由于人口老齡化和遠程醫療等醫療服務方法的興起，醫療機構生成的非結構化和結構化數據的數量顯著增加。本文將通過對各種用例的探索，展示醫療機構如何利用人工智能、機器學習和數據分析來利用越來越多的可用數據，改善患者治療和護理體驗，并提高運營效率。
用例1：捕獲和分析非結構化數據
醫療機構的非結構化數據是指從臨床醫生手寫處方表到患者呼叫中心日志的任何內容。這些信息的數量正在增加，需要新的方法來捕獲和分析這些數據。
在這方面，Avanade公司全球數據和人工智能卓越中心高級總監Tripti Sethi提供了一個使用Answer ALS研究項目完成的工作示例。該示例是醫療機構希望利用大數據和人工智能來尋找答案和治療方法，其目標是利用云計算、機器學習、大量患者數據和強大的交互式數據基礎設施，以幫助確定導致肌萎縮側索硬化（ALS）的原因并確定潛在的治療方法。
Answer ALS是由美國約翰斯·霍普金斯大學和羅伯特·帕卡德ALS研究中心與Avanade共同創立和運營的一項革命性研究項目，有1000多名ALS患者參與了該項目的研究。該項目匯集了全球研究中心、行業領先的科技公司以及世界一流的研究人員。這種全球合作產生的大量非結構化數據帶來了挑戰。
研究人員如何有效地利用這些數據并獲得洞察力？Tripti解釋稱：“我們利用具有機器學習的強大基礎設施的云計算模型創建類似于基于Azure的數據查詢引擎的東西，能夠在幾小時（而不是過去的幾天和幾周）處理研究查詢。同時研究人員能夠更快地分析更多數據，以此作為基礎加快為ALS患者制定成功的治療方案。”
用例2：在醫療保健供應鏈中利用人工智能和機器學習
在提高患者治療和護理方面，人工智能和機器學習在醫療保健的未來發揮著重要作用。 這些先進的分析方法還可用于幫助醫療機構提高效率，并解決供應鏈挑戰等問題，特別是在新冠疫情加劇供應鏈困難的時期。
Sethi公司是一家大型藥品批發商，其與Avanade合作改善了他們容易出錯且不可靠的庫存跟蹤方法。此前，諸如RFID和藍牙技術這樣的常見跟蹤技術作為重量計算傳感器使用，既不可靠又麻煩，導致Sethi公司的利潤率下降。
為了解決這一挑戰，合作團隊將人工智能（特別是計算機視覺和后處理機器學習模型）與連接的攝像頭結合起來，使計算機節點邊緣化，攝像頭可以就近實時地連續監測和跟蹤庫存變化，助力藥品批發商提高利潤率并提高其計費準確性。
用例3：利用高級分析進行診斷和治療
與人工智能和機器學習的重要性類似，高級分析將在未來的醫療保健中發揮重要作用，特別是在治療發現方面，比如可以提高癌癥病例審查的準確性，從而加速了診斷和治療。
比如，一旦癌癥患者被診斷出來，就需要制定最佳的治療方案，這要求來自不同專業的醫生對癌癥病例開展審查和討論，但讓一群醫生在聚集在一起并不總是那么容易。為了幫助應對這一挑戰，可以啟用助力員工培訓的新的協作解決方案，并使用數據分析為醫生和護士提供見解，以便他們更好地參與，將自己的見解輸入到治療發現中。”
Sethi說，“增加這些多樣化的知識有助于確?；颊攉@得最高質量的治療和護理，并且醫院還可以加快診斷和治療時間，從而提高滿意度。”通過這些用例，每天的工作都在改善治療和護理體驗，并且通常是在患者不知情的情況下進行的，不會對患者治療和護理造成任何干擾。
克服道德困境
人工智能驅動的算法通過觀察數據并從中學習來做出預測或產生見解。如果該數據有偏差，其結果也將發生偏差。克服這種道德困境和偏見需要積累更多樣化的數據集，同時還需要訓練人工智能或機器學習算法來分析所有數據片段。
Sethi稱，可以訓練模型查看所有表示的數據段，并提高數據中代表性較低的群體的重要性。分析人員可以抽取培訓樣本，重新衡量培訓樣本的重要性，放大少數群體的‘聲音’。”對于醫生來說，創建可解釋且透明的算法也很重要，他們將能夠理解為什么基于某些數據集生成某些見解。
Sethi認為，這引發了一個更廣泛的問題——醫療機構為何使用人工智能和機器學習？ “我們會接受預測的結果嗎？或者我們是否從這些見解中學習并確定不同人群中醫療保健挑戰的根本原因？”
作為道德行動的一個例子，Avanade公司旨在解決道德或負責任的技術困境，創建了數字道德框架，并將其應用于人工智能。該框架創建了一個負責任的人工智能清單，無論是關注數據完整性、隱私、偏見還是人類影響。
人工智能在醫療保健領域的未來發展
隨著人工智能加速進入越來越虛擬的運營環境，將在醫療保健領域發揮關鍵作用。
新冠疫情加速了向虛擬醫療的轉變，這導致了數據爆炸式增長。但是，為了跟上這種增長，還可以做更多的工作來收集見解，并利用人工智能、機器學習和數據分析推動有意義的變革。
總之，人工智能和大數據分析為更好地治療患者、提高效率以及更準確的治療發現提供了很多機會，我們需要利用這些先進技術，同時不要忘記道德、隱私和合規性的重要性。
