研究报告称医生没有为医学的人工智能转型做好准备

据scitechdaily报道，人工智能（AI）工具的整合，如临床决策支持(CDS)算法，正在协助医生在关键的患者诊断和治疗决策中做出决策。然而，这些技术的成功在很大程度上取决于医生对这些工具的理解，而目前这方面的技能还比较欠缺。

AI正成为医疗决策中不可或缺的一部分，但医生需要加强对这些工具的理解以实现最佳使用。专家建议提供有针对性的培训和实践学习方法。

随着像ChatGPT这样的人工智能系统进入日常使用，医生将开始看到这些工具融入他们的临床实践中，帮助他们在常见医疗情况的诊断和治疗中做出重要决策。这些工具被称为临床决策支持（CDS）算法，用于指导医疗保健提供者做出关键决策，例如选择哪种抗生素进行处方，或者是否建议进行风险较高的心脏手术。

然而，一篇8月5日发表在《新英格兰医学杂志》上的新观点文章指出，这些新技术的成功很大程度上取决于医生如何解读和对待工具的风险预测，而这需要一套独特的技能，目前许多医生都缺乏这方面的技能。该文章的撰写者来自马里兰大学医学院（UMSOM）的教师团队。

CDS算法功能丰富，可以在临床不确定性条件下预测各种结果。从回归推导的风险计算器到复杂的机器学习和人工智能系统，这些算法可以预测诸如哪些患者患有无法控制的感染导致生命威胁性脓毒症的最高风险，或者在患有心脏疾病的患者中，哪种治疗方法最有可能预防猝死等场景。

UMSOM的流行病学与公共卫生学教授、观点文章合著者之一Daniel Morgan博士表示:“这些新技术有潜力对患者护理产生重大影响，但医生需要先学习机器如何思考和工作，然后才能将算法纳入他们的医疗实践中。”

尽管一些临床决策支持工具已经融入了电子病历系统，但医疗保健提供者常常觉得当前的软件使用起来很麻烦且难以操作。马里兰大学医学院（UMSOM）流行病学与公共卫生学助理教授、观点文章合著者之一Katherine Goodman博士表示:“医生不需要成为数学或计算机专家，但他们确实需要在概率和风险调整方面有一个基本的理解，但是大多数医生并没有接受过这方面的培训。”

为了解决这个问题，医学教育和临床培训需要明确涵盖针对临床决策支持算法的概率推理。Morgan博士、Goodman博士以及他们在波士顿贝斯以色列底比斯医疗中心的合著者Adam Rodman博士提出了以下建议:

提高概率技能:在医学院早期，学生应该学习概率和不确定性的基本方面，并使用可视化技术使概率思维更加直观。这种培训应包括解释敏感性和特异性等性能指标，以更好地理解测试和算法的性能。

将算法输出纳入决策过程:医生应该被教导在临床决策中批判性地评估和使用临床决策支持算法的预测。这种培训涉及了解算法操作的背景、认识到其局限性，并考虑算法可能忽略的相关患者因素。

在应用学习中实践解读临床决策支持算法的预测:医学生和医生可以通过将算法应用于个体患者，并研究不同输入对预测结果的影响，进行实践学习。他们还应该学会与患者就临床决策支持算法指导下的决策进行沟通。

马里兰大学巴尔的摩分校（UMB）、马里兰大学帕克分校(UMCP)和马里兰大学医疗系统(UMMS)最近推出了一个新的健康计算研究所(IHC)的计划。马里兰大学健康计算研究所将利用人工智能、网络医学和其他计算方法的最新进展，创建一个卓越的学习型医疗保健系统，通过评估去标识化和安全的数字化医疗健康数据来增强疾病诊断、预防和治疗。Goodman博士将在IHC担任职位，该机构将致力于教育和培训医疗保健提供者最新的技术。该研究所计划最终提供健康数据科学认证以及其他数据科学的正式教育机会。

马里兰大学医学院院长Mark T. Gladwin博士表示:“概率和风险分析是循证医学实践的基础，因此提高医生的概率技能可以提供超越临床决策支持算法使用的优势。”他还表示:“我们正在进入一个变革时代的医学，在这个时代，像我们的健康计算研究所这样的新举措将把大量数据整合到机器学习系统中，为个体患者提供个性化护理。”