医疗领域可以说是AI进军的重要方向。目前上马的项目就包括了AI诊疗、药物研发等，甚至有机构专门做出深度学习模型用来预测死亡时间。但受限于知识图谱的不完善、NLP研发不成熟等技术条件，能够直接应用的并不多。
另一方面，医学影像识别、健康管理乃至智能挂号管理的AI应用则普遍得多。这些医疗领域或是用AI来处理数据，如安排挂号，或是利用了图像识别技术，这些恰恰是AI研究较为成熟的领域。
而据Nature Digital Medicine发表的一项最新研究，AI在医疗领域的应用取得了新的进展，很有可能会为成熟的“AI+医疗”应用再添新军。
模型在手，进了医院就知道什么时候能走
根据传统的住院方案，医生往往是根据患者的病情预测、住院时长、治疗方案等传统治疗经验来作出住院的决定。住多少天基本是根据患者的每日恢复情况来定，恢复差不多了，就基本可以出院了。这种跟踪式的动态住院管理让患者被告知出院和出院这两个时间点之间存在一个很短的时间差，而这也就令病床安排的灵活性大大降低。
一个有斯坦福大学教授参与的团队最近利用深度学习构建的一个新的预测住院的算法模型，可能将会令这种情况在未来得到改善。
这个模型通过对超过20万份成年患者的不同医疗机构的电子记录的分析，可以实现一些高精度的预测任务。比如预测患者的住院死亡率、长期的住院时间以及30天之后的再次入院可能。
具体来讲，研究人员以入院时、住院24小时和出院时的三个时间点，对以上述的三个住院类型来采取不同的数据侧重分析点。
预测住院死亡率：通过心率、呼吸频率、温度和常规实验室测试中的白细胞数、乳酸盐等来分析存在死亡风险的患者，这些指标通常都会涉及到患者的生存质量。
预测30天再次入院：根据以往的住院处次数、当前的住院时间、医院的服务水平等来预测患者是否会存在30天后再次入院的可能。住院次数多在一定程度上反映了患者对医疗资源的依赖程度，而医院的服务水平高的话也将成为患者再次入院的首选。
预测患者的长期住院：根据患者性别、入院来源（比如从下级医院转院）等因素来判断患者是否会长期住院（7天以上）。尤其是转院，原先医院难以就地解决，说明患者病情严重，就存在长期住院的可能。
这种基于超过20万份样本而做出的预测在一定程度上是可信的。根据研究，其对患者死亡率的预测明显要高于传统的研究模型。可以预见的是，该模型对患者提高生命质量和降低医院的医疗保健成本是具有显著的意义的。
关乎病患生存，AI医疗有试错也要更精准
如果说摸清人体病理特征目前对AI来说有点苛求，利用这个模型对患者的健康指数的帮助尚需时日的话，那么，其最直接的应用场景或许可以是医院的病床管理。
在中国，优质的医疗资源往往大量集中在省级或更高级的医院，导致这些医院的病床普遍紧张。走廊乃至楼梯道都被病床铺满，还有更多病人需要提前很多天进行预约，费时甚久。再加上陪护家属，病房楼往往人满为患。
AI应用于病床管理，跟踪式预测让患者有床可住
那么，通过这个深度计算模型的应用，一方面可以让医生给患者提供更精确的出院时间建议，给医院管理部门准确的床位空出时间以作安排；另一方面也可以大大减少病床排期中的不确定性，相对缩短住院时间。
这样一来，患者的住院时间减少了，有需求的病人也能够减少等待时间。从整体上来看，虽然医院的住院人数基本没有变化，但患者的流动速度加快了，也就无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，也可以大大节省医院的劳力，对床位使用作更为长期的规划。比如以前是空出今天一张床、计划明天一张床，而现在则可以空出今天一张床、计划明天一张床、准备后天一张床，对床位的安排预测更远，实现超前的床位管理。
而由于模型训练中对样本数据分析的不足，其距离真正投入使用仍有一定的距离。比如样例患者的健康资料是来自不同的医疗机构，而不同的机构采用的记录方式、病例注释甚至是一些医生个性化的建议都存在着不同，模型在进行预测的时候利用的是不同健康资料的共性之处，而对那些变量则难以把握。因此，尽管其预测精准率已经高于一些传统的方式，但在事实上仍然会存在一些着精度上的偏差。
并且，由于是涉及到医院的管理和对患者健康的检测，在应用的过程中也应该考虑到产生医患矛盾的可能。如果患者按照预测建议出院，但不久又二次住院是否会破坏患者信任？又或者是否会让患者长期无意义地住院？尤其是对于病人死亡率的预测，其更应该谨慎而行，毕竟事关生死，需要有一定的心理承受力。
当然，AI在医疗领域行进的潮流是不可逆的。相对于一些商业性活动的AI应用是为了追求效益，AI在医疗方面的研究更多地是去关注患者的生命质量。每个人都是珍贵的生命体，现在我们需要AI的精准护驾，但也要给AI足够的时间去试错和更新。
