机器学习的融入带来的是医疗系统诊断准确性的大大提高，如今它不仅能为病患量身定制治疗方案，甚至还可以取代部分医生的工作。在此背景下，三位医疗行业专家就此谈了一下技术如何更好地“着陆”医疗行业，他们分别是Ernest Sohn、Joachim Roski、Kevin Maloy。

Ernest Sohn是Booz Allen数据解决方案和机器情报部门的首席数据科学家。他在开发和实施数据科学和分析功能方面有十多年的经验，包括预测分析，机器学习，自然语言处理，运营研究和数据可视化，以改善业务流程和决策。

Joachim Roski博士是Booz Allen Hamilton的负责人，专注于公共卫生和医疗服务，熟知对医疗保健、人口健康和成本/价值的测量、分析和改进。他了解一系列的医疗保健计划，改进、战略测量，分析和评估需求。

Kevin Maloy博士是乔治城大学医学院紧急医学助理教授，也是MedStar华盛顿医院中心的急诊科医师。Maloy在电子健康记录数据挖掘方面有十多年的经验，可以进行各种项目的研究。

电子健康记录( EHR)系统和其他的健康数据数字化系统一样，它可以让医疗保健变得更为智能、安全、高效，在这个过程中，机器学习在其中有着巨大的推动作用。但稍感意外的是，大多数EHR供应商并没有为系统配备机器学习、自然语言处理、认知计算等人工智能解决方案，也就是说，系统不能很好地去处理内部生成或外部导入的相关数据，这很大程度上阻碍了人工智能在医疗保健行业的应用。

虽然很多人相信机器学习是个强大的工具，但相关企业并没有明确它如何在短时间内转变健康状况。如今，企业决策者更关心的是何时以及如何投资才能通过机器学习优化组织效率，而不是浪费预算过早的布局不成熟的技术；另外，机器学习在医疗行业的应用好像只有“外行人士”比较重视，而一线的临床医生却不太在意。

过去几年中，笔者的团队做了一些相关解决方案，在如何提高医疗安全性、可靠性方面积累了一些经验。在此背景下，我们以基于机器学习的EHR系统为例，谈一下相关技术应用于医疗行业并产生价值的四个关键要素。

使用机器学习来消除医疗中常规、高重复的工作

在决策过程中，人类思考过程要比机器学习应用程序复杂得多。尽管目前机器研究取得了一些进展，但还不具备成熟的感知、推理和解释能力。即使最先进的机器学习算法也不能提供临床决策所需要的灵敏度、特异性和精度 (即阳性预测值)。例如，使用各种机器学习技术，我们开发了预测保健获得性感染的统计模型，这些模型在特异性或敏感性方面表现良好，但在精确度方面不够高(即15例预测病例中1例阳性)，无法满足临床医生的要求。

以上是机器学习解决方案尚未成熟之处，但它也有很多“亮眼之处”。

它可以科学地部署医护人员以便能更好地完成任务。它会减少人类去做常规、耗时、高重复型工作，腾出的人员会被重新部署，以支持更“高端”的工作。例如，在治疗时，查找病人的病历记录是一个非常常规且无聊的过程，这项任务非常耗时，而且对于临床医生来说还不止一个，后面还有大量的患者数据，其中大部分数据还有可能是非结构化数据。因此，在诊断期间，医生只能依靠病患最近的诊断记录来治疗，这是非常不可靠的。

而机器学习与自然语言处理的结合就可以让病人的整个病历瞬时显示在EHR上，即刻找到数百甚至上千个不同的医疗记录。

除了EHR外，侧重于量化心脏核磁共振成像中血流量的机器学习解决方案也成功解决了高度费力的人工任务。在这个过程中，有经验的临床医生要花60 -90分钟的时间在图纸上计算血流；而利用该系统可以利用深度学习算法，精确量化15秒内的血流，使临床医生将时间专注于更高阶的其他任务。

