醫療AI難逃小規模試驗魔咒 學者點出落地三大卡關瓶頸
圖/精準醫療網
醫療院所導入人工智慧(AI)看似熱絡,多數專案卻難逃被困在小規模測試的命運。約翰霍普金斯大學凱瑞商學院教授裡圖·阿加瓦爾(Ritu Agarwal)接受《Healthcare Dive》專訪時直言,醫療體系至今仍未真正完成從概念驗證邁向常態化營運的轉型。
「醫療是複雜的,人是複雜的,疾病本身也充滿複雜性。」阿加瓦爾指出,AI 雖然有潛力改善品質不佳、成本高昂、資源分配不均等老問題,但要將技術擴展至全院臨床與行政流程,必須先跨越四大深水區:臨床工作流程整合、治理規範、醫師信任度,以及投資報酬率。
其中最棘手的技術挑戰在於臨床轉譯過程中容易出現的模型漂移(Model Drift,即 AI 在特定醫院訓練的演算法,換到不同病患族群時準確度大幅下滑)。例如在史丹佛醫學院等頂尖醫學中心訓練的模型,一旦部署到鄉村或地區型醫療院所,判斷表現可能明顯走樣。
針對臨床導入阻力,阿加瓦爾強調,AI 應用的開發必須由第一線臨床醫護人員主導,而非讓科技工程師單方面拍板,才能確保工具切合真實診療流程,且不損害醫師的專業自主權。
對於評估 AI 效益的醫療院所主管,阿加瓦爾建議應先建立成效基準線,挑選特定疾病進行驗證,再有系統地追蹤效率與治療成果。她也預期醫療科技市場將迎來整合潮,握有龐大資料與既有系統優勢的 Google、微軟等大型平台業者,將比單點解決方案開發商更具勝出機會。
參考來源
- From pilot to platform: Johns Hopkins researcher on healthca…(Healthcare Dive)
醫療AI導入為何難以規模化落地?
醫療AI導入常面臨難以規模化的困境,主要卡在四大瓶頸:臨床工作流程整合、治理規範、醫師信任度,以及投資報酬率。其中,模型漂移是關鍵技術挑戰,意指在特定醫院訓練的AI演算法,換到不同病患族群時準確度會大幅下滑。為克服這些阻力,AI應用開發應由第一線臨床醫護人員主導,並建立成效基準線,挑選特定疾病進行驗證後,再追蹤效率與治療成果。
把這個解答傳出去醫療AI導入面臨哪些具體技術挑戰?
最棘手的技術挑戰是模型漂移,意指AI在特定醫院訓練的演算法,換到不同病患族群時準確度會大幅下滑。例如,在頂尖醫學中心訓練的模型,部署到地區型醫療院所時,判斷表現可能明顯走樣。
哪些大型業者在醫療AI市場較具優勢?
握有龐大資料與既有系統優勢的 Google、微軟等大型平台業者,預期將比單點解決方案開發商更有機會勝出。