的缴纳和赔偿管理。一些临床医生用于人工智能来预测某些疾病的传播，并企图预测哪些病人最有沦为患者。他们根据这些信息获取预防性化疗。
他们还利用这些预测来协助医院管理人员决定工作人员，与保险公司协商缺席费率，制订支出，并优化库存水平。这种利用医疗和社会数据来更佳地管理成本的点子，使得医疗预测在医疗保健领域，更有了一些顶级技术、制药和医疗公司以及小型初创公司。JohnsonJohnson与SAP合作，用于机器学习来预测客户市场需求、库存水平和产品组合。Careskore，一个预测分析平台，用于机器学习来确认病人被新的采纳到医院的可能性。
在未来，人工智能工具将大大加快医疗保健向防治医学的改变。医疗专业人员将专心于远程管理病人的身体健康，让他们不必入医院。
为了做这一点，人工智能工具不仅不会分析病人的医疗历史，还要分析影响身体健康的环境因素，比如污染和生活、工作噪音。这样就可以辨识风险群体，并告诉当地政府在哪里实行防治医疗计划。
机器学习适合于分析数以百万计的病历数据，以预测基于一定人口水平上的身体健康风险。这有可能是人工智能的早期胜利，因为它带给了巨额储蓄的潜力，而且在预测个人身体健康风险时不必须监管审查。医疗提供者将获得信息，让病人参予防治行动，还包括医疗服务和生活方式和环境因素，如营养、磨练和防止污染。
医院的管理人员将不会更佳地预测峰值期，譬如入学人数的剧增。人工智能工具通过融合个人医疗记录、天气数据和其他信息，跟踪传染性疾病的发病率，将协助预估有多少人必须住院治疗。又譬如，人工智能应用程序可以用于医疗和人口数据来预测怀孕的减少，如果产科医院必须额外的工作人员，就不会警告卫生保健管理人员。
报告估算，采行AI措施之后，美国每年的全部医疗服务的潜在成本节约将是3000亿美元，大约占到GDP的0.7%。英国,用于人工智能目标防治保健,每年可以节省每年£33亿住院费用。人工智能可以协助医学专业人员临床疾病，提升操作者机器学习的能力，提升临床准确性。
斯隆凯特琳研究所(Sloan Kettering Institute)估算，在临床癌症患者和处方化疗时，医生只用于了20%的实验性科学知识。人工智能应用程序可以在数百万页的医学证据中检验，几秒内获取临床和化疗方案。
基于AI的图像识别和机器学习可以在MRI和x射线图像上看见比人眼更加详尽的信息。例如，有所不同类型的胶质母细胞瘤有显著的遗传出现异常，医生就根据这些出现异常来化疗。但是放射科医生无法单凭图像就能辨识这些脑癌的基因出现异常。
梅奥医院有一个机器学习程序，可以较慢和可信地辨识出现异常。人工智能的自动化有可能通过增加医生和护士的日常活动来提升医疗保健的生产力。总有一天，配有深度自学算法的聊天机器人需要减轻急诊室面临大量非应急病患的情况，如喉咙痛和尿路感染患者。落成人工智能意味著运营效率的很大节省。
根据调查，尽管人工智能有极大潜力，医疗保健在应用于人工智能技术方面还是领先于其他行业。人工智能的用于主要集中于在运营和客户服务方面；最常用的技术是语音辨识和计算机视觉，在我们的调查样本中，两者在医疗保健公司的份额分别是9%和7%，其中还包括早已注意到人工智能的的组织。在大多数医院，诸如购票决定等运营管理职能，依然是手工已完成的。
我们早已找到，如果一个部门在使用数字技术方面进展较慢，那么它对于人工智能的的用于也有某种程度的偏向。报告《数字美国》找到，全国将近四分之一的医院和多达40%的医生仍未使用电子身体健康记录系统。
即使是那些有电子记录系统的，也没与病人或其他提供者无缝分享数据;反复的测试是不必要的，病人必须重复描写他们的病史，因为这些系统无法共通操作者。另一份MGI报告，即《分析的时代》，找到美国的医疗保健部门只应用于了10%到20%的机会用于高级分析和机器学习。之所以进展较慢，并不是由于医务人员和行政人员对AI缺少兴趣。人们有兴趣，但医学面对着一些独有的高难度障碍。
