人工智慧代替人類大部分工作，已經是大勢所趨。

記得在醫學院聽到病理課老師給我講過一件事。有個老病友，三十年前北京某大型國企中層領導，手術後病理報告顯示惡性腫瘤。他在同事的惋惜同情中辦理了病退，出院後積極樂觀的投入到公益事業和旅遊中，每年回來複查身體越來越好。直到不久前，回顧標本時才發現，按照新的病理分類，這位老病友的腫瘤是良性的。老師坦陳了真相，老病友聽後哈哈大笑後說：“如果當年我知道，這輩子……”表情僵硬良久，無語凝噎。

“健康所繫，性命相托”，誓言時刻不敢忘。但是，現實情況如何呢？我們先看看國外的資料。

疲勞的醫生更可能出現醫療差錯

近日，美國梅奧診所（Mayo Clinic，美國最好的醫院之一）在《Mayo Clinic Proceedings》發表了一項最新研究成果，顯示疲勞的醫生更可能出現醫療差錯。

梅奧研究人員對於6695名全美執業醫生進行了調查，發現55%的醫生（3574/6695）存在倦怠症狀，10%的醫生承認在三個月內至少犯了一個重大的醫療錯誤。

最常見的醫療錯誤包括判斷錯誤、錯誤診斷和技術錯誤。並且，過度疲勞的醫生出現醫療差錯的機率，比所報告的醫療差錯還要高出一倍多。

醫療差錯是美國第三大死亡原因，每年全球院內醫療差錯導致患者死亡4300萬。參與梅奧此次研究的高階研究作者Tait Shanafelt 認為，“如果我們試圖最大限度地提高醫療保健的安全性和質量，就必須解決工作環境中導致醫務人員職業倦怠的因素。”

對於醫療差錯，理智和感情的交鋒無法迴避

看到以上結果，我們並無法因為這是美國的統計資料而感到慶幸。因為，雖然中國的醫療錯誤沒有統計，但醫生的疲勞程度絕對可以名列前茅。對於醫療差錯，理智和感情的交鋒異常尖銳，總有人講“人命關天，怎麼能允許犯錯”，但問題是錯誤客觀存在，並非因為忽視而產生，也絕不會因為重視而杜絕。

根據保險公司對醫療事故索賠結果的分析，診斷錯誤是醫療糾紛訴訟最主要的原因，而且主要集中於癌症。患者因常見症狀就診，醫生很容易被表面現象所迷惑。我們有多篇文章提示大家要重視各種癌症訊號，可是大部分都不是腫瘤所特有的，更常見的原因是良性疾病，感染等。如果都按照腫瘤去檢查，會消耗太多的醫療資源，而病人也會覺得這是過度檢查。

面對醫療差錯，我們該如何做

制度上可以有些辦法，比如不要讓醫生疲勞工作，限制門診數量，限制手術數量，限制加班數量，以及定期強制休假等。

還有就是增加複核。比如MD安德森癌症中心強調的多學科診療（MDT），多位不同專業的醫生為同一個病人做出診斷和治療意見，一定有助於得到更合理的建議。

只是面對龐大的病人需求和相對緊俏的醫療資源，矛盾同樣尖銳。簡單的說，100個門診病人想找醫生看病，以前考慮的問題是醫生該給50個人看，還是隻給10個人看？甚至曾經有醫院要求不限號，加班加點也要給100個病人看完才能下班。結合上面的研究資料，問題就變成了是讓醫生給10個人看，出現1例差錯；還是給50人看，出現10例差錯；甚至，給100個人看，不知道要出現多少差錯？還有個附帶的結果是，醫生自己離病倒也不遠了……

我們的目標是多看病，少出錯，按照以前的方式這是矛盾的。好在時代為我們提供了新的解決方案：人工智慧。

人工智慧，可減少90%醫療差錯致死的發生

所謂人工智慧（AI）輔助決策工具，主要是應用計算機模仿醫生的決策行為，或者透過機器學習，應用統計學方法和AI演算法，不斷改進解決問題方案，並使之更加精準和確定。

相信大家對於之前進行血常規檢測要等待很久記憶猶新，現在使用機器進行篩選、分類，可以做到立等可取。機器的計算能力遠超人類，而且準確性更高。

病理是診斷癌症的金標準。可是國內的診斷長期徘徊在中等水平，透過我們前往美國MD安德森癌症中心的病人有一半以上會做出不一樣的診斷。這是為什麼呢？

為此我們諮詢了很多醫生，主要還是工作量太大的問題。國內的病理醫生非常緊缺，每個醫生要給太多的病人出報告。可以想象同樣的一張切片，放大後會有幾千個視野，如果真的一個一個看，那麼每個鏡下視野六秒，一小時才600個視野。這在目前國內的醫療環境內是非常不現實的。而人工智慧就可以解決這個問題。

