Healthbox报告：利用人工智能进行医疗大数据变革(2)

对预防干预的日益重视，对不断演变的患者病情的治疗的不断个性化，以及在整个患者过程中护理的协调，使得获取、解释和持续分析患者病情变得十分必要。它还需要对大量数据进行及时的处理。

健康的社会决定因素是健康结果的重要潜在驱动力，因此需要综合各种各样的数据输入以做出可采取行动的决定，这种数据输入正在迅速扩大。但是，如何从这些数据中形成可执行的决策?

从海量数据中提取信号

人类无法衡量现有的海量数据，也无法独自得出有意义的结论。谷歌脑人工智能研究小组(Google Brain AI Research Group)产品经理、医学博士Lily Peng指出，虽然人类智能最适合整合少量非常“大影响”的因素，但人工智能尤其擅长梳理和识别大量非常“小影响”或模糊因素的模式。这是机器学习和人工智能作为人类智能不可或缺的合作伙伴可以发挥的补充作用，它们可以帮助医疗保健提供者应对来自各个方向的海量、快速和多样的数据。

从这些海量的数据中得出有效的结论，需要重新设计现有的决策过程，将机器学习与人类直觉和领域专业知识结合起来，做出有效的临床决策，提高护理价值。如果适当考虑到将其纳入护理提供和决策的不断发展的模式中，大数据和人工智能可以成为有益变革的有效推动者和催化剂，而不仅仅是给执业临床医生工作流程增加不必要的复杂性。

病人的私人临床医生作为真理的单一来源的日子一去不复返了。无论是谈论心脏病发作、中风、创伤、癌症，还是复杂的急性后护理，决策都是在一组人的共同考虑下做出的，更不用说患者自己的选择和对其病情的研究了。

当我们从应用广泛的人群规范和通用的护理标准，转向根据特定个体的定制需求定制护理时，将需要人工智能分析支持的广泛经验数据来定义与给定患者相关的个体规范。虽然在确定的人群中，进行随机对照临床试验的目的是控制混杂因素，并在实验环境中隔离测试干预的影响，但实际的测试对象很少能准确地反映现实世界中遇到的个体的广泛和多样性。

从实用主义的角度来看，我们不可能根据现实世界中所有细微差别和个性化的遭遇，来设计直接提供护理的试验。因此，人工智能对大数据的解析和分析将在指导个性化现实决策方面发挥重要作用。

利用大数据进行临床决策

如果大数据和人工智能要有效地支持临床决策，就需要克服四个潜在的挑战：

1. 消除数据收集中的偏差;

2. 承认匿名性和特殊性之间的内在冲突;

3.对收集到的数据进行有意义的验证;

4. 理解潜在的因果关系。

分析：利用大数据需要注意什么?

1 克服数据收集中的偏见

医疗数据杂乱无章。在最基本的层面上，尽管我们努力规范医学术语、诊断编码等，但在个体提供者如何描述、概念化和阐明他们对患者的观察方面存在很大差异。通常，对所有数据进行的探索、发现和分析，其有效性和价值仅与底层数据集的清晰性和有效性相同。这些问题只与收集的数据的数量和速度有关，必须对这些数据进行解释。

标准化、语义分类和公认的概念本体是“数据清理”中的一些必要步骤，在大数据集准备好接受人工智能技术的有用分析之前，这些步骤是为大数据集制定标准所必需的。

除了这些考虑之外，每个研究者对大数据的不同也产生了固有的偏见。偏差可以包括评估的数据类别以及如何收集这些数据(例如，对哪些人群进行了抽样，以及使用了哪些抽样工具，可以有选择地包括或排除数据集中的显示)。

假设高维数据的威力存在于数据中未公开的混杂因素下。不幸的是，这一假设远未成为人们放弃的结论，并对人工智能技术从大数据中得出的结论的有效性构成了威胁。例如，如果人们不考虑度量一个变量，而该变量是期望结果的重要驱动因素，那么将明显的结论应用于与混淆者的协变量关系发生变化的情况，则可能是不正确和具有误导性的。