认清在医疗保健中实施人工智能(AI)所面临的挑战，可以帮助医疗保健提供者制定适当的策略并以无风险的方式快速实施创新的解决方案。

       人工智能正在以多种方式改变医疗保健。医疗保健组织正在实施用于机器人手术、护理帮助、准确诊断和精密药物的AI。实际上，毕马威会计师事务所(KPMG)进行的一项调查显示，有53%的高管认为医疗保健在采用AI方面处于领先地位。

       尽管在采用AI方面处于领先地位，但并非所有医疗保健组织都已实施AI。部署AI解决方案时面临的挑战仍使一些医疗保健组织无法充分利用AI技术。在这种情况下，医疗保健企业有必要了解医疗保健及其解决方案中的AI挑战。

图片来源：图虫创意

       要解决医疗保健中AI实施方面的挑战，必须意识到这些挑战。一旦卫生组织意识到了挑战，便可以更好地找到克服挑战的方法。以下是医疗保健中的5种人工智能实施挑战：

       收集数据

       人工智能系统需要大量数据。并且收集的数据必须来自可靠的来源。从不可靠的来源收集数据可能会对AI解决方案的输出产生不利影响。

       因此，为了获得准确的输出，医院必须从可靠的来源收集培训数据。他们可以从患者的历史和当前病历中找到可靠的数据，因为医疗保健中的每个患者都是他们自身的来源。医疗保健组织还需要为机器学习算法准备准确的数据集。但是数据准备方面的挑战通常很难克服。

       因此，毫不奇怪的是，有96%的组织因为成功实现AI而遇到数据相关的问题阻碍。为了准备精确的数据集，医院需要尽早确定所需的结果并相应地准备数据。医疗保健组织还需要确保数据与构建过程一致。他们可以通过清除数据以使丢失的值最小化并消除不相关的数据来使其数据兼容。

       保持合规

       每个患者都是可靠的数据来源。但是，如果这些来源拒绝提供其数据来构建AI系统怎么办?没有人希望他们的数据被用于非法目的。为了避免这种情况并在患者之间建立信任，政府和领先的医疗保健组织制定了每家医院都必须遵守的法规。

       例如，通过了《医疗保健信息携带和责任法案》(HIPAA)，以强制执行机密处理患者数据的标准。另一个例子是《经济和临床健康卫生信息技术法案》(HITECH)，该法案旨在标准化当今数字时代中电子健康记录(EHR)的维护。这种监管行为使患者可以随意共享其数据，这些数据可用于训练AI系统。

       医疗保健组织还需要确保收集的数据受到保护，以增强隐私和安全性。但是，在当今世界，我们经常听到有关网络安全漏洞的消息，保护数据安全并非易事。这也是医疗保健组织可以利用区块链的地方。

       AI和区块链的融合可以共同革新许多行业，医疗保健是这些行业之一。区块链将确保安全传输和存储患者数据，以增强隐私和安全性。它还将为患者提供透明性，以便他们可以查看其数据的存储位置和使用方式。

       识别应用

       大多数企业可以借助一些机器来进行操作。但是，与大多数企业不同，医疗保健组织需要多种工具进行诊断和治疗。

       例如，存在用于诊断和治疗不同医疗状况的各种类型的设备，例如呼吸机、扫描仪、X射线机和ECG机。对于医疗保健组织而言，为物联网确定合适的应用可能变得很复杂。医院必须了解不同机器的复杂性，才能确定正确的应用。他们还需要向供应商咨询如何轻松、快速地将AI解决方案与特定机器集成。

       卫生组织需要明智地选择AI供应商。选择AI供应商之前，需要考虑多种因素。通用或垂直解决方案，与目标的一致性以及成本效益等因素会在很大程度上影响AI供应商的选择。识别合适的用例并根据需要选择正确的供应商将有助于医院构建可轻松与现有设备和工作流程集成的AI解决方案。

       消除黑匣子

       AI系统主要是模拟人类大脑的运作方式。因此，就像我们的大脑一样，它们接收输入并达到输出。但是，我们不知道人工智能系统是如何得出结论的。我们所知道的就是最终的输出。而且，如果不了解AI系统是如何得出结论的，那么对其进行改进就变得很困难。

       AI系统的这一挑战被称为黑匣子问题。解决该问题对于几乎每个行业都是必不可少的，但对于医疗保健而言，至关重要。那是因为它会对医疗保健行业产生不利影响。盲目地信任AI解决方案可能会使患者的生命处于危险之中。

       例如，根据STAT审查的IBM内部文件，IBM的Watson建议对癌症患者使用不安全的治疗程序。遵守错误的建议操作程序可能会使癌症患者的生命面临危险。因此，医疗行业必须消除AI的黑盒子。

       但是，如何消除AI的黑盒子?答案是“通过使用可解释的AI”。可解释的AI通过使这些系统具有透明度来帮助研究人员了解AI系统的输出。它通过事后方法的帮助带来了透明度，该方法围绕四个关键要素而开发，即目标、驱动因素、可解释的族和估计量。

       用来解释AI输出的最常见方法之一是反向传播方法。反向传播是用于前馈神经网络的监督训练的一种广泛使用的AI算法。这种可解释的AI方法的实施将确保患者和医生对AI结论的信任。

       教育员工和患者

       利用AI解决方案可以带来很多好处，但是使用它们很复杂。对AI的潜力以及如何利用AI的意识不足会导致组织中的技能缺口。医疗保健组织需要通过对员工进行有关AI系统及其功能的教育来弥合技能差距。医院和个人专家可以组织不同部门的培训课程，以培训员工如何使用AI系统。

       在要治疗的患者准备好接受基于AI的治疗之前，医疗保健中的AI实施很难成功。因此，患者还必须意识到AI的潜力，以便他们可以信任基于AI的治疗。例如，机器人手术可带来许多好处，例如住院时间更短、疼痛减轻、疤痕最少以及失血量降低。

        但是，由于缺乏意识和信任，患者可能会担心被AI机器人对其进行操作。医疗机构应提高人们对机器人手术的益处的认识。他们还可以对患者进行AI机器人手术程序教育，然后再对其进行操作。对患者和员工进行有关AI解决方案的教育将确保增加他们对AI系统的信任。

        每个卫生组织都希望部署AI系统。成功实施AI解决方案始于制定正确的战略。但是如何创建呢?这需要要解决上述医疗保健中的AI挑战。

        对这些挑战和解决方案的了解将帮助医疗保健组织针对其特定应用制定适当的策略。当成功实施AI的实例成为人们关注的焦点时，医院将更有动力部署和扩展其AI解决方案。