根据世界卫生组织的数据，和个人健康和生活质量息息相关的因素中有60％与选择的生活方式有关，包括遵循正确服用血压药物的处方、锻炼和减压等。在AI驱动模型的帮助下，现在可以根据患者生命体征的变化，在患者整个日常过程中为其提供干预和提醒。

在家庭进行健康监测本身并不新鲜。包括Partners Healthcare、United Healthcare和Johns Hopkins医学院在内的一些领先机构正在开展一些活跃的项目和试点研究，并取得了积极成果。但这些尝试尚未利用人工智能来实时地做出更好的判断和建议。由于涉及了大量数据，机器学习算法特别适合于针对大量人群来扩展该任务的执行。毕竟，是通过大量的数据来让算法更加智能，从而支撑AI技术。

例如，通过部署人工智能，NHS计划不仅能够在英国推广，而且还能够延伸到国际市场。Current Health是该计划中使用的患者监测设备的制造商，由风险资本支持，该公司最近获得了美国食品和药物管理局的批准，允许其在美国试行该系统，目前正在纽约的西奈山医院进行测试。这是为减少患者再入院率所作的努力的一部分，而再入院率的问题每年使美国医院损失约400亿美元。

这些努力作为较早的成功案例，让我们搞清楚了在使用人工智能解决以患者为中心的医疗保健这个新领域中的“消费无力”问题时的三个经验：

1.专注于对关键指标产生影响- 例如，降低耗费昂贵的医院再入院率。

从小的措施开始，锁定目标，对那些与患者治疗结果和财务可持续性相关的关键指标产生积极的影响。与在英国的试点一样，可以通过优选的医院或医疗供应商地区来完成。另一个案例中，亚特兰大最大的公立医院格雷迪医院，由于采用了识别“有风险”患者的人工智能工具，据预计，两年内再入院率降低了31％，节省了400万美元。该系统可以提醒临床团队在特殊情况下与患者接触及实施干预措施。

2.依靠新型合作伙伴降低风险。

不要试图独自完成所有的事情。相反，要与那些想要解决类似问题的合作伙伴结成联盟。考虑Synaptic Healthcare Alliance联盟，这是Aetna、Ascension、Humana、Optum和其他公司之间的协作试点计划。该联盟正在使用区块链在各个医疗服务提供者之间创建一个巨大的数据集，并对数据进行AI试验。其目的是简化医疗服务提供者的数据管理，目标是降低处理索赔的成本，同时改善医疗服务的可达性。单独行动的话，由于数据不兼容问题这一项，就可能会有风险。例如，安德森癌症中心因为失败的AI项目不得不损失掉数百万美元，部分原因是与其电子健康记录系统不兼容。通过合作的方式，Synaptic的数据集将采用标准格式，使记录和结果可传递。

3.使用AI与训练有素的专业人员进行协作，而不是竞争。

临床医生通常希望增加他们的知识和诊断能力，而AI可以为此提供帮助。确实，许多医疗AI应用程序与医生产生了竞争。例如，在放射学中，一些算法在基于图像诊断方面已经和人类专家不相上下，甚至表现更好。然而，尚不清楚患者和医疗机构是否会信任AI，并依赖它完全以自动化方式完成这项工作。加州大学圣地亚哥分校的一项试验中，AI作出的儿童疾病诊断比初级儿科医生更准确，但其检查结果仍需要高级医生重新审核并签字确认。所以，真正的目标始终应该是让AI与临床医生合作，以求更高精度的诊断结果，而不是试图取代医生。

麻省理工学院和MGH已经开发出一种深度学习模型，可以识别患者未来是否有可能患上乳腺癌。此AI系统学习了60,000名既往患者的数据，允许医生用个性化方式来筛查乳腺癌筛，本质上为每位患者创建详细的风险概况。

总而言之，这三条经验与针对“消费无力”问题的解决方案相结合，有望为如何有效操控AI技术提供一条清晰的道路，特别是目前AI已经被过度热炒。从长远来看，我们认为人工智能的变革性收益之一是它将加深医疗服务提供者与患者之间的关系。例如，英国的试点中，病人获得了更频繁的主动检查，这在以前从未发生过。在新兴的以消费者为中心的医疗保健市场中，这对改善治疗结果和提升客户忠诚度都有好处。