​【文献阅读】通过人工智能让临床医生为临床做好准备

关于人工智能在医疗保健领域的潜在前景和风险已经有很多报道，媒体和学术界都在为这一宣传做出贡献，包括预测某些专业将被机器所取代。一位ML技术的开发人员说，“我们应该停止培训放射科医生。”与所有引入临床实践的新技术一样，在等待临床持续成功和受益的严格证据时，对AI持怀疑态度是合适的。

AI并不是第一个承诺提供更高效和有效医疗服务的信息技术应用。从早期引入的电子健康记录(EHRs)中可以吸取一些教训。在联邦激励措施的部分推动下，2008年至2017年期间，美国拥有有效EHR的医院不到10%，而没有EHR系统的医院也不到10%。EHR已经兑现了一些承诺(例如，改善了患者的安全，尤其是在药物使用方面的安全)，但人们对EHR对临床医生的福祉、职业满意度和医患关系的影响表示担忧。虽然这些预料不到的后果本质上是多因素的，但一个反复出现的主题是没有仔细考虑EHR对最终用户的影响。此外，据推测，缺乏一线临床医生的早期参与会对EHRs的实施产生不利影响。

在医疗保健从纸笔记录系统转变为基于EHR的企业的十年之后，AI代表着进入了一个潜在实践变革技术的新时代。数十亿美元被投入到医疗保健和相关研究中。数百家基于人工智能的初创企业已经成立，数字巨头(如苹果、微软、谷歌和亚马逊)也在大力投资。美国国家医学院(National Academy of Medicine)预计，人工智能将成为医疗保健的主流，因此报告《医疗保健中的人工智能:希望、炒作、希望和危险》鼓励并教育社区关注有关数据科学和人工智能的知识。

重要的是，为临床医生提供使用基于AI的技术所需的技能、资源和支持，现在被认为是AI在医疗保健中成功应用的关键。要做到这一点，临床医生需要现实地了解医疗保健的潜在用途和局限性，忽视这一事实可能会导致临床医生的愤世嫉俗和患者预后不佳。

虽然EHR的采用受到联邦授权和激励的推动，但AI不太可能出现类似这种情况。相反，其采用更可能受到传统投资回报考虑的制约。然而,这些考虑并不一定意味着政府不会发挥作用:潜在的监管问题、法律责任和社会偏见都将影响AI的采用，决策者也可能卷入这些问题。例如，考虑到人工智能算法可能产生的深远影响和广泛危害，国际、联邦和州各级制定指导方针、政策和法律是有必要的。

尽管支持在常规临床实践医疗环境中使用AI的证据相对较弱，AI模型继续被销售和部署。最近的一个例子是Epic败血症模型。虽然该模型已在美国数百家医院得到了广泛应用，但最近的一项研究表明，与模型开发过程中观察到的性能相比，该模型在正确识别早期败血症患者和改善临床环境中的患者预后方面表现明显更差。

这类研究强调了对AI产品规定严格的报告标准和审查的必要性。一个强大的联邦批准流程，如用于药品是必要的。在机构层面，类似于《临床实验室改进修正案》的实验室研究认证过程有助于确保不仅采用和实施算法的标准严格，而且对其适用性和准确性进行持续的评估。

然而，临床医生对于做出临床实施决定所需的信息缺乏共识。因此，需要为AI临床试验和用于评估AI技术效用的相关研究指定标准化、可靠、循证的标准指南。如果没有这样的标准，临床医生对基于AI的技术的信任和适当使用将受到阻碍。

一线临床医生必须能够自如地评估与临床AI医学相关的医学文献。一个类比就是循证医学(EBM)运动，它创建了用户指南，使临床医生具备阅读的技能，并适当地将研究应用于患者护理。

在已证实的循证医学框架的基础上，Liu和他的同事开发了一个用户指南来评估使用ML的文章。需要额外的指南来促进评估使用AI来帮助回答有关预后、伤害、治疗和成本效益问题的研究。随着临床医生在评估AI文献方面越来越成熟，临床试验报告的严密性和透明度可能会随之提高。制定和推广适当的用户指南将有助于支持这一转变。

大约在EBM发起的时候，一场平行运动开始促进患者和临床医生之间的共同决策。随着基于AI的预测和算法继续为医疗决策提供信息，患者和临床医生必须重新考虑共享决策，因为现在的决策很可能涉及到团队中的一个新成员——AI衍生算法。最终，临床医生将承担起成功调解患者、计算机和他们自己三者之间关系的大部分责任。临床医生将需要解释AI在他们的推理和建议中的作用。随着时间的推移，这种关系很可能会改变，患者和家属可能会直接根据AI的建议，绕过临床医生做出一些决定。在AI改革后的医疗体系中，驾驭这一转变——并为有资质的专家找到合适的角色——将是一个重大的挑战。