已经说得够多了，但事实证明，人工智能正在改变医疗保健行业的游戏规则。 从只是医疗保健链的被动参与者，患者现在通过由人工智能驱动的严密的患者监测系统、可穿戴设备、对其病情的可视化洞察等来掌控自己的健康。 从医生和医疗保健提供者的角度来看，人工智能正在为机械臂、复杂的分析和诊断模块、辅助手术机器人、用于检测遗传疾病和问题的预测机翼等铺平道路。
然而，随着人工智能继续影响医疗保健方面，与生成和维护数据相关的挑战同样上升。 如您所知，AI 模块或系统只有在长时间使用相关和上下文数据集进行精确训练时才能表现良好。
在博客中，我们将探讨当 AI 在医疗保健中的用例越来越复杂时，专家和医疗保健专家面临的独特挑战。
1. 维护隐私的挑战
医疗保健是一个隐私至关重要的行业。 从进入的细节 电子健康记录 从临床试验期间收集的患者和数据到用于远程患者监测的可穿戴设备传输的数据，医疗保健空间的每一英寸都需要最大的隐私。
如果涉及如此多的隐私，那么如何训练部署在医疗保健领域的新 AI 应用程序？ 嗯，在一些情况下，患者通常不知道他们的数据被用于研究和研究目的。 HIPAA 提到的法规还暗示组织和医疗保健提供者可以将患者数据用于医疗保健职能，并与相关企业共享数据和见解。
有很多现实世界的例子可以说明这一点。 对于基本理解，请了解 Google 与 Mayo Clinic 坚定地保持着 10 年的研究理解，并共享对数据的有限访问权限 匿名或去标识化.
虽然这很明显，但几家致力于在市场上推出预测分析解决方案的基于 AI 的初创公司通常对他们的高质量 AI 训练数据来源保持沉默。 这显然是出于竞争原因。
作为一个如此敏感的话题，隐私是退伍军人、专家和研究人员越来越热衷于持续不断的白帽子的事情。 有用于数据去识别的 HIPAA 协议和用于重新识别的条款. 展望未来，我们将不得不研究如何无缝建立隐私，同时开发先进的人工智能解决方案。
2. 消除偏见和错误的挑战
医疗保健领域的错误和偏见可能对患者和医疗保健组织致命。 由错位或错位的细胞、嗜睡甚至粗心引起的错误可能会改变患者的药物治疗或诊断过程。 宾夕法尼亚州患者安全局发布的一份报告显示，在 EHR 模块中发现了大约 775 个问题。 其中，人为错误约占 54.7%，机器错误约占 45.3%。
除了错误之外，偏见是另一个可能给医疗保健公司带来不良后果的严重原因。 与错误不同，由于对某些信念和实践的固有倾向，偏见更难以发现或识别。
一份报告显示了偏见可能是多么糟糕的一个经典例子，该报告分享说，用于检测人类皮肤癌的算法在较深的肤色上往往不太准确，因为它们主要受过训练以检测白皙肤色的症状。 检测和消除偏见至关重要，也是在医疗保健中可靠使用人工智能的唯一途径。
3. 建立操作标准的挑战
数据互操作性是医疗保健领域要记住的一个重要词。 如您所知，医疗保健是一个由多种元素组成的生态系统。 你有诊所、诊断中心、康复中心、药房、研发部门等等。 通常，这些元素中不止一个需要数据来实现其预期目的。 在这种情况下，收集的数据必须统一和标准化，无论谁查看它，它的外观和读取方式都相同。
在没有标准化的情况下，每个元素都维护自己的同一记录版本，这将会很混乱。 因此，从新的角度看数据集的人会自动迷失，需要有关当局的帮助才能理解数据集的内容。
为了避免这种情况，必须使跨实体的标准化更加有效。 含义、特定格式、条件和协议必须明确规定以强制遵守。 只有这样，这些数据才能无缝地互操作。
4. 维护安全的挑战
安全是医疗保健中的另一个关键问题。 当与数据隐私相关的方面不那么认真时，这将被证明是最昂贵的。 医疗保健数据是黑客和剥削者洞察力的宝库，最近出现了大量的网络安全漏洞实例。 勒索软件和其他恶意攻击已在全球范围内进行。
即使在 Covid-19 大流行期间，也接近 37% 的受访者接受调查 分享说他们经历了勒索软件攻击。 网络安全在任何给定时间点都是关键。
总结
医疗保健中的数据挑战不仅限于这些。 随着我们理解人工智能在医疗保健中的高级集成和工作，挑战只会变得更加复杂、重叠和交织。
