醫療領域可以說是AI進軍的重要方向。目前上馬的項目就包括了AI診療、藥物研發等，甚至有機構專門做出深度學習模型用來預測死亡時間。但受限于知識圖譜的不完善、NLP研發不成熟等技術條件，能夠直接應用的并不多。

另一方面，醫學影像識別、健康管理乃至智能掛號管理的AI應用則普遍得多。這些醫療領域或是用AI來處理數據，如安排掛號，或是利用了圖像識別技術，這些恰恰是AI研究較為成熟的領域。

而據Nature Digital Medicine發表的一項***研究，AI在醫療領域的應用取得了新的進展，很有可能會為成熟的“AI+醫療”應用再添新軍。

模型在手，進了醫院就知道什么時候能走

根據傳統的住院方案，醫生往往是根據患者的病情預測、住院時長、治療方案等傳統治療經驗來作出住院的決定。住多少天基本是根據患者的每日恢復情況來定，恢復差不多了，就基本可以出院了。這種跟蹤式的動態住院管理讓患者被告知出院和出院這兩個時間點之間存在一個很短的時間差，而這也就令病床安排的靈活性大大降低。

一個有斯坦福大學教授參與的團隊最近利用深度學習構建的一個新的預測住院的算法模型，可能將會令這種情況在未來得到改善。

這個模型通過對超過20萬份成年患者的不同醫療機構的電子記錄的分析，可以實現一些高精度的預測任務。比如預測患者的住院死亡率、長期的住院時間以及30天之后的再次入院可能。

具體來講，研究人員以入院時、住院24小時和出院時的三個時間點，對以上述的三個住院類型來采取不同的數據側重分析點。

預測住院死亡率：通過心率、呼吸頻率、溫度和常規實驗室測試中的白細胞數、乳酸鹽等來分析存在死亡風險的患者，這些指標通常都會涉及到患者的生存質量。

預測30天再次入院：根據以往的住院處次數、當前的住院時間、醫院的服務水平等來預測患者是否會存在30天后再次入院的可能。住院次數多在一定程度上反映了患者對醫療資源的依賴程度，而醫院的服務水平高的話也將成為患者再次入院的***。

預測患者的長期住院：根據患者性別、入院來源(比如從下級醫院轉院)等因素來判斷患者是否會長期住院(7天以上)。尤其是轉院，原先醫院難以就地解決，說明患者病情嚴重，就存在長期住院的可能。

這種基于超過20萬份樣本而做出的預測在一定程度上是可信的。根據研究，其對患者死亡率的預測明顯要高于傳統的研究模型。可以預見的是，該模型對患者提高生命質量和降低醫院的醫療保健成本是具有顯著的意義的。

關乎病患生存，AI醫療有試錯也要更精準

如果說摸清人體病理特征目前對AI來說有點苛求，利用這個模型對患者的健康指數的幫助尚需時日的話，那么，其最直接的應用場景或許可以是醫院的病床管理。

在中國，優質的醫療資源往往大量集中在省級或更高級的醫院，導致這些醫院的病床普遍緊張。走廊乃至樓梯道都被病床鋪滿，還有更多病人需要提前很多天進行預約，費時甚久。再加上陪護家屬，病房樓往往人滿為患。

那么，通過這個深度計算模型的應用，一方面可以讓醫生給患者提供更精確的出院時間建議，給醫院管理部門準確的床位空出時間以作安排;另一方面也可以大大減少病床排期中的不確定性，相對縮短住院時間。

這樣一來，患者的住院時間減少了，有需求的病人也能夠減少等待時間。從整體上來看，雖然醫院的住院人數基本沒有變化，但患者的流動速度加快了，也就無形之中提高了住院部的管理效率。

另一方面，借助AI的住院管理，也可以大大節省醫院的勞力，對床位使用作更為長期的規劃。比如以前是空出今天一張床、計劃明天一張床，而現在則可以空出今天一張床、計劃明天一張床、準備后天一張床，對床位的安排預測更遠，實現超前的床位管理。

而由于模型訓練中對樣本數據分析的不足，其距離真正投入使用仍有一定的距離。比如樣例患者的健康資料是來自不同的醫療機構，而不同的機構采用的記錄方式、病例注釋甚至是一些醫生個性化的建議都存在著不同，模型在進行預測的時候利用的是不同健康資料的共性之處，而對那些變量則難以把握。因此，盡管其預測精準率已經高于一些傳統的方式，但在事實上仍然會存在一些著精度上的偏差。

并且，由于是涉及到醫院的管理和對患者健康的檢測，在應用的過程中也應該考慮到產生醫患矛盾的可能。如果患者按照預測建議出院，但不久又二次住院是否會破壞患者信任?又或者是否會讓患者長期無意義地住院?尤其是對于病人死亡率的預測，其更應該謹慎而行，畢竟事關生死，需要有一定的心理承受力。

當然，AI在醫療領域行進的潮流是不可逆的。相對于一些商業性活動的AI應用是為了追求效益，AI在醫療方面的研究更多地是去關注患者的生命質量。每個人都是珍貴的生命體，現在我們需要AI的精準護駕，但也要給AI足夠的時間去試錯和更新。