一位年輕人，我們暫且稱他為羅傑，來到急診科，主訴腹痛和噁心。體格檢查顯示疼痛集中在腹部右下方。醫生擔心可能是闌尾炎。但當影像結果出來時，羅傑感覺好多了，掃描顯示他的闌尾看起來正常。醫生轉向電腦，開了兩種藥物，一種用於止吐，另一種是泰諾用於止痛，然後讓他出院。
這是向全國55位醫生展示的虛構情景之一，作為一項研究電子健康記錄 (EHR) 可用性的一部分。為了開藥，醫生必須在 EHR 系統中找到它們。在一家醫院，簡單搜尋泰諾就會出現 80 多個選項的列表。羅傑是一位 26 歲的男性，但該列表包括兒童和嬰兒用泰諾，以及經期痙攣用泰諾。醫生嘗試透過在搜尋視窗中輸入所需的劑量（500 毫克）來縮小列表範圍，但現在她得到了零結果。因此，她返回主列表，最終選擇了第 68 個選項——泰諾特強（500 毫克），這是最常用的泰諾劑量。本來應該是一項簡單的任務，卻花費了寶貴的時間和遠超其應有的腦力。這只是醫生每天使用 EHR 時處理的無數令人痛苦的挫折之一例。
這些 EHR——醫生過去用來記錄病人就診、實驗室結果和其他重要醫療資訊的紙質圖表的數字版本——本應徹底改變醫療實踐。《健康資訊科技促進經濟和臨床健康 (HITECH) 法案》於 2009 年透過，已提供 360 億美元的財政激勵，以推動醫院和診所從紙質圖表過渡到 EHR。時任總統巴拉克·奧巴馬錶示，這一轉變將“減少浪費，消除繁文縟節，並減少重複昂貴醫療測試的需求。” 他補充說，這將“透過減少我們醫療保健系統中普遍存在的致命但可預防的醫療錯誤來挽救生命。”
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
當 HITECH 法案透過時，48% 的醫生使用了 EHR。到 2017 年，這個數字已攀升至 85%，但 EHR 的變革力量尚未實現。醫生抱怨介面笨拙和耗時的資料輸入。民意調查表明，他們花費更多時間與病人的檔案互動，而不是與實際病人互動。結果，職業倦怠正在上升。甚至奧巴馬也觀察到，推廣工作並未按計劃進行。“事實證明，這比我們預期的要困難，”他在 2017 年告訴 Vox。
然而，醫生和資料科學家認為，EHR 確實有潛力提供洞察力和效率。人工智慧，以機器學習的形式——它允許計算機識別資料中的模式並自行得出結論——可能能夠幫助克服 EHR 遇到的障礙，並釋放其在進行預測和改善病人護理方面的潛力。
數字化慘敗
2016 年，美國醫學會與 MedStar Health（一家在巴爾的摩-華盛頓地區運營 10 家醫院的醫療保健組織）合作，檢查了由位於密蘇里州北堪薩斯城的 Cerner 和位於威斯康星州維羅納的 Epic 開發的兩個最大 EHR 系統的可用性。這兩家公司合計佔急性護理醫院市場 54% 的份額。該團隊招募了四家醫院的急診醫生，並向他們提供了虛構的病人資料和六個情景，包括關於羅傑的情景，羅傑表現出疑似闌尾炎的症狀。這些情景要求醫生執行常見的職責，例如開藥和訂購檢查。研究人員評估了醫生完成每項任務所需的時間、所需的點選次數以及他們執行的準確性。
他們的發現令人沮喪。所需的時間和點選次數因站點而異，甚至在使用相同系統的站點之間也存在差異。並且某些任務，例如逐漸減少類固醇的劑量，被證明在所有方面都非常棘手。醫生必須手動計算逐漸減少的劑量，這需要兩到三分鐘，並需要 20 到 42 次點選。這些設計缺陷並非無害。醫生經常犯劑量錯誤。在一個站點，錯誤率達到了 50%。MedStar Health 國家醫療保健領域人類因素中心主任 Raj Ratwani 說：“我們已經看到病人因系統可用性引發的錯誤或問題而受到傷害，甚至死亡。”
但是，笨拙的介面只是 EHR 問題的一部分。另一個絆腳石是資訊仍然無法在提供者之間輕鬆流動。國家醫學研究院 2018 年的一份報告稱，該系統缺乏“在可信網路下，在需要時無縫且自動地交付資料，而沒有政治、技術或財務障礙的能力”。如果病人更換醫生、去急診護理或搬到全國各地，她的記錄可能會也可能不會跟隨。“互聯護理是目標；脫節護理是現實，”作者寫道。
