
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
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29