簡介
盡管有數百個項目和數千位資料科學家緻力于将AI / ML引入醫療保健領域，但采用率仍然很低且緩慢。
1. 藥物研發
醫療領域的所有AI / ML機會中，這一機會實際上是最遙遠的。 主要原因是由大型制藥公司支付資金并由資本市場提供資金，而不是由付款人/醫院/臨床醫生/患者财務鍊提供資金。但是，由于創新研究的風險以及新藥的極高成本和漫長的準許時間，這些創新的回報可能在将來也最遙遠。
盡管媒體經常報道遺傳學和基因組學的進展，作為AI / ML輔助醫學突破的先驅，但更接近個性化醫學和精準醫學領域。包括使用患者自己的修飾細胞抵抗疾病（個性化），以及建立針對患者獨特生理和狀況設計的藥物組合（精确度）。
2. 醫療保健業務
臨床醫生的操作世界可能是唯一的，但在商業級别上，醫院和醫療機構與商業世界有着一些明顯的相似之處。
首先，其中有許多重複性任務可以使用從商業領域改編而來的工具自動完成，通常通過機器人過程自動化（RPA）和NLP。
一些示例包括：
确定患者保險資格（NLP加上搜尋RPA）。
建立準确的付款人帳單（基于複雜的醫療代碼和電子健康記錄（EHR），NLP plus搜尋旨在提高準确性，并減少過高或過低的帳單）。
基于經典時間序列預測的需求預測。這種使用良好的商業應用程式很容易适應常見問題，包括：
人員編制和安排
最大化手術室使用率
減少打點滴中心的等待時間并提高患者吞吐量
簡化急診室到病人的接送
減少出院延誤
從這裡我們可以直接進入患者所體驗的醫療保健領域。這些旨在按時間順序或多或少地排列。
3. 患者入院和轉診
在美國以及故意限制擷取醫療保健服務且延誤時間長的單付費國家，确定患者是否以及何時需要看醫生是一個主要問題。電話會議醫師以及經驗豐富的虛拟醫師助手（聊天機器人）都可以輕松地接受患者描述病情的初步咨詢。
聊天機器人技術現在已經非常先進，且公衆已經表明願意在各種環境中使用這些虛拟助手。額外的好處是可以通過患者最舒适的管道進行溝通（移動，網絡，文本，電話）。由于商業應用，許多使用者習慣了這種方式來安排約會和跟進，計費或處理特殊請求。而且，構成EHR記錄核心的患者和醫生之間的初始入院采訪非常耗時，由于NLP和chatbot技術的存在，在許多情況下可以實作自動化。
假設虛拟助手背後的人為定義或AI定義的知識和決策樹是準确的（如果這是很大的話），那麼這對于降低醫院管理成本，優先安排現場醫生咨詢甚至使患者脫離緊急護理花費更便宜，更容易獲得的緊急護理。
4. 臨床應用
如果希望AI / ML成功改善醫療保健，則需要深入醫生和患者之間。 這無疑是醫療保健過程中最困難的部分。 該領域還代表了至少80％的醫療保健改善潛力，并且該領域迄今為止滲透率和采用率最低。
4.1醫學圖像的自動/半自動解釋。
目前，最大的炒作以及據報道約75％的預期AI / ML醫療保健應用程式都專注于使用深度學習CNN技術自動解釋醫學圖像。
例如，大約有55,000人參加了2018年北美放射學會（RSNA）會議，這是同類活動中規模最大的會議，而12月參加該會議的450人參加了會議。
這些圖像包括放射圖像，CT掃描，甚至是組織的濕實驗室活檢玻片，目前所有這些都由訓練有素的臨床醫生通過眼睛進行評估，這些醫生供不應求，并且很少在深夜醒來，請咨詢緊急圖檔。
與人類臨床醫生相比，印刷機上充斥着大量文章，稱贊每個系統在超過精度方面都取得了成功，并大大縮短了周轉時間。
盡管有這些主張，但由于我們将在第三部分中讨論的原因，醫院和臨床醫生的采用速度仍然很慢。從臨床醫生的角度來看，這根本不像看起來那樣好。