2018 年 3 月，哈里斯民意調查代表斯坦福醫學進行了一項線上調查，調查了醫生對 EHR 的態度。結果令人深思。醫生報告說，平均每位病人花費大約半小時。其中超過 60% 的時間用於與病人的 EHR 互動。一半的辦公室初級保健醫生認為，使用 EHR 實際上降低了他們的臨床有效性。計算機科學家、哈佛醫學院生物醫學資訊學系主任 Isaac Kohane 直言不諱地說：“病歷太糟糕了。”
然而，儘管現有 EHR 系統存在相當大的缺點，但大多數醫生都認為電子病歷比紙質圖表有了巨大的改進。將病人的資料數字化意味著現在可以使用人工智慧的力量對其進行分析。Ratwani 說：“利用人工智慧和機器學習來開發預測模型並更好地瞭解健康結果，存在巨大的潛力。” “我認為這絕對是未來。”
這種情況已經在一定程度上發生。2015 年，Epic 開始向其客戶提供機器學習模型。為了開發這些模型，計算機科學家從演算法開始，並使用已知結果的真實示例對其進行訓練。例如，如果目標是預測哪些病人最有可能發生危及生命的血液疾病，即由感染引起的膿毒症，則該演算法可能會納入重症監護室中常規收集的資料，例如血壓、脈搏和體溫。資料越好，模型的效能就越好。
Epic 現在有一個模型庫，其客戶可以購買。“如今，我們有 300 多個組織正在執行或實施來自該庫的模型，”Epic 分析和機器學習主管 Seth Hain 說。該公司的膿毒症預測模型每 15 分鐘掃描一次病人資訊，並監控 80 多個變數，是其最受歡迎的模型之一。路易斯安那州哈蒙德的北橡樹健康系統在 2017 年實施了該模型。如果病人的評分達到某個閾值，醫生會收到警告，這會提示他們更密切地監測病人並在需要時提供抗生素。自從該健康系統實施該模型以來，膿毒症引起的死亡率下降了 18%。
但是，構建和實施這些型別的模型比最初看起來要棘手。大多數模型僅依賴於 EHR 的結構化資料——以相同方式收集和格式化的資料。這些資料可能包括血壓讀數、實驗室結果、診斷或藥物過敏。但是，EHR 也包括各種非結構化資料，例如臨床醫生關於就診的筆記、電子郵件和 X 光片影像。“那裡有資訊，但計算機很難提取它，”哈佛大學計算機科學家 Finale Doshi-Velez 說。忽略這些自由文字意味著丟失有價值的資訊，例如病人是否有所改善。“實際上沒有程式碼來表示好轉，”她說。此外，Ratwani 指出，由於可用性差，資料經常最終出現在錯誤的位置。例如，草莓過敏可能最終記錄在臨床筆記中，而不是列在過敏框中。在這種情況下，僅在 EHR 的過敏部分查詢過敏的模型“是基於不準確的資料構建的，”他補充道。“這可能是我們目前面臨的最大挑戰之一。”
麻省理工學院計算生理學實驗室的重症監護專家和臨床研究主任 Leo Anthony Celi 對此表示贊同。EHR 中發現的大多數資料都無法直接輸入演算法。首先必須進行大量的整理。例如，假設您想設計一種演算法來幫助重症監護室的病人避免低血糖，這是一個常見問題。Celi 說，這聽起來很簡單。但事實證明，血糖的測量方式不同，血液可以從指尖或靜脈抽取。胰島素的給藥方式也不同。當 Celi 和他的同事檢查了一家醫院病人胰島素和血糖的所有資料時，“他們實際上有數千種不同的方式輸入 EHR。” 在設計算法之前，必須先手動對這些資料進行排序並按型別進行聚類。“健康資料就像原油，”Celi 說。“除非經過提煉，否則毫無用處。”
智慧修復
EHR 當前的缺陷阻礙了利用人工智慧獲取重要見解的努力，但人工智慧本身可能提供一種可能的解決方案。醫生說，現有 EHR 系統的主要缺點之一是記錄就診所需的時間——從病人的主訴到醫生的分析和建議，應有盡有。Kohane 說，許多醫生認為，醫生就診的大部分治療價值都在於互動。但是 EHR “實際上已經把醫生從面對病人變成了面對電腦。” athenahealth 的首席產品官 Paul Brient 說，醫生必須記錄他們的就診敘述，但在訂購實驗室檢查、開藥和輸入賬單程式碼時，他們也輸入了許多相同的資訊。這種重複的工作導致了醫生的沮喪和職業倦怠。
作為權宜之計，一些醫院現在讓抄寫員坐在預約時記錄就診情況，而醫生與病人互動。但是，幾家公司正在開發數字抄寫員，即機器學習演算法，它可以接收醫生和病人之間的對話，解析文字並使用它來填寫病人 EHR 中的相關資訊。
