我的一个好朋友，医生兼研究员埃里克•霍洛维茨（Eric Horowitz）开发了深度学习算法，并将其应用于在互联网上进行一般搜索的人。通过这样做，他能够识别出一组患有胰腺癌的互联网用户 - 在他们被诊断出来之前。埃里克的理论是，数据一直在向我们“耳语”;我们只是没有倾听，或者我们还没有工具来倾听。如果 Eric 可以用一个数据集完成这项工作，想象一下你组织的数据可能能够做什么。 其次，人工智能要求我们所有人——尤其是领导者——以不同的方式思考和行动。

我还没有遇到过反对创新的领导者。但他们中的大多数人说，'我完全支持改变;但你先走'。我们接受过培训，在数据以及我们如何处理数据时保持非常低的标准，这必须改变。第三，工作将会改变，我们需要诚实：会有自动化的工作不复存在。我们现在需要拥有它，并弄清楚如何处理它。从好的方面来说，对于所有的知识工作者来说——他们中的许多人正在做很多低层次的、重复的事情——想象一下减少或消除这种工作的能力。我们实际上可以解放人们在更高的水平上工作，让他们更快乐。这就是人工智能的挑战和价值主张。

我们需要非常聪明地了解人工智能做得好的地方和做得不好的地方——也许永远不会。当我想到护理过程时，我会想到推理、判断、想象力、同理心和解决问题的能力。机器永远无法做这些事情。认识到如何管理人工智能做得好，做得不好，将是各地领导者的关键。

偏见是另一个重要问题。数据中存在偏见，也存在人类建立机器学习系统产生的偏见。如果我们只是在寻求通往某事的最短路径，总会有偏见。问题是，太多的人在试图创造价值，而他们没有进行这些重要的对话。