2021年,人工智能医疗市场有望达到66亿美元

AI医疗行业一直是资本关注热点。相关业内分析师认为，到2021年，人工智能医疗市场有望达到66亿美元，到2026年，每年可为美国医疗体系节省1500亿美元。但从真正使用者角度，却几乎没有医院应用机器学习的案例。作为政策密集行业，医疗保健系统的任何变化，包括员工保险范围、医院管理政策等都会直接影响到产业的发展。由此，探讨AI/ML（Machine Learning）在医院中的实际应用状况尤为重要。

本文将通过对全美最顶尖的五家医院（麻省总医院、梅奥医学中心、克利夫兰诊所、马萨诸塞州综合医院、约翰霍普金斯医院）的AI/ML等技术的使用情况分析，来重点回答三个问题：

1. 目前医院正在使用哪些类型的机器学习和应用程序？

2. 这些创新应用能否成为医疗保健行业未来趋势？

3. 医院在机器学习和新兴技术创新方面的资金投入情况如何？

应用共性

当前，排名前五位的医院人工智能应用主要围绕着三个方面：

1. 预测分析 通过分析关键指标数据来监控患者并处理患者紧急情况。

2.聊天机器人自动执行医师咨询，为转诊安排适当的专家。

3. 预测性健康跟踪 通过收集实时数据来监控患者健康状况。

梅奥医学中心

2017年1月，梅奥医学中心（Mayo Clinic）个性化医学中心与健康科技初创公司Tempus达成合作，将通过机器学习探究个性化癌症护理。

双方合作基于Tempus对包括“肺癌，黑素瘤，膀胱癌，乳腺癌和淋巴瘤”在内的多种癌症类型，进行的“针对参与免疫疗法研究的1，000例梅奥医学中心患者的分子测序和分析”。目前该合作处于研发阶段。梅奥医学中心希望通过该分析结果为梅奥癌症患者提供更多定制的治疗选择。

“Tempus正在尝试建立一个足够大的数据库，从而为癌症患者提供诊疗建议。” Tempus联合创始人兼首席执行官Eric Lefkofsky 说道。

除了与Tempus的合作，根据疾病预防控制中心（CDC）的数据，心脏病已成为美国主要致死疾玻2017年3月，梅奥医学中心与医疗设备制造商

欧姆龙医疗保健公司（Omron Healthcare）共同对心脏保健初创公司AliveCor进行了3000万美元的D

轮投资。AliveCor所设计的Kardio Pro是一个为临床医生设计的AI驱动平台，具有监控患者心房颤动的早期检测能力。

克利夫兰诊所

2016年9月，微软与克利夫兰诊所达成合作，研究人员使用Microsoft的AI数字助手Cortana来进行预测和分析，帮助医疗中心“确定ICU潜在的高危患者” 。

2014年，Cortana已集成到克利夫兰诊所的eHospital系统中。目前，Cortana从晚上7点到凌晨7点监控“六个ICU中的100张病床”。监测可能会心脏骤停的高风险患者。如果患者突然心脏骤停，则需要为其提供血管加压药物，这也是“无脉搏性突然心脏骤停管理方案”的一部分，但升压药也会升高血压。研究人员旨在判断患者是否需要升压药。

ICU收集的数据存储，诸如患者生命周期和实验室数据等的数据，将收纳在Microsoft的Azure SQL数据库中，从而建立预测分析数据模型。

马萨诸塞州综合医院

马萨诸塞州综合医院临床数据科学中心于2016年4月宣布与NVIDIA成为“基础技术合作伙伴”。该中心旨在充当医疗保健中AI应用程序的枢纽，用于“疾病的检测、诊断、治疗和管理”。

2016年GPU大会上，NVIDIA正式提出 NVIDIA DGX-1，被称为“深度学习超级计算机”。该机器将对马萨诸塞州综合医院由“ 100亿张医学图像”组成的数据库进行学习，以用于放射学和病理学。该中心的目标是以后扩展到电子健康记录（EHR）和基因组学。

NVIDIA DGX-1将减轻该领域面临的一些挑战：

“如果我们能够以一种高度结构化、透彻、细致的方法无缝地捕获相关数据，就可以减轻医生的负担。并以新的方式获取AI工作所需的数据。” RemedyHealth的联合创始人兼首席执行官Will Jack 说道。

约翰霍普金斯医院

2016年3月，约翰霍普金斯医院宣布启动医院指挥中心，该医院与GE 合作设计了Judy Reitz容量指挥中心，该中心每分钟可接收500条消息，并将来自“ 14个不同的医院IT系统”的数据集成到22台高分辨率、带触摸屏的计算机显示器中。

由此，指挥团队能够更好地识别和减轻患者风险并进行合理调度。“根据患者情况安排优先级，并触发干预措施以加快患者流动。”

指挥中心启动以来，约翰霍普金斯医院称，接纳来自周围地区和整个国家的“患有复杂疾病”的患者能力提高了60％，急诊部门的病床分配速度提高30％，中午前出院病人数量增加了21％。

加州大学洛杉矶分校医学中心

2017年3月，加州大学洛杉矶分校（UCLA）研究人员爱德华李（Edward Lee）博士在一次会议上，介绍了虚拟介入放射学家（VIR）设计。从本质上讲，VIR是一个聊天机器人，“可以自动与转诊临床医生进行交流，并迅速为常见问题提供基于证据的答案。”

目前，VIR处于测试模式，第一个VIR原型已经由UCLA卫生专业人员小组，包括“医院医师、放射肿瘤学家和介入放射学家”在内的小组成员使用。

VIR建立在2000多个示例数据点的基础上，这些数据点能够反映放射科医师会诊期间经常会出现的问题。响应不仅限于文本格式，还可以包括“网站，信息图表和自定义程序”。

研究团队使用IBM Watson AI系统将VIR与自然语言处理能力集成在一起。参照服务聊天机器人的传统，如果VIR无法对特定查询提供响应，则聊天机器人会提供相应放射科医生联系信息。 现在，研究人员意欲扩展该应用程序的功能，为与其他专家（例如心脏病专家和神经外科医生）进行交互的普通医师提供服务。

总结性思考

与电子商务相比，机器学习在医疗保健领域应用面临着强有力的约束和规范。目前看来，AI技术在这些顶级医院的应用还未产生明显的效果。卫生技术投资者史蒂夫古兰斯（Steve Gullans）博士在接受采访时，对AI技术落地情况作出分析。他认为，许多专家医师对AI工具的恐惧，是导致医院应用过慢的因素之一。当被问及医院和医疗机构如何绕开这些障碍时（假设该技术实际上将改善患者的生活），他认为，在可量化的结果得到验证之前，我们应该保持对技术应用的怀疑。

与几乎所有其他注入AI的行业一样，医疗保健中的机器学习正在产生大量的“技术信号”（为吸引注意力和压力而大肆宣传“AI”，而实际上并不是在改善组织成果）。对于像NVIDIA或Microsoft这样的AI供应商来说，向一家顶级医院授予“新的，超一流”的AI技术并授予该医院“创始技术合作伙伴”的头衔是互利互惠的。几乎可以肯定，这类事件会引起媒体的关注，并且（可能）对双方都有利无论AI应用程序是否为医院（效率）或患者（更好的健康结果）带来了成果。
责任编辑：YYX