前言：中文期刊网精心挑选了人工智能在医疗方面的作用范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
人工智能在医疗方面的作用范文1
摘要：人工智能的迅速崛起，为老年健康管理提供了全新的途径，在优化老年健康管理全过程中发挥着重要价值。与此同时，因其服务于老年人这一特殊群体，对道德伦理的冲击表现得更加突出。当前，伴随着我国政府对人工智能的高度重视、企业与医疗机构的积极探索，人工智能在老年健康管理领域已积累了部分经验，取得了初步进展。然而目前人工智能在老年健康管理中的应用仍处于起步阶段，面临价格壁垒难以突破、信息孤岛劣势明显、多方主体合作不足、专业人才稀缺等现实问题。推进人工智能与老年健康管理的深度融合，需要政府、医疗机构与养老服务中心、科技企业等多方联动，构建配套管理机制，从而使人工智能更好地服务于老龄化社会。
关键词：人工智能；老年健康管理；老龄化；养老问题
作者：向运华王晓慧（武汉大学社会保障研究中心，湖北武汉430072）
人口老龄化是21世纪我国经济社会发展的重大国情，截至2018年底，我国60周岁及以上人口有2.49亿，占总人口的17.9%。人口老龄化态势加剧的同时，空巢老年人占比持续攀升，独居老年人群健康状况不容乐观，有74.7%的老年人患有至少一种慢性疾病。城乡失能、半失能老年人口近4063万，上门看病、康复护理等医疗健康类服务需求始终居于老年人各类需求首位。总书记明确指出“为老年人提供连续的健康管理服务和医疗服务”，健康老龄化成为健康中国时代和老龄化时代的重要命题。
万物互联的加速到来与人工智能技术的迅速崛起，正在改变着人们的社会资源获取方式和生活方式。AlphaGo大胜人类棋手，标志着人工智能已在某些领域走到了人类智慧的前列。以互联网为载体和AI为实现工具的经济发展新形态正在逐渐形成，为社会各领域创造了前所未有的机遇，也给老年健康管理模式的突破与创新提供了现实可能。智慧健康养老由此产生，其最大的特点在于大数据收集、需求的智慧决策与服务的精准投放。2017年工信部、民政部和卫计委联合印发《智慧健康养老产业发展行动计划（2017-2020年）》，强调利用新一代信息技术产品推动健康养老服务智慧化升级。各地积极开展智慧健康养老应用试点，打造“硬件环境+智能设备+互联网信息平台+居家养老服务”的健康养老生态系统。如何发挥人工智能技术在老年疾病预防、诊断、紧急救助、治疗与康复中的作用，如何有效联接医疗服务机构以确保老年人享受到更高效、更优质、更便捷的健康服务，是当前亟待研究的现实问题，这对于降低空巢老人独居风险，缓解老年护理人员短缺问题，提高老年人的健康水平具有重要价值。
一、立场博弈：人工智能时代老年健康管理的机遇与隐忧
（一）人工智能的崛起
人工智能（ArtificialIntelligence，简称AI）起源于1950年“图灵测试”的理念，其首次被公开提出可追溯到1956年“人工智能之父”McCartney在美国会议上的报告。随后人工智能随着技术的发展、社会的进步不断发展，1960年人工智能已能够理解自然语言、自动回答问题和分析图像图形等，20世纪80年代又获得了学习和认知能力。21世纪以来，物联网的加速普及、大数据的崛起、云计算等信息技术的突破，人工智能迎来了发展高峰，逐渐形成了深度学习、跨界融合、人机协同、群智开放、自主操控等新的特征，开始具有自我诊断、自我修复、自我复制甚至自我创新的能力①。人类相继进入了网络社会时代、大数据时代与人工智能时代，三者共同构成了新的社会时代②。
关于人工智能的概念，国际人工智能专家N.J.Nilsson将人工智能视为怎样表示知识、怎样获得知识及怎样使用知识的科学③。其后，学者对人工智能的概念从类人、理性、思维与行为等四个方面着手定义，有学者进而从学科角度对人工智能进行了解释，如国内学者吴汉东将人工智能定义为研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。综合诸多学者对人工智能的认识，笔者认为人工智能的实质是基于人类的设定与要求，能以与人类智能相似的方式作出反应的智能机器或软件。
