
作者 | Ben Dickson
编译 | CDA数据分析师
自从第一个人类文明形成以来,医生一直是人类社区中永远存在的成员,可以治愈疾病和照顾病人。随着科学技术的进步,他们的方法已经从祈祷神灵到混合草药混合使用科学方法和先进的医疗设备来诊断,治疗和预防疾病。
如今,医生可以轻松地使患者免于疾病的危害,在过去的几个世纪中,这种疾病已经杀死了数百万人。但是仍然有更多改进的空间。
下一轮医疗保健和医学革命可能与深度学习的进步有关,深度学习是人工智能的分支,在过去十年中非常流行。深度学习已经在医学上取得了令人瞩目的成就,关于人工智能如何改变医疗保健的研究令人兴奋, 并且有很多文章探讨了深度学习算法如何帮助诊断和治疗复杂疾病。
但是,很少讨论的是学习如何可能改变我们与医生互动的方式。
医师,科学家和研究员Eric Topol博士在他的最新著作《 深度医学:人工智能如何使医疗保健再次成为人类》中阐明了AI如何解决医学和医疗保健领域的一些最大挑战。这包括医患关系面临的挑战。
在接受TechTalks采访时,Topol博士讨论了深度学习在改善医患之间的人际互动方面的一些前景,以及未来面临的一些关键挑战。
我们经常从诸如阅读生命体征,在医学扫描中寻找复杂模式,对患者进行手术以及撰写药物处方等活动来思考医学。但是在医学上,医患之间的人际互动与发生的所有科学努力一样重要。
通常,医生温暖而舒适的语气对患者的影响与治疗本身一样多。
不幸的是,在当今的卫生保健系统中,医患关系已大大恶化。医生与患者沟通的时间越来越少,而在做其他事情上的时间越来越多。
Topol博士在他的书的早期就对此进行了扩展。“当今医疗保健中的问题是缺少医疗服务。也就是说,作为医生,我们通常无法真正足够地照顾患者。而且患者不觉得自己得到了照顾,”他写道。
Topol博士在电话中对TechTalks表示:“今天,我们看到了医患关系的侵蚀,医生成为在职业倦怠中这是有史以来最高记录的职业“。
Eric Topol博士
具有讽刺意味的是,部分问题来自技术进步。与一个世纪前相比,医学发生了很大变化,已经成为数字化和基于数据的领域。收集和分析数据的方法有很多,而医生和患者之间过去发生的许多交互现在已被数据收集和检查任务所取代。
但是这些任务仍然需要大量的人力来收集和分析数据,而这一切又都落在了医生的肩上。医生必须花费大量时间在数据库中输入数据,盯着监视器,而减少与患者互动的时间。发表在《内科医学年鉴》上的一项研究发现,平均而言,医生仅将其时间的49%花费在填写电子健康记录(EHR)和做案头工作上,而他们的总时间中只有27%用于直接面对临床与患者共度时光。
Topol博士说:“我们之所以如此精疲力尽,是因为医生是数据管理员,而且失去了士气。” Topol博士警告说,医生精神的减弱也会导致医疗失误。
加利福尼亚大学旧金山分校(UCSF)的另一项研究发现,在EHR中输入的数据中有82%是复制粘贴或导入的,而只有18%的信息是手动输入的。这可能会导致临床错误并导致有害的治疗决策。
幸运的是,这是AI展现出巨大希望的领域。深度学习算法的核心技术- 人工神经网络非常擅长在混乱,非结构化的数据(例如图像,音频和文本)中找到相关的模式和相关性。因此,它在计算机视觉,语音识别和自然语言处理等领域取得了长足的进步。
在医学领域,人工智能算法可以使以前需要大量人力的某些任务实现自动化。例如,人工智能算法可以减轻医生在拜访患者时做笔记的痛苦。在该领域已经进行了有趣的工作,包括Microsoft和Google的项目。机器学习算法可以从医生与患者之间的相遇中提取有意义的信息,并将其记录在患者的健康记录中。
来自自然语言处理和机器学习的AI衍生笔记非常出色。Topol博士说:“这已经在英国,中国和美国进行了试点研究。”
AI还有许多其他领域可以提高医生执行任务的速度和准确性,例如分析医学扫描和查找病历中的相关信息。总的来说,这些技术可以释放医生在病人身上花费的大部分时间。
Topol博士说:“由于时间的原因,人工智能可能是改善和恢复医患关系的最好方法,” “这是人工智能可以带给我们的许多不同事物的产物。它包括消除键盘,能够处理患者的所有数据以使医生和临床医生的生活更轻松,能够进行许多模式识别,例如扫描和幻灯片以及其他日常使用的东西。每天都可以进行,并且更准确地做到这一点。”
在《深度医学》的第3章中 ,Topol博士深入研究了深度学习算法可帮助自动执行诊断任务的许多领域,包括脑,心脏和眼部疾病。
但是Topol博士还警告说,人工智能所提供的提高的速度和效率可能会将事情引向错误的方向。“所有这些生产力,效率,工作流程改进,准确性和速度都可用于医患,因为这可能导致管理员和经理要求在任何单位时间内看更多的患者,或者读取更多的扫描图像和更多的幻灯片,并且不断。”他说。
我们如何防止这种情况发生?该行业将必须优先利用AI的进步来恢复医患关系。“默认情况下不会发生。这将需要大量的行动主义。要付出巨大的努力才能停止医学的大生意,并开始与人类建立联系,这将需要大量的努力,” Topol博士说。
鉴于对AI的普遍看法是,这里是替代人类并使他们的技能自动化的方法,这听起来可能是个奇怪的建议。一些科学家甚至建议医生完全被AI算法取代。但是Topol博士认为我们应该关注人为因素。
“这具有讽刺意味,但这是我们拥有增强人类技术的机会,人工智能在图像识别,语音识别以及技术上可以做的所有事情的所有强大方面的产物。对医生和患者而言,生活更轻松,更准确。”
医学的过程,工具,实践和设施与人类社会和科学一起发展。人工智能将为该领域带来更多改进。但是,在整个历史中一直保持不变的一件事是人类医生。这不太可能很快改变。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10