Patchava博士说，“医疗保健与银行业不同，更确切地说，这是一项更感性的行业。医疗保健中的人工智能意味着使用非人类系统，如计算机、执行诸如决策等任务，而不需要人类的接触。而在医疗方面，尽管人工智能可以解决一些问题，例如在供应链中，增强智能在临床医学方面更适用。”

至于数据，Patchava解释了分布式总账为什么是一个可以促进跨系统、网络和服务的数据流动性的令人兴奋的解决方案。

Patchava表示，“在银行业，它非常关注低接触的高科技，这是可以接受的，因为人们想要这样做。他们寻求便利，在他们想要的时间尽可能快速有效地访问。消费者体验按其通话解决方案评分。他们几乎不想与人交往，因为这是耗时的，往往是干扰者，而不是推动者。而在医疗保健领域，这实际上就是一个转折点。消费者的心态不同，而患者则寻求同情和安慰。事实上，它是这两种感觉的触发因素，已被证明有助于患者治疗。医疗保健消费者(或患者)的心理学、生理学和病理学一直都很复杂，迄今为止，人类的互动给他们带来了巨大的好处。”

然而，全球各地的医疗卫生系统面临着一些挑战，这是一个普遍公认的真理。人口老龄化、肥胖、糖尿病、心血管疾病等非传染性疾病的增长以及消费者期望的不断上升，这都给医疗保健提供者带来了巨大的负担。传统上，大规模、广泛地采用新技术对于医疗卫生系统内和医疗专业人员来说是一个巨大的障碍。然而，如果应用得当，新兴技术可以帮助消除一些工作压力，将医疗护理从被动转向主动，从治疗转向预防。然而，这些技术要取得成功，关键在于它们必须嵌入到工作流程中，从而在不牺牲人性化的同时提高生产力。

她说，“以在医疗领域采用人工智能为例，我们不希望人工智能完全取代医生和医护人员;我们需要找到协作伙伴关系，需要的是技术和接触的结合，为医生和患者提供最佳结果。”

她以Medic Bleep为例，医疗保健“WhatsApp”是一种安全实时的服务，是为了取代过时的老式寻呼机而创建的，同时对安全和隐私法规保持敏感性。在医生、护士、医院管理人员的手中，Medic Bleep可实现有效的沟通流程、事件和信息。最近的时间运动分析结果表明，护士每班平均节省21分钟，而医生每班平均节省48分钟。而考虑一周、一个月和一年的情况时，其节省的时间十分显著。此外，这样的技术可以推动改进的工作优先级，更容易的协作，并通过提供可审计的记录减少错误和不良事件。那么谁会拒绝提供更安全、更有效的护理服务?

她说，“如果Medic Bleep技术将延伸到跨多个医疗网络的急救团队，而不仅仅是医院，甚至延伸到社会医疗领域，这样医疗专业人员就可以实时查看医疗服务和患者，他们需要全方位的护理，不用担心结果会从医生转移到社会工作者身上。

我们知道英国医疗卫生系统一直在推动改变医院寻呼机的议程，而Medic Bleep提供了一个强大的解决方案，可以在整体健康状况下实现实时通信和数据流，以及有一天甚至可能是社交和紧急护理服务。”

人工智能在医疗领域的挑战以及采用增强智能的原因

Patchava说，“不久前，IBM公司人工智能引擎Watson被誉为医疗保健的灵丹妙药。但是，我认为Watson技术未能实现其潜力，并且未能给人留下深刻印象，这主要是因为他们不了解他们试图解决的问题。很难说明医疗保健中存在的复杂性。有很多利益相关者、接触点、疾病领域、治疗方案等等。此外，如果想到每个医疗痛点，它可能存在于个人层面、人群层面和/或系统层面，这是一个非常复杂的网络。”

