复杂性科学对人工智能/机器学习的潜力进行了什么预测,以改善初级保健
Richard A Young1, Carmel M Martin1, Joachim P Sturmberg1
1From the Director of Research and Associate Program Director, JPS Hospital Family Medicine Residency Program, Fort Worth, TX (RAY); Department of Medicine, Nursing and Allied Health, Monash University, Melbourne, Victoria, Australia (CMM); School of Medicine and Public Health, Faculty of Health and Medicine, University of Newcastle, Callaghan New South Wales, Australia (JPS); Australian National University College of Health and Medicine, Canberra, Australia (SH); American Board of Family Medicine, Lexington, KY (AB); University of Houston (IAK); Stanford University School of Medicine Stanford, CA (SL).
人工智能 (AI) 和机器学习 (ML) 在特定任务的初级保健中表现有前途,但在复杂的案例和数据不一致方面扎. 仔细的开发和测试对于有效的AI/ML集成至关重要.
科学领域:
- 医疗信息学 医疗信息学
- 复杂性科学 复杂性科学
- 医疗保健服务研究 医疗服务研究
背景情况:
- 初级保健医生面临着对人工智能 (AI) 和机器学习 (ML) 整合的兴奋和担忧.
- 复杂性科学为了解AI/ML在初级保健中的潜在影响和局限性提供了一个框架.
- 现有的AI/ML应用程序在诊断和管理任务方面取得了成功,但在复杂的治疗建议和并发症管理方面面临挑战.
研究的目的:
- 探索AI/ML在初级保健环境中的潜在应用和挑战.
- 为了解哪些AI/ML应用最有可能影响未来的初级保健提供见解.
- 评估AI/ML工具在医疗保健中最有效的条件.
主要方法:
- 分析当前在医疗保健中的AI/ML应用,重点关注成功和失败.
- 应用复杂性科学和复杂的适应性系统框架来评估AI/ML的有效性.
- 使用AI/ML作为医疗决策中的辅助工具的特定干预措施的审查.
主要成果:
- 人工智能/ML在基于图像的诊断和管理任务 (例如语音到文本笔记) 中表现出色,但在推复杂疾病的治疗方法或管理多种并发症方面不那么成功.
- 人工智能/肌痛性脊髓炎加剧了健康公平差距,其对医生与患者关系的影响在很大程度上是未知的.
- 当任务范围有限,数据清洁和决定性,工作流程兼容时,AI/ML工具最有效.
结论:
- 人工智能/ML工具不太可能改善全面的初级保健,特别是考虑到初级保健数据的错误性和不一致性.
- 在AI/ML开发和严格的实施前测试中,初级保健部门的参与至关重要.
- 与电子健康记录不同,AI/ML工具不应该被认为会自动增强初级保健工作生活,质量,安全或决策.
相关概念视频
Issues And Trends In Healthcare Delivery System
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient...
Current Trends in Nursing II
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Introduction To Health Care Delivery System
The Institute of Medicine (IOM) advocates for a patient-centered, effective, safe, timely, equitable, and effective healthcare system. The National Priorities...
Current Trends in Nursing I
Patient-centered Care


