京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者 | Ben Dickson
编译 | CDA数据分析师
自从第一个人类文明形成以来,医生一直是人类社区中永远存在的成员,可以治愈疾病和照顾病人。随着科学技术的进步,他们的方法已经从祈祷神灵到混合草药混合使用科学方法和先进的医疗设备来诊断,治疗和预防疾病。
如今,医生可以轻松地使患者免于疾病的危害,在过去的几个世纪中,这种疾病已经杀死了数百万人。但是仍然有更多改进的空间。
下一轮医疗保健和医学革命可能与深度学习的进步有关,深度学习是人工智能的分支,在过去十年中非常流行。深度学习已经在医学上取得了令人瞩目的成就,关于人工智能如何改变医疗保健的研究令人兴奋, 并且有很多文章探讨了深度学习算法如何帮助诊断和治疗复杂疾病。
但是,很少讨论的是学习如何可能改变我们与医生互动的方式。
医师,科学家和研究员Eric Topol博士在他的最新著作《 深度医学:人工智能如何使医疗保健再次成为人类》中阐明了AI如何解决医学和医疗保健领域的一些最大挑战。这包括医患关系面临的挑战。
在接受TechTalks采访时,Topol博士讨论了深度学习在改善医患之间的人际互动方面的一些前景,以及未来面临的一些关键挑战。
我们经常从诸如阅读生命体征,在医学扫描中寻找复杂模式,对患者进行手术以及撰写药物处方等活动来思考医学。但是在医学上,医患之间的人际互动与发生的所有科学努力一样重要。
通常,医生温暖而舒适的语气对患者的影响与治疗本身一样多。
不幸的是,在当今的卫生保健系统中,医患关系已大大恶化。医生与患者沟通的时间越来越少,而在做其他事情上的时间越来越多。
Topol博士在他的书的早期就对此进行了扩展。“当今医疗保健中的问题是缺少医疗服务。也就是说,作为医生,我们通常无法真正足够地照顾患者。而且患者不觉得自己得到了照顾,”他写道。
Topol博士在电话中对TechTalks表示:“今天,我们看到了医患关系的侵蚀,医生成为在职业倦怠中这是有史以来最高记录的职业“。
Eric Topol博士
具有讽刺意味的是,部分问题来自技术进步。与一个世纪前相比,医学发生了很大变化,已经成为数字化和基于数据的领域。收集和分析数据的方法有很多,而医生和患者之间过去发生的许多交互现在已被数据收集和检查任务所取代。
但是这些任务仍然需要大量的人力来收集和分析数据,而这一切又都落在了医生的肩上。医生必须花费大量时间在数据库中输入数据,盯着监视器,而减少与患者互动的时间。发表在《内科医学年鉴》上的一项研究发现,平均而言,医生仅将其时间的49%花费在填写电子健康记录(EHR)和做案头工作上,而他们的总时间中只有27%用于直接面对临床与患者共度时光。
Topol博士说:“我们之所以如此精疲力尽,是因为医生是数据管理员,而且失去了士气。” Topol博士警告说,医生精神的减弱也会导致医疗失误。
加利福尼亚大学旧金山分校(UCSF)的另一项研究发现,在EHR中输入的数据中有82%是复制粘贴或导入的,而只有18%的信息是手动输入的。这可能会导致临床错误并导致有害的治疗决策。
幸运的是,这是AI展现出巨大希望的领域。深度学习算法的核心技术- 人工神经网络非常擅长在混乱,非结构化的数据(例如图像,音频和文本)中找到相关的模式和相关性。因此,它在计算机视觉,语音识别和自然语言处理等领域取得了长足的进步。
在医学领域,人工智能算法可以使以前需要大量人力的某些任务实现自动化。例如,人工智能算法可以减轻医生在拜访患者时做笔记的痛苦。在该领域已经进行了有趣的工作,包括Microsoft和Google的项目。机器学习算法可以从医生与患者之间的相遇中提取有意义的信息,并将其记录在患者的健康记录中。
来自自然语言处理和机器学习的AI衍生笔记非常出色。Topol博士说:“这已经在英国,中国和美国进行了试点研究。”
AI还有许多其他领域可以提高医生执行任务的速度和准确性,例如分析医学扫描和查找病历中的相关信息。总的来说,这些技术可以释放医生在病人身上花费的大部分时间。
Topol博士说:“由于时间的原因,人工智能可能是改善和恢复医患关系的最好方法,” “这是人工智能可以带给我们的许多不同事物的产物。它包括消除键盘,能够处理患者的所有数据以使医生和临床医生的生活更轻松,能够进行许多模式识别,例如扫描和幻灯片以及其他日常使用的东西。每天都可以进行,并且更准确地做到这一点。”
在《深度医学》的第3章中 ,Topol博士深入研究了深度学习算法可帮助自动执行诊断任务的许多领域,包括脑,心脏和眼部疾病。
但是Topol博士还警告说,人工智能所提供的提高的速度和效率可能会将事情引向错误的方向。“所有这些生产力,效率,工作流程改进,准确性和速度都可用于医患,因为这可能导致管理员和经理要求在任何单位时间内看更多的患者,或者读取更多的扫描图像和更多的幻灯片,并且不断。”他说。
我们如何防止这种情况发生?该行业将必须优先利用AI的进步来恢复医患关系。“默认情况下不会发生。这将需要大量的行动主义。要付出巨大的努力才能停止医学的大生意,并开始与人类建立联系,这将需要大量的努力,” Topol博士说。
鉴于对AI的普遍看法是,这里是替代人类并使他们的技能自动化的方法,这听起来可能是个奇怪的建议。一些科学家甚至建议医生完全被AI算法取代。但是Topol博士认为我们应该关注人为因素。
“这具有讽刺意味,但这是我们拥有增强人类技术的机会,人工智能在图像识别,语音识别以及技术上可以做的所有事情的所有强大方面的产物。对医生和患者而言,生活更轻松,更准确。”
医学的过程,工具,实践和设施与人类社会和科学一起发展。人工智能将为该领域带来更多改进。但是,在整个历史中一直保持不变的一件事是人类医生。这不太可能很快改变。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23