Patchava说，“至少在我的有生之年，人工智能在临床护理中的应用还不成熟。虽然有几个领域可以部署机器学习来改进系统过程，但其输出如何从输入中获得的不可知性以及对临床决策支持系统的过度依赖仍然是未解决的道德问题，从而在医疗保健领域减缓替代人类的工作。例如，如果我做了乳房X光检查，尽管10次中可能有6次或7次确认，人工智能可能能够准确地检测出乳腺癌，如果我的扫描结果是10次中有3次或4次被认为是‘不明确的’，我肯定希望人类医生为我诊断，我可以咨询他们，并让我确信他们的诊断。人工智能算法的最新进展缩小了计算机和人类专家在检测乳腺癌方面的差距，但是我们对计算机的标准有所不同。尽管人工智能系统可以满足图灵的测试(表现出与人类医生相当或无法区分的智能行为的能力)，但患者(消费者)会接受这一点吗?我相信，如果人工智能要在医疗保健领域取代人类，这种替代必须证明其准确性得到提高，而不仅仅是等同性。”

人工智能在医疗保健的应用如何具有价值?

她说，“计算机永远不会完全了解人类。算法和代码也不能真正复制人类意识和潜意识的行为、态度、想法、期望。然而，机器学习显著发展的一个领域是基因组学，研究一整套基因，一个有机体的组合。利用人工智能更快、更便宜、更准确、更有效地对DNA进行测序和分析，可能对我们提供医疗保健的方式产生重大影响。通过基因组学，我们可以更深入地了解患者的行为。例如，他们容易受到哪些疾病的影响，并使用它来做出关于其护理的决定。早些时候我们谈到了从治疗到预防的转变，基因组学构成了缺失部分。药物基因组学可以帮助我们了解个体如何对某些药物做出反应，从而推动个性化治疗。反过来，它也可以帮助为未来做好准备。例如，如果某人尚未患糖尿病，但患糖尿病的风险很高，我们可以为他们提供更高水平的有针对性的干预措施，以降低风险和/或预防灾难性事件，可以全面降低成本，改善结果。”

她表示，“我认为基因组学将推动医学的未来，我们可以提供量身定制的个性化服务，但我也认为基因组学永远不会是完整的答案。我仍然希望医生或者至少是医疗保健专业人员来解释诊断结果，为我提供预期的建议，并制定治疗/行动计划，同时考虑到我的顾虑和偏好。作为医生，我们必须记住，患者就是坐在你面前的人，而不仅仅是算法或代码。”

Patchava指出，“各行业的自动化技术潜力差异很大。金融服务行业在捕获和利用我们的数据方面远远优于个人，最近在数字方面也是如此。通过这样做，他们能够基于例如所获得的收入来识别模式，并且部署预测分析以预测消费者行为。在医疗保健方面有些落后，在医疗卫生系统中仍然存在一些不同且分散的数据集。为了取得成效，我们不仅需要在个人和人口层面汇集现有数据集，而且我们还需要获得更深入、更全面的人们健康状况图表，而不仅仅是疾病。这是可穿戴设备和连接设备等新技术可以帮助填补一些空白的地方，为医疗保健专业人员和系统‘疾病护理’转变为‘医疗保健’。”

输入DLT用于医疗保健

在大多数情况下，如果人们听到区块链这个词，可能会立即想到比特币，有些人甚至可能会想到暗网、洗钱、骗局、赌博等。因此，很多人远离区块链技术，并考虑底层分布式账本技术(DLT)的潜力。

她说，“我们已经讨论过获取更多数据以帮助决策。然而，全球医疗保健和卫生系统面临的主要挑战是数据流动性。障碍、监管、政策、流程将会阻止系统内部的数据流动。

如果现在某位患者去找一位全科医生看病，那么会怎么样?这位全科医生可能不知道这位患者上周住院，并且没有收到其最近的检查结果。然后这位患者必须打电话到诊所找到检查结果。如果很幸运的话，可以通过电子邮件发送结果，更有可能传真给这位全科医生。现在想象一下，如果患者有更复杂的需求，假设他在出院时需要社会护理，但患者或者没有找到护理人员，带来许多困难和不便，或者更糟糕的是最终回到医院进行治疗。人们几乎可以立即看到数据流动性缺乏对患者结果、医疗保健专业决策、系统成本产生的严重影响。”

