在英格兰东南部，一批服务于50万人的医院正在为出院的患者配备一个具有Wi-Fi功能的臂带，可以远程监测一些生命体征，如呼吸频率、含氧水平、脉搏、血压和体温。

作为国家卫生服务试点计划的一部分，该项目现在采用人工智能实时分析所有患者的数据，医院再入院率下降了，急诊室就诊次数也减少了。更重要的是，开销高昂的家庭出诊需求下降了22％。从长远来看，坚持治疗计划的人数增加到96％，而行业平均水平则为50％。

人工智能试点的目标是哈佛商学院教授和Innosight联合创始人克里斯·克里斯滕森称之为“消费无力（Nonconsumption）”的概念。它指的是那些消费者有所求，但是目前尚无实惠且方便的解决方案的机会领域。

例如，英国在涉及达特福德和格拉夫舍姆医院的试点之前，完成患者家庭监测需要派遣医院工作人员每周前往患者家中作检查，路上往返时间长达90分钟。但是，随着算法持续不断地搜索数据中的警告信号，并立即向患者和专业人员发出警报，从而诞生了一种新的功能：向患者适时提供医疗保健服务，甚至在患者自己意识到有这种需求之前。

人工智能的最大优点在于，可以用接近零的边际成本进行准确的预测，理所当然地激起了人们将AI技术应用到医疗健康的几乎所有领域巨大的兴趣。但并非人工智能在医疗保健中的所有应用都能获得同等的收益。此外，很少应用能够在战略上恰当地回应困扰几乎所有健康医疗系统的最大问题：患者分散和利润压力。

以医学成像AI工具为例，医院在未来四年内预计每年将在此项目上花费20亿美元。准确诊断从癌症到白内障的一系列疾病是一项复杂的任务，难以量化但通常会产生重大后果。然而，该任务目前通常是大型工作流程的一部分，且由受过广泛训练、高度专业化的医生执行，而这些医生是世界上最聪明的那部分人。这些医生可能需要一些额外的帮助，但是现在这个问题已经解决了。这些因素使得疾病诊断成为AI很难产生创造性变革的一个领域。因此，人工智能在这种环境中的应用，即使对患者的治疗结果有益，也不可能从根本上改善医疗保健的实施方式，也不可能在短期内大幅降低成本。

然而，一些正在寻求医护分散化实施的领先的医疗组织，通过部署AI技术可以做到一些以前从没做到的事情。例如，消费者每天都会做出各种各样的非紧急的关于健康的决定。这些决定并不值得资深临床医生去关注，但最终在确定患者健康方面发挥着重要作用，并最终影响医疗保健的成本。

根据世界卫生组织的数据，和个人健康和生活质量息息相关的因素中有60％与选择的生活方式有关，包括遵循正确服用血压药物的处方、锻炼和减压等。在AI驱动模型的帮助下，现在可以根据患者生命体征的变化，在患者整个日常过程中为其提供干预和提醒。

在家庭进行健康监测本身并不新鲜。包括Partners Healthcare、United Healthcare和Johns Hopkins医学院在内的一些领先机构正在开展一些活跃的项目和试点研究，并取得了积极成果。但这些尝试尚未利用人工智能来实时地做出更好的判断和建议。由于涉及了大量数据，机器学习算法特别适合于针对大量人群来扩展该任务的执行。毕竟，是通过大量的数据来让算法更加智能，从而支撑AI技术。

例如，通过部署人工智能，NHS计划不仅能够在英国推广，而且还能够延伸到国际市场。Current Health是该计划中使用的患者监测设备的制造商，由风险资本支持，该公司最近获得了美国食品和药物管理局的批准，允许其在美国试行该系统，目前正在纽约的西奈山医院进行测试。这是为减少患者再入院率所作的努力的一部分，而再入院率的问题每年使美国医院损失约400亿美元。

这些努力作为较早的成功案例，让我们搞清楚了在使用人工智能解决以患者为中心的医疗保健这个新领域中的“消费无力”问题时的三个经验：

1.专注于对关键指标产生影响- 例如，降低耗费昂贵的医院再入院率。

从小的措施开始，锁定目标，对那些与患者治疗结果和财务可持续性相关的关键指标产生积极的影响。与在英国的试点一样，可以通过优选的医院或医疗供应商地区来完成。另一个案例中，亚特兰大最大的公立医院格雷迪医院，由于采用了识别“有风险”患者的人工智能工具，据预计，两年内再入院率降低了31％，节省了400万美元。该系统可以提醒临床团队在特殊情况下与患者接触及实施干预措施。

2.依靠新型合作伙伴降低风险。

不要试图独自完成所有的事情。相反，要与那些想要解决类似问题的合作伙伴结成联盟。考虑Synaptic Healthcare Alliance联盟，这是Aetna、Ascension、Humana、Optum和其他公司之间的协作试点计划。该联盟正在使用区块链在各个医疗服务提供者之间创建一个巨大的数据集，并对数据进行AI试验。其目的是简化医疗服务提供者的数据管理，目标是降低处理索赔的成本，同时改善医疗服务的可达性。单独行动的话，由于数据不兼容问题这一项，就可能会有风险。例如，安德森癌症中心因为失败的AI项目不得不损失掉数百万美元，部分原因是与其电子健康记录系统不兼容。通过合作的方式，Synaptic的数据集将采用标准格式，使记录和结果可传递。

3.使用AI与训练有素的专业人员进行协作，而不是竞争。

麻省理工学院和MGH已经开发出一种深度学习模型，可以识别患者未来是否有可能患上乳腺癌。此AI系统学习了60,000名既往患者的数据，允许医生用个性化方式来筛查乳腺癌筛，本质上为每位患者创建详细的风险概况。临床医生通常希望增加他们的知识和诊断能力，而AI可以为此提供帮助。确实，许多医疗AI应用程序与医生产生了竞争。例如，在放射学中，一些算法在基于图像诊断方面已经和人类专家不相上下，甚至表现更好。然而，尚不清楚患者和医疗机构是否会信任AI，并依赖它完全以自动化方式完成这项工作。加州大学圣地亚哥分校的一项试验中，AI作出的儿童疾病诊断比初级儿科医生更准确，但其检查结果仍需要高级医生重新审核并签字确认。所以，真正的目标始终应该是让AI与临床医生合作，以求更高精度的诊断结果，而不是试图取代医生。

总而言之，这三条经验与针对“消费无力”问题的解决方案相结合，有望为如何有效操控AI技术提供一条清晰的道路，特别是目前AI已经被过度热炒。从长远来看，我们认为人工智能的变革性收益之一是它将加深医疗服务提供者与患者之间的关系。例如，英国的试点中，病人获得了更频繁的主动检查，这在以前从未发生过。在新兴的以消费者为中心的医疗保健市场中，这对改善治疗结果和提升客户忠诚度都有好处。

来源：硅谷密探