转变产品开发方式，提升医生对机器学习的接受程度

数据科学家通常借助机器学习在数据中寻找新的见解，以便能开发出更好的算法。然而，数据科学们却无法说服医生在一线使用和采用这些算法。

机器学习的特点不仅在于它的静态输出，还在于它能够根据数据进行高效、自主学习。因此，与传统的研究项目相反，机器学习项目在产品开发时就应该有较高水平的临床医生的全程参与。

相关产品开发涉及到将前端接口与机器学习算法以及后端数据系统集成在一起等过程，这其中涉及到面向用户的原型产品的设计与后期实施，因此需要临床医生、软件工程师及用户体验专家、算法工程师团队一起去做这件事。

在这个过程中，临床医生只需关注功能即可。举例说，在构建系统时，医生只需关注哪些功能可以实施、以及这些功能如何能更好地帮助到自己、这些应用是否可以达到自己心中理想的准确性级别等等，然后通知其他人去改善终端产品的解决方案。他们绝不要去考虑算法能否实现或者其他的问题。

不要完全依赖一家供应商提供的解决方案

EHR供应商们正在积极增加各种功能，为数据管理和分析提供更多的解决方案。

领先的机器学习解决方案很可能来自成熟的技术公司以及卫生系统，这些解决方案(Google、Facebook、 OpenAI)是开源的，可供任何人使用；此外，以医疗为重点布局的医疗技术公司也提供了很多核心的机器学习算法，帮助行业快速应用；再者，很多领先的医疗健康系统也通过诸如apervita等平台提供其健康分析技术。

在此情形下，选择单个EHR供应商的解决方案很可能会使治疗方案受到很大程度地限制。

需要注意的是，医疗系统应采用基于模块化和开放式体系的基础架构，它可以让添加或更新组件变得更加简单；此外，为了构建、测试和部署机器学习算法，医院需要在原先的系统中保留传输数据的策略和机制，这种方法能够使医院在创新迭代的过程中降低机器学习系统过时带来的更新成本。

如果机器学习被“压制”，无法发挥其在医疗行业的潜力

机器学习还可以通过优化“预测”一些结果。例如患者感到疼痛但无症状显示，在此情形下，机器可以预先设定“模拟状态”提前预防，避免后期感染、恶化。

为了实现这一点需要大量的案例数据，但如今的机器学习技术在数据方面非常匮乏。

为了充分体现机器学习的价值，医疗机构必须更多地去获取治疗过程中的标准化数据，没有这些数据就不可能“训练”机器学习算法来解释可以转化为更好地定制诊断或治疗过程的结果的变异性。例如，在一个项目中，我们尝试根据患者特征的变异性、药物和剂量去预测患者的疼痛评分，然而，与大多数数据一样，疼痛评分与当事人的直观感完全不同，这让机器学习算法变得异常“尴尬”。

研究人员以及相关医疗机构的领导人需要共同努力，推动采用包括EHR中的标准化指标等一些数据，这些指标对了解及治疗特定的临床状况有显著疗效。我们发现，EHR中的数据通常缺乏全面测量患者所需的信息。比如说，治疗和恢复信息（增加或减少某种药物恢复正常的速度）; 和长期健康状况（慢性疼痛的复发，持续治疗的副作用，对药物的依赖程度及生活质量的报告）等等，没有这些标准化的数据，机器学习的“潜力”将会被压制，无法在医疗行业释放出来。

雷锋网了解到，人工智能发展到今天已经“无孔不入”，“人工智能+”已从初期的融合性探讨延伸到实质性发展，无人驾驶、金融、医疗、安防、教育等行业，只要有海量数据，人工智能都能快速渗入。

在此背景下，与各个行业一样，医疗行业也应该用更开放的心态去迎接新技术带来的变革。今后，AI及机器学习的创新速度将会持续加快，如何让医疗行业成为其中一个重要“着陆场”，这应该引起每一个从业人士的思考。（原题目：机器学习如何“着陆”医疗行业？三位行业专家谈关键四点）