为什么加州大学旧金山分校罗伯特·瓦赫特（Robert Wachter）乐观地认为新技术将兑现其承诺。
从历史上看，医疗保健在采用涉及大规模改变工作性质的新技术方面进展缓慢。 见证电子健康记录的缓慢而曲折的推出，以及之前实施人工智能工具的努力的彻底失败，例如IBM吹嘘但最终注定要失败的Watson Health体验。
但在 ChatGPT 公开推出一周年之际发表在《美国医学会杂志》上的一篇评论中，加州大学旧金山分校医学院院长罗伯特·瓦赫特 （Robert Wachter） 医学博士看好新的生成式人工智能工具以以前技术无法实现的方式改变医疗保健格局的潜力。
在 2023 年 11 月 30 日发表的一篇文章中，Wachter 和合著者、斯坦福大学数字经济实验室主任、以人为本的 AI 研究所高级研究员 Erik Brynjolfsson 博士认为，生成式 AI——可以产生高质量文本、图像和其他内容的 AI，与它训练的数据不同——具有独特的特征，可以缩短承诺和结果之间的通常滞后时间， 这会导致生产力的提高，而不是僵局。
Wachter长期以来一直记录着健康信息技术的挑战，并且是《数字医生：医疗计算机时代黎明的希望、炒作和危险》一书的作者。
2024年，我的合著者埃里克·布林约尔松（Erik Brynjolfsson）创造了“信息技术的生产力悖论”一词，指的是各行各业试图采用所谓的通用技术，这些技术几乎普遍的痛苦经历，这些技术已经广泛地改变了各组织的工作性质。 矛盾的是，尽管有炒作和最好的意图，但许多年，有时是几十年，生产力并没有显着提高。 这是个坏消息。 好消息是，如果技术有任何好处，最终这个悖论将被克服，生产力、质量和用户体验将大大提高。 例子包括电力、电动机、汽车、计算机和互联网。
直到最近，医疗保健在采用通用技术方面一直落后。 2008 年，不到十分之一的美国医院拥有电子健康记录 （EHR）。
为什么我们这么晚才开始数字舞蹈？造成这种情况的原因有很多：不一致的激励措施——医院或医生将不得不为电脑付费，但保险公司将获得一些经济利益——复杂性、隐私法规和对变革的普遍抵制。 最后，从 2010 年左右开始，医疗保健确实开始将记录数字化。 现在，不到十分之一的医院没有 EHR，这为今天的 AI 奠定了基础。
关于IT生产力悖论的好消息是，如果技术有任何好处，它最终会得到解决。 所以，首先，技术需要变得更好。 其次，系统必须改变其工作方式，以利用这些新工具。
虽然众所周知，医疗保健行业的数字化转型是很困难的，但GenAI具有一些独特的属性，可以更轻松地兑现其承诺。 首先，它相对容易使用。 与采用 EHR 不同，它不需要一堆新硬件或对工作方式进行大规模更改，因为医生**和在某些时候患者已经在计算机上完成了大部分与医疗保健相关的工作。
可能最重要的是，与5或10年前相比，医疗保健生态系统为Genai做好了更好的准备。 我们都在习使用数字数据和系统。 插入第三方软件工具比以前更容易。 医疗保健系统以较低的成本提供高质量、安全、公平的护理的压力越来越大，几乎所有类型的临床和非临床工作人员都短缺。 不难看出，GenAI 如何帮助现有医疗机构满足其临床和业务需求。
最后，我们这些在医疗保健领域担任领导职务的人对在工作中整合数字工具所需的方法不像以前那样天真，像 UCSF Health 这样的伟大组织已经培训了领导者并创建了治理结构来帮助顺利实施。
在 1960 年代和 1980 年代，医疗保健 AI 的早期努力惨遭失败，部分原因是该系统不是很好，但主要是因为开发人员选择尝试解决最困难的问题：取代医生的大脑作为诊断引擎。
今天，genai 领域的大多数玩家都吸取了这一教训。 早期的收益将来自行政摩擦领域——帮助患者安排预约、补充药物、寻找医生并获得一些问题的答案。
对于医生和医疗保健系统，Genai 将帮助创建临床记录，向保险公司提出事先授权请求，并向患者和其他医生发出信函。 它还将总结复杂的患者记录。 将有一些关于诊断的早期工作，但最大的工作将是提出可能的诊断，而不是取代医生。 赌注太高了，犯错的后果也太高了。
生成式人工智能必须继续改进，尤其是在风险增加的情况下。 好消息是，即使在过去的一年里，情况也有了显着改善。 虽然将 AI 集成到 EHR 系统中比以往任何时候都更容易，但仍然没有需要的那么容易。 人工智能将变得昂贵，医疗保健系统将需要寻找投资资金，如果他们看到投资回报，他们就会这样做。
正如最近娱乐和汽车行业的罢工所凸显的那样，围绕人工智能的潜在劳资紧张局势也需要得到解决。 然而，医疗保健领域的劳动力短缺和高度倦怠将抑制一些阻力。
最后，随着人工智能进入更多的临床领域，我们需要弄清楚如何开发系统，让医生和**与技术协同工作——当它值得信赖时相信它，但不要在隐喻的轮子上睡着了。
显然，有必要制定一些法规来为genai建立护栏，特别是在临床医学等高风险领域。 如何有效和高效地做到这一点是一个令人生畏的问题，特别是对于通用技术而言。
监管一种新药，甚至是用于阅读病理切片的特定 AI 算法是一回事。 监管人工智能是另一回事，人工智能提供建议或**整个护理系统正在使用——特别是因为你昨天批准的人工智能明天可能会进化以给出不同的答案。