她表示，“电子健康记录从未被设计用于管理多机构终身医疗记录。目前，患者将健康数据分散到各个组织、药房、健身中心、医院、诊所，因为他们的健康之旅从一个机构的数据仓库演变为另一个。我们需要为医疗保健专业人士、技术公司、数据科学家、管理人员解决的问题是，我们如何使数据流永久化?我们如何使系统能够相互通信，在它们之间传输准确的可解释数据，而不会给已经减少的预算增加巨大成本?这是DLT可能具有潜力的地方。

对于当前系统，即使我们可以捕获数据，也可以将其保存在不同的电子健康记录中，而这两者之间没有通信层。没有数据流，就没有人能全面了解患者的情况。

因此，虽然我们的目的在于使用来自广泛和多样化来源的数据，包括药物基因组学、可穿戴设备、Alexa、Google Home，以推动更好的医疗保健决策和结果。我们仍然需要破解我们在合适的时间如何有效地允许合适的人员访问这一数据。

除非我们能够访问整体数据集，所有数据集中在一个地方，否则我们分析和绘制有意义见解的能力受到限制。如何在不提供完整图片的情况下准确地训练计算机(机器学习)?”

DLT处在石器时代

虽然像MedicalChain公司这样的组织正在部署分布式账本技术，以部分解决互操作性问题，提供对患者长期健康数据的不可变信任和分布式安全访问，但Patchava认为，正如目前所存在的那样，该技术仍在互联网阶段;当登录到互联网时，采用调制解调器连接到电话线路，通过电话以本地呼叫率拨号到互联网上，其速度很慢，并且令人沮丧。

最终，随着迭代和进化，她将DLT视为一种存在于各个领域基础设施中的东西，比如汽车。人们可能会说‘我有一辆新车’，也可能会说‘我有一辆宝马汽车’，但他们不会说‘我有一辆宝马汽车，然后再说出发动机类型、功率、操作机构等。’

仍有一些挑战需要克服。首先，我们需要对区块链中的DLT进行有意识的解耦，以便首先启动有关DLT的对话。在前瞻性的健康系统中，早期采用者充满了兴趣。但是，我们无法取代几十年来存在的医院的遗留基础设施，而此过程中可能会对医院的运营造成严重干扰。

因此，其挑战在于确定在遗留基础设施中使用DLT的位置和方式，以提高现有流程的效率。我们已经认识到DLT首先可以被视为‘即插即用’技术。一种被现有系统识别并能在不损害现有系统的完整性、功能性或可靠性的情况下替换现有系统的一部分的设备。

她引用了Dovetail实验室的例子。她说，“Dovetail实验室与外科手术许可部门一起开创了一个共享的决策平台，其中无纸化、个性化的同意书可用于基于分布式账本技术的选择性手术许可。这是为了创建一个完全同意的个人偏好、与不同治疗相关的风险和利益、做出的决定、采取的行动以及患者报告的经验和结果的数据库。随着时间的推移，这有可能不仅仅是获得同意，而是与现有病历进行互操作，并且有助于机器学习，以确保每个决定对该患者都是正确的。

通过确定小问题并解决这个问题，他们已经做了很好的证明，如果我们为DLT找到合适的用例，就不必替换医院基础设施，但可以与医院基础设施中的其他层面一起运行。通过较小的用例和增量改进，我们可以推动采用。只有通过这些部署，我们才能测试、理解、迭代和改进技术。”

原文来自：

本文地址：//gulass.cn/enhanced-intelligence.html编辑：xiangping wu，审核员：张文祥

Linux大全：

Linux系统大全：

红帽认证RHCE考试心得：