未來的醫者應該更關注普世情懷的中醫理論體系，人工智慧會對針對精準治療的西醫有衝擊。但有一點人類在自身生理層面上講是退化的，這就像文明總會被野蠻顛覆，得到就意味著失去。不樂觀的講人會越來越脆弱!

AI在醫療健康行業中的應用包括了醫療機器人、智慧藥物研發、智慧診療、智慧影像識別、智慧健康管理等方向。其中，智慧診療是最核心的應用場景。

比如，谷歌公司旗下的DeepMind就在尋求可行途徑以檢測住院患者的病情惡化狀況。但此舉並不是為了全面顛覆醫療產業，而是率先推出一款簡單實用的移動報警應用。

日前，由谷歌DeepMind部門發表的兩篇研究論文顯示，深度學習等前沿工具與軟體本身的有限應用之間存在著巨大的鴻溝。事實證明後者還無法自動完成醫生們的日常工作。

而在最新一期《自然》雜誌中，DeepMind的研究人員發表了一個深度學習專案的結果，該專案能夠在症狀出現前48小時預測住院患者出現的腎功能衰竭症狀，並且準確率遠遠高於現有計算機預測程式。

與此同時，DeepMind團隊還發布了一項對其“Streams”計算機程式的第三方調查結果。這款計算機程式並未使用人工智慧技術，但能夠幫助醫生向病人快速釋出警示性提醒。

採用深度學習技術的第一個專案中只包含部分有望得到實際應用的方法，但Steams軟體已經被正式引入醫生及醫務人員的日常工作中。

跟蹤患者的“不良反應”

▲相較於圖上方所示的傳統醫生警報資訊獲取方式，圖下方的DeepMind“Stream”應用建立起新的“數字化途徑”。其主要創新在於讓醫生能夠在手機上收取警報。

谷歌DeepMind部門發表第一篇論文題為《具有臨床適用性的未來急性腎損傷的持續預測方法（A clinically applicable approach to continuous prediction of future acute kidney injury," deals with the）》，主要面向患者在住院之後發生的“不良反應”。根據英國國民健康服務中心協助建立的Think Kidneys網站公佈的說明，其中一類主要反應在於“急性腎損傷”，簡稱AKI，具體定義為“患者的腎功能突然發生下降”。這類症狀的出現，主要源自病人嚴重脫水或者處方藥副作用等原因。

正如DeepMind方面在一篇博文中所提到，這種情況有可能帶來致命後果，影響到美國及英國醫院中約五分之一的患者，而且利用適當檢測搶在情況惡化前進行處理能夠消除其中高達30%的比例。AKI以及其它突發性變數的處理正是機器學習的專長所在，其完全能夠預測可能出現的問題，從而幫助病人免受腎損傷的影響。

正如作者在論文中所言，“常規臨床實踐中很少引入預測元素；這是因為這些元素要麼缺乏必要的敏感性與特殊性，要麼就是對已有操作的簡單重複。”

因此，DeepMind與美國退伍軍人事務部展開合作，希望瞭解神經網路是否能夠透過時間序列資料預測AKI例項。他們在五年之內為退伍軍人醫院的超過70萬名患者編制了數字健康記錄資料集，其中包含60億個條目，以及可能與AKI相關的62萬種“特徵”。憑藉這些標記資料，計算機即可透過分析預測哪些患者最終可能發展出AKI症狀。

這一切都是透過行業領先的“遞迴神經網路”（簡稱RNN）完成的，其中包含一個能夠“學習”AKI因子“表達”的“深度殘差嵌入”元件。研究人員強調稱，這是一套單獨的“端到端”網路，其不需要針對特定領域對網路進行預訓練。

他們在報告中表示，該網路不再依賴於傳統預測方法——例如所謂“梯度增強樹”，其要求將風險因素明確編碼至演算法當中——而利用RNN模型從資料中總結模式。他們認為，這項工作為更好地預測患者病情惡化開創了新的途徑。

但展望未來的道路，仍有不少挑戰需要克服。比如，他們使用的資料並沒有對性別與種族進行平衡，因此需要闡明其中可能存在的混淆性偏見因素。他們在論文中寫道：“未來的工作，在於解決訓練資料當中人群代表性不足的問題，同時克服可能與醫院流程相關的潛在混淆性因素。”

輔助醫療與數字化護理

在發表於《網際網路醫學研究》雜誌上的第二篇論文《對輔助治療中數字化護理途徑的使用者體驗進行的定性評估（A Qualitative Evaluation of User Experiences of a Digitally Enabled Care Pathway in Secondary Care）》當中，研究人員說明了關於Sterams軟體的實際使用情況。

Streams是一款iPhone平臺上的移動應用，目前由倫敦皇家自由醫院的醫生們實際使用。其負責透過手機向醫生髮送警報，提醒患者出現了血清肌酐升高狀況——這種血液中的廢物，正是AKI發病的主要跡象之一。透過持續監測患者肌酐水平並將警告資訊傳送給特定團隊，醫護人員即可優先關注存在AKI風險的患者。據瞭解，該軟體自2017年5月起就已經在皇家自由醫院中得到應用。

▲DeepMind構建的創新型遞迴神經網路負責處理數十億個資料點，用於儘早發現急性腎損傷跡象。他們強調稱，這是一套“端到端”系統，不需要對網路進行預訓練。

這篇論文由DeepMind工作人員與倫敦大學學院以及英國國家健康服務中心的研究人員們聯合撰寫，並對在2017年2月至2018年5月期間使用該應用程式的臨床醫生進行了觀點彙總。論文當中引用了大量採訪資訊，以確保反饋意見公正可靠。

然而，反饋當中也出現了一些負面的聲音。一名工作人員認為應用程式當中存在大量“噪音”式的誤報。另一位參與者也抱怨稱，當不清楚警報內容應該由哪位臨床醫生負責處理時，應用會反覆提醒，產生過多警報提示。

該項研究的作者們得出結論，認為這款軟體對患者的護理產生了“積極影響”，包括“加快”醫護人員對病情惡化患者的處置速度。但他們也承認其並不完美，例如“大量需要優先處理的患者提示與過量資訊使醫護人員產生焦慮情緒，這一狀況因誤報問題而變得更加嚴重。”

研究同時發現，該應用雖然頗具實用性，但對結果卻並未產生具有統計學意義的顯著影響。在《自然》雜誌姊妹刊《NPJ自然醫學》上發表的另一篇相關論文指出，單純使用一款應用程式還遠遠不夠。“我們的評估亦證明單獨的電子警報機制可能無法改善醫療結果；從結果來看，我們需要將警報系統與特定管理通道相結合，才能真正將數字化干預手段引入組織與技術層面。”

下面對這一成果做做總結：首先這是一款業界領先的軟體，似乎能夠改善對病情惡化問題的早期檢測能力，同時挽救病患生命；其次是一款警報軟體，能夠為醫生提供幫助，但暫時無法顯著提高護理效果。至少就目前來看，這兩項成果仍然彼此割裂、無法統一起來。

DeepMind研究人員在另一篇博文中提到了某些有望整合這兩項成果的努力：“團隊目前希望找到將預測性AI模型安全引入Streams應用程式的方法，以便為臨床醫生提供與患者病情惡化相關的智慧見解。”