医疗记录的敏感性和严苛的维护隐私规定阻碍了深度自学应用于和其他人工智能工具所拒绝的高质量单体数据的搜集。此外，数据和行业本身、医疗保健行业的碎片化以及其他监管障碍的复杂性也在减慢这一进程。在发达国家落成人工智能意味著运营效率的很大节省。
对美国的估算占GDP的1%到2%。在其他低收益国家，估算节省将占到GDP的0.5%至1%。仅有人工智能可以将第一版护士的生产力提升40%到50%。麦肯锡的研究找到，这可以使医院节约一半的人力成本，同时还能明显增加病人的等待时间。
医院还可以通过用于人工智能解决方案优化许多普通的业务任务来提升他们的能力利用率。虚拟世界代理可以使常规的病人交互自动化。语音辨识软件早已在客户服务中用于，它减少了处置病人的日常工作的成本，比如决定购票和注册入院的时间。
自然语言处置可以分析期刊文章等文件，并对其内容展开整理，便于医生较慢查询。这些类型的应用程序可以产生明显的影响，而不必须通过监管审查。保险公司可以设计新的方法来希望防治保健并鼓舞提供者机器学习技术需要预测病人不道德和计算出来疾病概率，比目前的方法以及医疗保险提供者更加能提升生命的可能性。新的商业模式可以将人工智能与不道德身体健康介入融合一起，将注意力集中于在防治、疾病管理和身体健康上——在人们沦为病人之前就处置他们的不身体健康。
一家名为“Discovery Health”的南非的保险公司，跟踪不受保者的饮食和健身活动，并为他们的身体健康不道德获取鼓舞。人工智能还将希望付款人、供应商和制药公司之间创建新的伙伴关系，并将增进按绩效收费的模式，加快向预防性医疗的改变。
Payers可能会更好地参予到护理管理中，或者希望他们的提供者，通过引进基于机器学习辨识风险的契约模型或者基于AI的风险管理模型来构建。当更多的保险公司用于机器学习来分析历史病历数据时，基于内容的缴纳计划不会获得明显的拓展，该计划将根据该的组织所有提供者的平均值治疗费用来缴纳医生和医院的费用。根据麦肯锡的客户经验，我们指出这种方法不会对成本产生显著的影响，使整形外科医生的费用增加8%到12%，而医生临床费则会减少4%到5%。医生将可以为单个病患自定义化疗方案——甚至药物病患也需要必要获益于人工智能在医疗保健领域的蓬勃发展。
考虑到每个病人的历史和基因构成的复杂性，标准化的化疗方法并非对每个病人都会起起到，因此研究人员正在用于先进设备的分析方法来个性化化疗方案。决策可以基于数据分析和远程临床设备获得的病人监控。
一家取名为“Turbine”的初创公司用于人工智能来设计个性化的癌症化疗方案。该技术在分子水平上对细胞生物学展开建模，企图辨识用作特定肿瘤的最佳药物。它还能辨识简单的生物标志物，并通过每天展开数百万次模拟实验来找寻人组疗法。
人工智能利用海量数据来解决问题狭小问题的能力与自定义医疗的倡导者产生了回响。他们允诺获取一种独一无二的药物、理疗和化疗，目的以最多的副作用获取仅次于益处，因此理解数百万其他有类似于症状、肾功能和年龄的人的身体健康结果对他们来说有无法估量的价值。一些公司早已在用于机器学习或其他人工智能技术来对个别病人展开化疗。
Mindmaze用于机器学习来优化中风病人的康复活动。Ginger.io用于机器学习，根据病人的新陈代谢和其他因素，来引荐最佳服药时间。
量身自定义的化疗可能会使人均医疗开支增加5%到9%，同时减少0.2到1.3年的平均寿命，并每年提升200美元的生产力。在全球范围内，经济影响有可能在2万亿美元到10万亿美元平均。虚拟世界代理可以作为病人的主要接触点医疗领域最引人注目的问题就是优质医疗资源严重不足。
这个问题可以说道是全球性的。再行再加人口老龄化的激化，未来对医生的需求量很有可能是有增无减。医疗实践中早已采行了一些小的步骤，将人工智能划入患者管理，引进语音辨识和其他语言方面的人工智能技术，以构建操作者自动化。未来，不具备语音辨识、图像识别和机器学习工具的虚拟世界助手，将需要展开协商、临床，甚至开药等操作者。
