概述
医疗卫生人工智能（AI）是一个笼统的术语，指的是将通过机器学习（ML）训练的算法运用于医疗卫生市场的三大分类：医疗卫生应用（生命科学）、医疗卫生供应（提供方）和医疗卫生消费（支付方）。
近年来，由于这种基于算法的机器学习得到了突飞猛进的发展，医疗卫生人工智能的用例如今已远远超出了过去的响应式 AI 的范畴。这些进步在推动医疗卫生转型和现代化方面发挥重要作用。
要能分析医疗数据并据此做出行动，这些数据必须易于访问并且是可执行的。只有这样，我们才能获得范围更广、效率更高且效果更好的医疗服务应用。
AI 可以大致分为四种类型：
- 响应式 AI：这种人工智能不会利用机器学习来改进自身，每次遇到相同情境都会做出完全一样的反应。
- 有限记忆 AI：这种人工智能会使用机器学习，并基于以往表现来构造算法。AI 目前取得的许多进步都属于这个类别，也正因为此，现在大家常常会把人工智能称为 AI/ML。此外，机器学习有一个称为深度学习的子类，涉及通过多层分析从原始数据中汲取更多意义。
- 心智理论 AI：这种 AI 可以理解和记忆情感，并可基于这种模型来与人类互动。心智理论 AI 目前大体处于起步或理论阶段。
- 自我认知 AI 或“真正意义上的”AI：自我认知 AI 清楚其自身的情感，并拥有类似于人类的意识水平。自我认知 AI 目前还处于理论阶段。
谈到医疗卫生 AI 时，我们主要是指有限记忆 AI 算法和应用的快速发展。
AI 对医疗卫生领域有何好处？
AI 的进步可以帮助医生和其他医疗从业者提供更加准确的诊断和治疗计划，从根本上改变患者的治疗效果。这些发展也有助于管理者严谨且准确地分配医疗资源。
这可在许多方面造福于医疗市场的三大支柱（即生命科学、提供方和支付方）。高效地获取、分发和利用最新的信息，有助于临床医生更好地治疗患者，快速从多种来源采集数据，更好地控制现有的疾病，并帮助预测或识别新发疾病或病症。
更好的分布数据流程，则有助于管理者更加高效地划分优先级、验证理赔并简化整个报销流程，提高传达给患者、客户和提供方的信息准确性和速度。总体而言，将数据整理纳入到医疗卫生算法可以帮助预测未来风险，并让医疗机构管理者更有余力来管理和改进向社会提供的医疗服务。
医疗卫生 AI 可从以下几个方面为患者、医疗保健提供方和支付方带来助益：
更快的诊断
通过 AI 算法和实时预测分析处理的数据见解可用于加快诊断速度，这意味着患者可用更快得到治疗，从而改善治疗成果，并减少用于解决问题的总体资源。举例而言，美国最大医疗服务提供商之一 HCA Healthcare 利用红帽解决方案打造了一个实时预测分析产品系统，以更加准确、快速地检测出可能危及生命的脓毒症。
报销管理
医疗报销和支付的繁杂手续可能会耗费数千个工作时。手动处理每一个报销案件也会提高流程中出错的风险，这既对患者不利，也会给努力结算的提供方造成负面影响。AI 有助于自动进行报销提交，并根据报销管理数据分析提供有意义的建议。这可以加快报销处理，同时改进员工和客户的体验。
甄别欺诈、浪费和滥用
机器人流程自动化（RPA）能够快速仔细审核各种单据，其速度和准确性远远领先人工干预。这类算法可以标出欺诈活动或浪费，随着时间推移和算法改进，它们的工作也会更加高效。
拓展获取医疗服务的渠道
AI 辅助诊断可以扩大接受服务的患者群体。例如，AI 辅助放射和医学成像可以实现由更多专业人士来解读超声成像结果，减少由专家人数不足造成的瓶颈，并造福更多可利用这项技术的患者。
药品开发
新药研发时，还需要确定合适的剂量和给药特性。计算型 AI 工具可以增强甚至取代试错法，并可利用速度更快、效率更高的模型来监控整个过程。这样，不仅可以更快开发出新药，也能为医药组织和最终客户省钱。
