虽然其蕴藏的能量巨大，但我们仍须认真分析最佳应用场景才能为其找到理想的施展平台。医疗保健尤其如此——作为一个向来以变化缓慢著称的领域，任何新兴技术的草率部署都有可能引发巨大风险。大家可能还记得前几年广受关注的IBM Watson，曾经号称能诊断复杂的癌症，但实际情况并非如此。最终，蓝色巨人在去年将其低价卖出。
所以在医疗保健方面，我们不妨以一种简单的五步走方法，评估生成式AI能够为其做出哪些贡献：
1. 从技术能够协助解决的问题入手，搞清楚生成式AI擅长做什么。
2. 搜索存在这些问题的整体领域。
3. 理解在核心用例中使用生成式AI的动机和障碍，包括在接受新方案前人们需要放弃哪些旧办法。
4. 围绕业务动态做优先级评估。
5. 广泛了解建立完整解决方案的必要因素，包括技术、工作流咨询、患者教育等。
要将这套方法应用到医疗保健领域，首先需要明确我们的评估对象——不是能解释医学影像或人口健康数据集的深度学习。这些工作已经在进行当中。另外，我们考虑的也不是AI在特定场景下的简单应用，比如诊断预约。这里的关注点只有一个，生成式AI与新兴医疗保健服务。
首先，生成式AI能帮助解决哪些问题？答案很多，但为了简单起见，我们可以专注于其中四点：1）解释非结构化数据；2）以连贯的方式解释数据；3）让人们参与对话；4）产生新的想法。
第二，这些问题分别对应哪些整体领域？从以上四点出发，我们可以对应出以下示例：
1） 解释非结构化数据：总结电子病历中诊断说明所表达的关键事实，要求医疗保险公司提供预授权，并在临床试验数据中提取模式，例如在患者上报的结果或治疗无效者中找到共性。
2） 以连贯方式解释数据：为医疗保险公司提供客户服务、诊断和制定治疗计划。
3） 让人们参与对话：获取筛查数据（例如，患者在家中感觉安全吗？）并为敏感度较低的健康问题提供谈话治疗。
4） 产生新想法：使用蛋白质组学和基因组学数据集，发现新的有效成分和现有疗法的某些新疗效。
第三，采用新技术的动机和障碍有哪些。这个问题很可能直接决定某些用例能否实际落地。例如，在生成式AI获得FDA批准成为医疗设备之前，任何企业不得借助AI为美国患者提供明确的诊断或制定治疗计划。然而，未来的市场前景可能发生变化。考虑到很多临床医生已经被患者需求压得不堪重负，也许适当放宽监管要求才是可持续发展之道。另外，这部分分析还有助于发现适合快速创新的领域（依赖性低、需求高、风险/转换成本低的领域）。例如，原本自费的谈话疗法现在就有望用AI代劳。
第四，根据业务动态确定不同市场的落地优先级。这个问题非常复杂，本文无法深入讨论。但概括来讲，我们可以通过个体/规模经济、市场渠道、销售流程和竞争强度等因素做出判断。
最后，广泛审视完整的解决方案。很少有哪种新技术能像生成式AI这样，有望彻底改变人们的长期工作实践。例如，生成式AI的广泛普及可能要求对客户做相应培训，并建立起互补产品的生态系统。另外，当竞争对手模仿某些底层医疗技术时，生成式AI还有助于在市场上做产品区分。
总之，如果大家身在医疗保健或生命科学行业，不妨尝试各种方式探索生成式AI的价值。而且与其单从技术入手，不妨关键由此带来的整体挑战，宏观思考我们真正需要怎样的解决方案。之后再据此研究实现方法，看看除了生成式AI之外，有没有哪些门槛更低的成熟方案也能带来类似的效果。
在醫療保健領域，企業級生成式AI正面臨著一片廣闊的藍海。而前面提到的五步驟方法論，足以顯示其中蘊藏的豐富機會。因此即使在醫療保健這樣一個向來保守的行業，顛覆性的改變也將很快出現。
以上是當生成式AI遇見醫療保健的詳細內容。更多資訊請關注PHP中文網其他相關文章！
