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
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12