实施 AI/ML 的挑战
尽管医疗卫生 AI 能够带来许多好处，但它的实施也能引发若干复杂的挑战。AI 给医疗卫生行业带来的挑战包括：
数据管理和操作化收集
医疗卫生数据收集、分析和应用过程中存在许多挑战。
AI 要能准确为相关算法提供信息流，需要实时处理大量数据。因此，数据收集面临着多个方面的挑战。
需要将用于收集数据的硬件、软件和规程插入到医疗卫生工作流中。而医疗卫生工作流往往围绕特定的结构、层级和人力投入的量来构建。健康数据往往分散于不同的网络，没有集中到单一的数据库，在某些案例中甚至还没有从纸质表格转化为数字化形式。
参与这一过程的所有不同利益相关者，包括数据科学家、IT、运维、医疗卫生从业者、提供方、独立软件供应商（ISV）和服务商等，他们之间需要保持一致，才能减少流程中的摩擦，并确保相关组织能够充分利用 AI 和 ML 实施。在面对这一挑战时，利益相关者可能需要使用不受供应商限制的敏捷型软件来更好地找出问题，并利用干净、可扩展并与多家 ISV 兼容的数据。
这些数据需要整理并转换为可互操作并可使用的格式，从而处理从不同来源收集的信息。从网络中的数据收集点传输数据需要大量带宽，有时还要穿过边缘设备。医疗卫生系统中收集的数据会呈爆炸式增长，特别是医学成像、医疗物联网（IOMT） 和边缘等方面，因此存储量正在以惊人的速度增长。
云计算提供了应对这些挑战所需的高性能和容量，但在许多情形中可能不切实际，特别是在没有可靠 IT 和医疗卫生基础设施的偏远环境和区域中。要解决这一关键挑战，需要利用高成本效益的解决方案，来提升网络边缘的运维并在治疗点进行数据分析。
红帽如何为医疗卫生行业提供助力
与专有产品不同，红帽旗下享受技术支持的企业开源软件由数千名开发人员共同创建，其中也包括医疗行业人士，他们会根据亲身使用体验来进一步优化软件，使其更加符合行业需求。借助红帽的开放和模块化的 AI/ML 方法，客户可以快速实施 AI/ML 项目，实现更好的个性化、利益相关者控制力和透明度。红帽采用灵活且开放的方法，能帮助您的机构：
- 在必要时更新换代，同时保护当前的 IT 投资。红帽广泛的合作伙伴生态和丰富的产品集成有助于加快并简化 AI/ML 项目的部署和生命周期管理。
- 利用卓越的混合云解决方案，获享一整套业内领先的开源技术，使用最受欢迎的 AI 功能，包括业务规则、流程自动化、约束求解、业务优化和机器学习等。
- 借助红帽的智能数据即服务产品，充分利用强大的数据连接功能，通过自定义来满足内部和外部要求不断变化的需求。
- 依托由灵活组件构建的平台，来扩展技术能力，为快速创新提供可重复性和安全性。
- 落地规范又灵活的持续集成/持续交付（CI/CD）架构，以便从机器学习建模和训练平稳过渡到部署和持续改进（也称为 MLOps，机器学习运维）。
这里是红帽 AI 医疗卫生解决方案参与效力的几个真实案例：
HCA Healthcare 是一家位于美国田纳西州那什维尔的医疗机构，他们希望使用数据资源为存在已久的行业挑战寻找创新的解决方案。HCA Healthcare 组建了一个由临床医生、数据科学家和技术人员构成的跨职能团队，利用红帽® OpenShift® 容器平台和红帽® Ansible® 自动化平台打造了一个名为 SPOT（脓毒症预测和疗法优化）的实时预测分析产品 。
波士顿儿童医院利用红帽 OpenShift 和 Linux® 容器来增强其医疗水平，并帮助医生更快地掌握患者的健康数据。
如果您想进一步了解红帽如何帮助您的机构利用开放平台方法来实施 AI/ML 策略，或要深入了解我们的其他创新医疗卫生解决方案，请访问 redhat.com/zh/solutions/healthcare。