同樣，人工智慧在可預見的CT、MRI等診斷領域實現指日可待。而下一步，就是可以利用人工智慧和大資料技術，使醫生受益於海量、標準化的患者資料分析，根據完整資訊做出正確的診療決策。

麥肯錫的一項研究顯示，利用人工智慧輔助診療，可幫助醫療機構減少5%-9%的成本支出，減少90%醫療差錯致死的發生。

未來可期

臨床醫生看病的過程實際上是對病人資訊進行綜合分析處理的過程，而臨床就診病人多、看診時間有限，無效的資訊嚴重阻礙患者與醫生交流。而這時的一點點疏忽都可能引發醫生診斷和治療的決策失誤，導致醫療差錯的發生。

而人工智慧必須配備完整資訊收集系統，全面、標準化，而且不會遺忘。相信有了人工智慧這個好幫手，臨床醫生能夠沒有那麼“勞累”了。

參考文獻

[1]https://www.beckershospitalreview.com/quality/physician-burnout-may-cause-more-medical-errors-than-unsafe-care-settings.html

首先有一點需要說明的是，這項技術真正推向市場首先需要爭取監管部門的支援，將其認定為醫療裝置，而後再獲取CE認證標識。

在歐洲，醫療裝置的安全與質量標準相當嚴格，要求製造商進行大量臨床試驗，並對專案當中的設計、開發、配送甚至是安裝流程進行全面質量控制。此外，內部與外部審計也必不可少，包括由外部審計師進行極為嚴苛的風險管理評估。

目前的問題在於，以往傳統裝置可以參考“同類產品”以證明自身的執行可靠性，但每套AI系統在一定程度上都可謂獨一無二，因此只能從零開始接受全面驗證。

谷歌當然不是唯一一家打算利用AI系統進軍醫療保健市場的企業。在此之前，IBM就一直在努力透過Watson解決直接醫學診斷問題，不雖然帶來了不少令人振奮的個別成果與產出，但醫學研究界目前普遍認為Watson演示中的“水分”過多，無法在日常臨床應用中發揮同等作用。此外，也有不少學生以及業餘愛好者從事醫學資料AI應用方向的研究。但總體而言，將醫療類AI推向市場往往需要付出高昂的成本與努力，因此目前絕大部分相關工作仍侷限於學術範疇之內。

除此之外，在將這一乳腺癌篩查技術推向市場的過程中，DeepMind還面對著另一項巨大挑戰——這類自主醫療篩查系統可能被惡意人士所欺詐，並在誤導之下做出錯誤判斷。

哈佛醫學院與麻省理工學院的一支聯合團隊釋出了一篇振聾發聵的論文，這篇題為《針對醫療用深度學習系統的專業攻擊》的文章提出多種可欺騙此類AI診斷系統的方法。研究人員們發現，即使不清楚AI系統的內部細節，惡意一方仍然能夠成功欺騙目標系統。到目前為止，這種愚弄AI系統的能力可能正是迫使我們拒絕全面推廣相關方案的主要原因。

我們在無人駕駛汽車領域也發現了類似的趨勢，該技術最初承諾的是完全自動駕駛功能，但現實情況卻只能帶來自動跟車以及停車輔助系統等非常有限的自動化技術。而對於這些至關重要的應用領域當中，目前，我們還找不到快速擺脫困境的理想辦法。

說了這麼多，之前強調的還主要是監管與技術層面的挑戰。但將這樣一套系統真正推向市場，其他挑戰同樣所在多有。在單一付款人系統當中，醫生沒有向企業付款的積極性，因此企業一方只能將技術產品出售給政府機構，這就會極大延長產品的消化週期。除了報銷難題之外，某些特定國家/地區還擁有自己的管理要求，例如資料隱私。本文開頭探討的是一種極具前景的概念驗證型AI系統，主要用於改善乳腺癌的診斷效果；但除了ISO認證與CE認證之外，這套系統甚至還沒有開始臨床試驗以及FDA審批流程。

總而言之，完成這一系列非常精細的測試與驗證之前，患者們還無法體驗到這項前沿技術。雖然DeepMind取得了至關重要且令人興奮的技術成就，但必須強調的是，這些技術尚處於起步階段。請暫且按捺興奮的情緒，我們手頭還有很多工作要做。