在医疗保健行业应用面临的5个障碍

SSS框架将机器学习用例分为自动化和决策支持两大类。而NASSS是Nonadoption、Abandonment、Challenges to Scale-up、Spread、Sustainability的首字母缩略词。

建议决策支持应用程序将引导自动化，至少在短期内如此。遵循NASSS框架，他们概述了阻碍主要决策支持人工智能实施的各种问题。为此强调的是：

1.有意义的决策支持

Shaw解释说，“临床决策是一个复杂的过程，涉及各种数据源的整合，其中包括隐性和明确的智能模式。”

他补充说，“为了更直观地通知这个决策过程，人工智能开发人员正在添加数据可视化等通信工具。这些通信工具的性质和价值是实现过程的核心，有助于确定算法输出是否和如何被纳入日常惯例。”

2.可解释性

医疗保健的人工智能模型如何实现其结果?Shaw及其同事指出，即使对创建它们的计算机科学家来说，答案仍然是未知的。

Shaw说，“缺乏对这些机制和环境的理解，这对机器学习对医疗保健利益相关者的可接受性提出了挑战。尽管可解释性问题与决策支持明确相关，但如此处所解释的那样使用机器学习案例。”

他补充说，“这一问题可能更加深刻地应用于以自动化为重点的用例，因为它们在医疗保健领域占据重要地位。”

3.隐私和同意

Shaw指出，目前缺乏有关正确使用可穿戴设备数据的立法和指导。同时，许多与健康相关的应用程序在使用过程中产生的数据流中存在着不明确的一致性过程。

除了这两个明显的问题之外，当与其他数据集链接时，可以重新识别其他的数据。他表示：“这些因素为那些寻求将健康数据用于机器学习应用开发的计划带来了重大风险，可能遭遇来自医疗保健提供商的巨大阻力。”

4.算法偏差

Shaw表示，“算法只能和训练它们的数据一样好。”

他说，“如果训练数据部分或不完整的，或只反映给定人口的子集，则生成的模型将仅与数据集中表示的人群相关。这提出了关于数据来源的问题，并代表了一系列与偏差相关的问题，这些偏差内置于用于决策的算法中。”

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!