医疗保健人工智能领域存在泡沫。数十亿的风险资本正在流动,几乎每个医疗保健领域的作家都至少有一两篇关于这个话题的文章,而且没有一个医学会议没有一个小组,如果没有专门的一天来讨论的话。承诺和潜力是非常真实的。
然而,我们似乎要搞砸了。
最新的例子是《统计新闻》的一项调查指出IBM沃森的失误接下来不可避免地会出现“人工智能准备好进入黄金时代了吗?”辩论.当然,IBM并不是唯一给自己制造麻烦的公司。他们的营销预算和方法使他们很容易成为目标。我们中的许多人——从供应商到记者再到消费者——都在无意中给本已艰难的攀登增加了学位。
如果我们的错误只导致经济损失,那没什么大不了的。但风险更高。医疗失误被指责为夺人性命的元凶每年21万到40万.这些技术至关重要,因为它们帮助我们从数据中学习——这是医疗保健最不擅长的。使用我们的数据来改进是一个生死攸关的问题。
本着这种精神,这里有一个简短但相关的错误清单,我们都可以从避免这些错误中受益。这是我十几年来试图让这些技术为医疗服务服务的过程中所犯过的一长串有时代价高昂、通常令人尴尬的错误。
1.不一致的引用,不管我们怎么称呼它。我好不容易才决定了这首曲子的名字。我有很多选择来描述感兴趣的主题,包括机器学习、大数据、数据挖掘、数据科学和认知计算等等。在某些圈子内,所有这些术语之间存在着有意义的区别。对于其中的绝大多数人,我们希望能有所帮助,用十种方式来描述同一件事,往好里说是令人困惑,往坏里说是误导。
我更喜欢“机器学习”这个词,因为这通常是我们谈论的话题,但我愿意投票给任何一个一致的名字——除了“人工智能”。其中涉及的数学既不人工也不智能。这就引出了第二个错误。
2.机器学习是一种工具,而不是有知觉的存在。这是一个非常强大的工具,可以帮助检测疾病,早期预测病情发展,并对个体进行干预。工具的比喻有真实的反响——不仅仅是冷却“AI作为医生”的炒作,还有我们如何使用它。
例如,锤子是一个很好的工具,如果你知道如何使用它,有一个计划用它来创造一些价值,你是在和木头打交道,如果你的工作最终是敲钉子。如果不是,那就没用了。一旦我们不这么认为,我们就会失望。
3.可笑的无用图像。与此相关的是,相关文章的图片并没有起到帮助作用。我同情视觉上表现某种无形方法的挑战。然而,呈现神奇药丸(或大脑)的机器人终结者手臂并没有帮助。它们很搞笑,但没有帮助。
4.人们不会因为被取代而兴奋。然而,我们对人工智能、图像和标题的引用一直在引导读者回到这个不可避免的结论。我明白了。吓到销售。但这并不能让我们更快更好地护理。
5.这些工具所能做的令人发指的承诺(和信念)。把这些方法描述为取代人类医生就能治愈癌症的神奇神谕,是没有帮助的。现实远比这无聊得多(至少在可预见的未来)。
机器学习方法提供了一种更有效的方法来发现模式。这些模式可以用来弄清楚我们在做什么,它是否有效,以及我们应该做什么——这些都是非常重要的事情。然而,只有当工具被应用于适当的任务,使用正确的原材料,并作为深思熟虑的计划的一部分时,它们才能帮助我们。我们看到,在机器学习的有限例子中,解决了医疗保健中的实际问题,如更快地识别护理差距,捕捉文档中遗漏的代码,更快地识别特定风险,如发现患有严重精神疾病的人最有可能患有精神疾病精神科住院病人.这些都是很有用的工具,可以添加到我们的临床和操作工具包中。
“人工智能是救世主”标题的问题在于,它们使得人们很难就使用这些工具获取价值的具体机会进行有教育的对话。
STAT News的文章暗示了IBM沃森还没有成功的失望之情革命性的癌症治疗.如果我卖给你一把锤子,承诺它可以自己盖房子,如果它不能自己盖房子,你会失望吗?
在这件事上,谁该受到责备?是我把锤子卖给你,还是你相信了推销?头脑正常的人都不会怪锤子。然而,不恰当的使用、过度的承诺和糟糕的项目管理让许多人质疑机器学习是否已经准备好进入黄金时代。
为什么指责工具如此容易?见上图。
6.衡量(并谈论)重要的事情。提示:这不是算法的预测性能,也不是收集的tb级数据宏伟的介绍你的数据科学家学位。它可以节省或挣到钱,改善生活,减少时间等等。
如果你必须从准确性/统计性能的角度来描述价值,最好是负责任地这样做。声称“90%正确!”如果没有额外的上下文,就没有任何意义。准确在哪里?如何测量?用什么数据?医疗保健的细节很重要。
7.科技是伟大的。但是人员和流程可以改善护理。最好的预测在被付诸行动之前只是建议。在医疗保健领域,这是最难的部分。成功需要与人交谈,花时间了解环境和工作流程——无论供应商或投资者多么不愿意相信。如果医疗保健可以通过安装软件来改变你的工作流程和优先级,那就太棒了。只要问问那些处理电子病历后果的人(即大多数执业临床医生)就知道了。在某些基本现实改变之前,投资于理解、流程和工作流程。
我分享这部分经验教训,不是出于沮丧,而是对即将到来的事情充满了难以置信的热情。这些技术将成为我们识别需要关注的患者、减少浪费的管理费用和推荐更合适的护理途径的重要组成部分。我看到它每天都在真正的医疗机构中发生。我们越早重新架构我们谈论和应用这些工具的方式,我们就能越早开始使用我们的数据变得更好。
伦纳德·达沃里奥是联合创始人兼首席执行官,Cyft.
图片来源:Shutterstock.com