4.2能夠更準确地識别疾病亞型-精準醫學
治療僅與診斷一樣好，而且許多診斷仍依賴于17世紀基于症狀和器官的描述。
應用于CNN解釋醫學圖像的基于經典聚類的ML技術在諸如流行病學等許多醫學子領域中迅速增強了診斷能力。
4.3 AI / ML驅動的分類和預防
使用經典的ML模組化技術，有時會借助新的AI技術來在現有患者資料中查找區分好結果和壞結果的信号。
可以在三個主要類别中考慮這些模型：
4.3.1用于識别和開發可産生更好結果的協定模型
醫療保健是一種保守的職業，它遵循已知和公認的方法來幫助患者。 但是，有一些創新的執行個體最終證明是更好的，應該予以采用。 尋找這些改進以及他們可能将其應用于哪些患者亞組是模組化的經典應用，可以在患者資料中查找信号。
4.3.2側重于分類和預防不良結果的模型。
某些百分比的醫療程式，尤其是手術未按預期終止。 正在開發模型以識别哪些患者最有可能在手術後遭受并發症甚至死亡。 其他人則專注于确定危機事件的可能性，例如心髒驟停，這種情況可能會持續數月甚至數年，并可能影響患者采取預防措施。
4.3.3側重于可預防危害的異常和類型的模型
用藥錯誤是造成可預防的重大患者傷害和醫療費用增加的原因。 絆倒和跌倒式事故也是造成額外傷害的重要原因，在恢複期間，這種傷害最常見于醫院的患者，隻是起床并發現自己頭昏眼花或太虛弱而無法站立。
這兩個都是錯誤類型的示例，可以通過對最有可能受到影響的患者亞組進行模組化來預測并随後控制錯誤類型。使用CNN和RNN深度學習技術的室内視訊和音頻監控也正在用于向醫務人員建立警報。
5. 利潤動機與共享儲蓄
在這些結果模型中同樣有趣的是，它們既可用于使患者受益，又可在經濟上使醫院受益。
顯然，避免與不良後果或事故相關的額外成本是降低成本的直接動力。不太明顯的是，從服務費到結果費的報帳變化是更大的推動力。
為了大大簡化示例，如果約翰患者被診斷出患有某種嚴重的心髒病，那麼付款人将為約翰和所有患有這種情況的患者報帳固定金額的費用。
如果醫院能夠識别出John一組類似患者的子集，這些子集可以通過較便宜的手術獲得更好的結果，那麼他們實質上就是将節省的費用與付款人進行了配置設定。
而且，并非總是想出如何為相同的結果提供更少或更有效的服務。也可能是某些患者，例如John，如果他們進行更及時的随訪，将會獲得更好的結果。這甚至可能涉及醫院為約翰的優步之旅支付費用。
對此的另一直接擴充是遠端患者監視，通常是通過可穿戴裝置收集IoT信号甚至使用CNN處理的視訊來識别對患者或其臨床醫生的警報。
共享儲蓄财務模型驅動着醫生參與對患者健康狀況的上遊和下遊監控，并且可能具有将整個系統從疾病治療轉移到實際醫療保健的最大潛力。
6. 建立準确的資料–電子健康記錄（EHR）
最後一步是通過EHR建立準确資料的重要性。不用說，如果沒有足夠的資料量，AI / ML在醫療保健中的先前應用将根本不可能。事實證明，在過去十年中引入EHR既是福也是禍。臨床醫生普遍認為，電子病曆和對大量檔案的要求是其工作生涯中最糟糕的事情之一。現在，人們普遍同意，由于EHR，醫生在面對患者的每一小時中要承受兩個小時的管理工作量。更不用說在檢查室中患者和醫生之間鍵盤的侵入。
資料科學界已經開發出了基于NLP指令的解決方案，甚至是精心設計的視訊/音頻記錄頭戴式耳機，旨在由外科醫生在操作過程中進行記錄。滲透率仍然很低，這是醫生的痛苦點-患者之間的互相作用仍然很高。另外，從電子病曆中提取一緻且幹淨的資料也可以進行分析和模組化的問題。這些資料在組織之間甚至在不同位置的相似專業或機器之間的互操作性仍然是擷取足夠資料的障礙。