挑戰減緩亞太地區人工智慧在醫療保健中的應用

全球各地的組織都在增加對人工智慧的投資

毫無疑問，人工智慧（AI）開始影響許多不同的行業，醫療保健和生命科學行業也不例外，許多組織正在投資新技術。真正的問題是如何最大化這些投資的影響。

最近一項針對亞太地區的AI和數據研究提供了更多了解的機會。

當前狀況

亞太地區的醫療保健行業在AI成熟度方面存在很大差異。大約5%的組織仍在評估這項技術，17%仍在規劃階段。

然而，大約60%的組織已經在使用AI，雖然它們的能力水平不同，從功能性到短期專注再到整合型。大約18%的組織成功地利用AI來轉變其商業模式，並在醫療保健中產生實際影響。

對於該地區大多數醫療保健組織來說，優化AI投資的回報是主要焦點。

大約三分之一的組織預期能夠獲得至少兩倍的投資回報，47%則預期能獲得超過三倍的回報。

有三個重要的投資領域：

使用AI來增強操作流程。
改善病人結果。
減少索賠過程中的詐騙。

基於AI的個性化護理和病人管理改進，包括安全性，預計將產生商業價值。這種方法預期將結合更好的財務表現、改善的數據安全性和更強的法規遵循。

挑戰與好處

最重要的好處反映了這些優先事項的組合。

醫療保健詐騙成本控制：首要問題是醫療保健詐騙和成本控制。虛假的索賠、計費不準確和不必要的醫療程序都在推高醫療保健的成本，影響保險公司、提供者和病人。
使用實際和合成數據來加速監管批准：由於隱私問題、倫理限制和漫長的數據收集過程，病人數據通常有限，這會延緩藥物的批准。
優化病人和藥物安全、醫療資源和臨床試驗設計：及時識別不良藥物事件和安全信號對保護病人安全至關重要。此外，醫院資源配置不當和試驗設計效率低下會增加成本並延遲病人獲得新創新療法的機會。

組織還期望從AI中獲得一系列好處。最常見的期望是更好的端到端數據管理。其次是更快的上市時間和合成數據生成，這主要是製藥或設備公司關心的問題，而不是醫療保健提供者。一些組織還提到內部流程的改善，包括團隊之間更好的協作和更靈活的決策過程。

然而，這些好處並非沒有挑戰。

缺乏專業技術人員。
擔心因不當使用AI而導致數據或知識產權的損失。
數據基礎缺乏足夠的治理流程。

大約三分之一的亞太地區醫療保健和生命科學公司表示，他們面臨特定的數據挑戰。他們提到在數據基礎設施中消除未使用或不必要的數據集副本的問題。他們指出，從基於AI的建模中排除舊的或過期的數據是具有挑戰性的。

未來的方向

亞太地區的醫療保健和生命科學組織應該如何實現其AI投資的回報？研究結果顯示，最重要的行動是從戰術性的AI部署轉向更具戰略性的方式。

組織必須在護理全過程中整合AI，通過將AI計劃與其核心目標對齊、投資可擴展的基礎設施以及促進跨部門合作來實現。這將使他們能夠建立和創建可信的基於AI的系統，並為支持數據安全和公平無偏見的結果提供基礎。

醫療和生命科學組織必須發展優化其技術投資的能力。這包括制定強健的AI策略、採用數據管理和治理生命周期方法來管理AI、實施負責任的AI政策，以及改善對已部署AI模型性能的監控。這些將幫助他們從醫療保健詐騙和成本控制等用例中獲得更好的投資回報，從而改善表現並提高病人結果。數據與AI脈搏：亞太地區，2024

改善數據治理管理是最關鍵的領域之一。這方面的問題一直是早期AI投資的重大障礙。重點應放在數據的完整性和系統之間的互操作性上。

許多組織會尋求外部專家的幫助，來協助AI項目，並投資於軟體平台或雲端服務。他們還應考慮提升現有員工的技能，特別是醫療保健專業人員，以確保他們能有效利用AI工具。

在健康數據平台和數據互操作性的實施中出現了一個趨勢。預計越來越多的醫療保健組織將採用行業雲平台技術。

這些平台將幫助消除數據孤島，結構化來自各種數據來源的數據，並簡化數據的獲取、映射、清理、去識別化和數據質量的工作流程。

所有這些都是發展能力的方面，使組織能夠最大化其技術投資。在詐騙和成本控制等用例中獲得最佳的投資回報將改善表現並提供投資於更好病人結果的選擇。

為了實現一個更可及、可持續和具成本效益的醫療服務社會，我們需要更準確和及時地了解病人在醫療生態系統中的互動。

AI的效能取決於訓練它的數據。改善AI部署期間的數據互操作性和治理，可能會使AI投資的回報更早顯現。