事實上，一些這樣的系統已經可用。2017 年，一家位於西雅圖的初創公司 Saykara 推出了一款名為 Kara 的虛擬助手。這款 iOS 應用程式使用機器學習、語音識別和語言處理來捕獲病人和醫生之間的對話，並將其轉換為 EHR 中的筆記、診斷和醫囑。以前版本的應用程式需要醫生的提示——很像蘋果的 Siri——但當前版本可以設定為“環境模式”，在該模式下，它只是傾聽整個對話，然後選擇相關資訊。Kohane 說，EHR 將醫生變成了資料錄入員。但像 Kara 這樣的應用程式可以充當智慧、知識淵博的同事。Saykara 只是眾多開發此類工具的初創公司之一。Athenahealth 最新的移動應用程式允許醫生口述他們的文件。然後，該應用程式將文字轉換為適當的賬單和診斷程式碼。但是，“從任何角度來看，它都不是完美的，”Brient 說。醫生仍然必須檢查錯誤。但是，該應用程式確實減少了工作量。加州大學舊金山分校醫學系主任 Robert Wachter 看到的系統“可能還沒有完全準備好投入使用，”他說，但它們應該會在幾年內準備就緒。
人工智慧也可能幫助臨床醫生做出更好、更明智的決策。“我們認為計算機系統中的決策支援是一種警報，”紐約州一家致力於改善社群健康的醫療保健系統 Alliance for Better Health 的醫生兼執行長 Jacob Reider 說。該警報可能是一個彈出框，警告藥物過敏。但是，更復雜的系統可能會列出藥物選項 A 與藥物選項 B 的副作用可能性，並提供成本比較。從技術角度來看，開發這樣的功能“與亞馬遜投放廣告或讓您意識到購買機會沒有什麼不同，”他說。
Wachter 至少看到一個令人鼓舞的跡象，表明正在取得進展。在過去幾年中，科技界的巨頭——谷歌、亞馬遜、微軟——對醫療保健產生了濃厚的興趣。例如，谷歌與加州大學舊金山分校、斯坦福大學和芝加哥大學的研究人員合作，開發旨在預測住院病人相關事件（例如死亡率和意外再入院）的模型。
為了解決混亂的資料問題，研究人員首先將來自兩個 EHR 系統的資料轉換為稱為快速醫療保健互操作性資源或 FHIR（發音為“fire”）的標準化格式。然後，他們沒有手動選擇一組變數（如血壓和心率），而是讓模型讀取病人的整個圖表，因為這些圖表會隨著時間的推移展開，直到住院為止。資料總共展開為 46,864,534,945 個數據點，包括臨床筆記。“這種方法有趣的地方在於，每個預測都使用完全相同的資料來進行預測，”谷歌的醫生和人工智慧研究員 Alvin Rajkomar 說，他領導了這項工作。該元素既簡化了資料輸入，又提高了效能。
但是，大型公司的參與也引發了嚴重的隱私問題。《華爾街日報》在 2019 年 11 月中旬報道稱，谷歌透過與美國第二大醫療保健系統 Ascension 的合作，未經他們知情或同意，獲得了數千萬人的記錄。該公司計劃使用這些資料開發機器學習工具，以方便醫生訪問病人資料。
這種型別的資料共享並非史無前例或非法。谷歌雲行業產品和解決方案總裁 Tariq Shaukat 寫道，這些資料“不得用於協議下提供的這些服務以外的任何其他目的，並且病人資料不能也不會與任何谷歌消費者資料相結合。” 但是，這些保證並未阻止美國衛生與公眾服務部展開調查，以確定谷歌/Ascension 是否遵守了《健康保險流通與責任法案》的規定。截至發稿時，調查仍在進行中。
但 Reider 認為，隱私問題不應阻止對更好、更智慧、響應更快的電子健康記錄的追求。他說，有辦法開發這些系統，同時維護隱私和安全。
最終，醫療實踐的真正轉型可能需要一種全新的 EHR，一種不僅僅是數字資料夾的 EHR。Reider 觀察到，所有主要的 EHR 都建立在 20 到 30 年前的資料庫型別架構之上。“它是資訊的行和列。” 他將這些系統比作用於記錄實體書店庫存的軟體：“它會知道它購買了哪些書，也會知道它賣出了哪些書。” 現在設想一下亞馬遜如何使用演算法來預測客戶明天可能購買什麼以及預測需求。“他們已經設計了他們的系統，以便他們能夠以這種方式學習，然後他們可以自主採取行動，”Reider 說。醫療保健需要同樣的變革性飛躍。