如果这些系统缺少充足的信息来得出结论，虚拟世界代理可以命令额外做到测试，并和病人大约好时间。在农村地区，虚拟世界代理将需要展开远程咨询。然而，这种情况必须患者、提供者和监管人员对几乎自动化的临床和处方深感自在。较较少争议的是，在医院，虚拟世界代理将需要协助病人挂号，并将他们引荐给适合的医生来解决问题他们的问题。
虚拟世界助理将需要协助病人在医院机构中导航系统，为他们打算测试，并保证他们按时相见。几大拦路虎，数据可用性首当其冲妨碍人工智能研发及其在医疗保健方面应用于的仅次于的可能性瓶颈之一，是充足数量并且格式标准的高质量数据。如前所述，当今信息高度集中，遍布整个行业，集中在各处，最无法协商的如电子医疗记录、实验室和光学系统、医生记录和医疗保险赔偿材料。将这些信息拆分到大型的综合数据库中是很艰难的，然而这又是促成人工智能了解理解疾病及其化疗方法的必要条件。
例如，文化障碍妨碍了医疗保健数据所有者——医院、保险公司、制药商——和临床公司之间的合作。当然，数据本身也是高度脆弱的。当人们在网上出售或重新加入某项信用计划时，他们一般来说不会容许采访某些种类的个人数据，但他们可能会排斥任何企图更加了解地认识更加不为人知的医疗历史的尝试，特别是在是如果他们不指出这是适当的，而潜在的益处又很抽象化。他们有可能还担忧，对黑客和数据窃贼来说，隐私性的身体健康细节的集中于搜集将是一个理所当然的目标。
监管机构将必须大力制订具体的规则，定义哪些人需要用于这些数据，他们可以用于哪些数据，如何存储它们，以及它们如何电子邮件化。技术容许是另一个障碍。为了已完成工作，人工智能技术必需对病人和其他人们展开了解理解，但人们对人工智能技术如何实际临床或自由选择化疗计划仍知之甚少。
有多少患者不会坚信人工智能工具，不愿坚信人工智能临床或遵循人工智能化疗计划仍是一个疑惑。如果没有人需要说明计算机是如何作出要求的，或者如何避免某种情况再次发生，监管者就会冒风险意图作出错误的决策去损害一个病人。即使对于最强劲的人工智能工具来说这也是一个问题，比如深度神经网络，并且在一段时间内仍不会保持这种情况。
尽管在理论上来说，人工智能工具比分开的人类临床医生更加不更容易犯错误。人工智能公司将被迫解决问题市场分化问题。数以百计的供应商获取数千种有所不同的机器学习程序，每一个都为特定的临床情况而设计。
但在日常实践中，医生必须的是那种需要处置有所不同情况的平台。如果医疗保健者想利用人工智能的能力，他们也有一些事情要做到。
首先，他们必需雇佣或培育接受训练的、具备部署、确保和操作者人工智能系统能力的人。除了数据分析师和技术人员之外，这还包括项目管理、团队研发和解决问题的技能。与此同时，传统的工作人员——医生、护士和其他医疗专业人员——必须习惯在机器和人工智能工具的反对下工作。
虽然这将使他们有机会更好地注目临床病例，并将管理和较低风险工作转交人工智能和数字解决方案，但他们必需解决相当严重的猜测心理。结语：一方面是优质医疗资源供给严重不足，成本高，医生培育周期长，误诊率低，疾病谱变化慢，技术日新月异；另一方面，随着人口老龄化激化、慢性疾病快速增长、对身体健康推崇程度提升，医疗服务市场需求持续减少。可以意识到的前景是，尽管当前AI在医疗领域的全面落地仍有一些障碍，但是(公众号：)指出，在旋即的未来，医疗行业终将沦为AI的下一个蓝海。
这也是谷歌、IBM等巨头不择手段血本大大马利亚钱的根本原因。而从另一个看作，即使早就入局的巨头公司，他们在医疗领域的人工智能研究也不过是入门级水平，我们更为可以说道，AI+医疗，终将大有可为。原创文章，予以许可禁令刊登。
下文闻刊登须知。
本文来源：新葡萄最新官网-www.theninjaapproved.com