人工智能时代的到来，正在改变甚至颠覆人类现存的生产、工作与交往方式。2016年美国的《国家人工智能研究和发展战略计划》指出，AI系统在某些专业任务上的表现胜于人类。1997年国际象棋、2011年Trivia、2013年Atari游戏、2015年的图像识别与语音识别、2016年AlphaGo等AI产品的问世与应用，成为AI超越人类的里程碑事件，见证了AI的智能水平和社会意义。近十年来，人工智能愈发广泛地应用在社会各个领域。农业领域，人工智能应用于自动播插与灌溉、日常田间管理、采收与分拣、产品检验、虚拟在线销售等产前、产中和产后各个环节，大大减轻了人类的劳动量④。工业领域，工业机器人广泛应用于汽车、电子、家电制造等生产线，缓解劳动力供需矛盾的同时提高了生产效率。服务业领域，微软“Cortana”、苹果“Siri”、联想“小乐”等智慧客服系统为大众所熟知；几乎所有股票交易员已被机器人取代，投资顾问、风险审查和安全防范监控监管都普遍智能化。公共服务领域中，人工智能亦发挥着日益重要的作用，如用人脸对比技术来筛查犯罪分子；人工智能辅助医疗诊断与手术；人工智能用于智能评测、个性化辅导等等。人工智能也开始进入艺术创作领域、心理服务领域。学界普遍认为，弱人工智能技术在当前已基本实现⑤。
（二）人工智能时代老年健康管理领域的机遇
当前，在新一代信息技术的引领下，物联网迅速普及，大数据快速积累，算法模型与运算能力持续突破，智能行业应用快速兴起，为我国人工智能的迅速崛起提供了现实契机。从人工智能技术层的语音识别、自然语言处理、图像识别和生物识别等，到人工智能应用层面的工业4.0、智能农业、无人驾驶汽车、智能家居、智能金融、智慧医疗与智能教育等，均得到了爆发式增长。我国正处于医疗人工智能的发展高峰，2016年中国人工智能+医疗市场规模达到96.61亿元，增长37.9%。据估计到2025年人工智能应用市场总值将达到1270亿美元，其中医疗行业将占市场规模的五分之一⑥。人工智能在老年健康管理中的应用主要体现在通过生理参数识别设备和无线射频识别装置等智能采集老年健康数据，为老年人提供双向、互动的居家健康监测、健康咨询、健康评估、健康干预服务以及紧急救助服务，克服时空限制，将健康管理贯穿疾病预防、诊断、治疗与康复整个过程。人工智能时代为健康管理尤其是老年健康管理提供了全新的途径，在优化老年健康管理模式过程中具有重要价值。
第一，人工智能的发展为缓解医护人员短缺提供了现实可能。据世界卫生组织公布的数据，欧盟关于每千人拥有护士数量的基本规定是不少于8人，挪威以17.27人位居世界第一，美国和日本分别是9.8人和11.49人，发展中国家例如巴西和南非，分别是7.6人和5.1人，然而我国每千人拥有护士数仅为2.36人。即使是按照大多数国家的5‰计算，我国护士缺口也多达350多万，如果按照欧盟的标准，则缺口更大。与此同时，我国社区养老服务专职人员数量少且增长速度缓慢。民政部2009年开始统计社会服务职业技能人员中的养老护理员，截至2016年我国养老护理人员仅8528人。根据第四次中国城乡老年人生活状况抽样调查结果，目前我国失能、半失能老年人口约为4063万，占老年人口数的18.3%，按照3：1的国际标准计算，我国需要超过1300万的护理人员。同样，虽然国家大力推进医养结合，将老年人作为重点人群纳入家庭医生签约服务，但家庭签约医生覆盖率仍不容乐观。如何“以少足多”是摆在当前我国政府面前的重要议题之一。人工智能的崛起为化解这一医疗难题提供了新路径。人工智能环境下，智能护理等机器的应用与推广，大大减少了老年人对护理人员的需要，虚拟医疗助手替代护士，在医生诊疗之外提供辅的就诊咨询、健康护理和病例跟踪等服务，既减少了老年人前往医院就诊的次数，又有助于提高护理能力。显然，这些对于缓解老年健康供需矛盾有积极意义。
第二，人工智能的发展为医疗机构提高服务效率提供了技术支持。一直以来，医疗服务效率都是备受关注和争议的问题。医疗服务效率，即医疗机构在投入与产出之间的比率，是医疗服务领域的核心命题与重要目标。近年来，随着我国医疗体制的不断改革与发展，各级医疗机构的效率有了显著提升，但受制于传统医疗机构管理模式的惯性思维影响，医疗机构的服务效率与民众期望仍有差距。新时代医疗服务效率的提升不仅需要制度的变革，也需要服务工具的革新。人工智能的发展为优化医疗服务提供了便利。一方面人工智能的应用降低了人力成本。医学影像占医疗数据的90%，而且这一数据仍在攀升，年增长率约为30%，而放射科医师数量的年增长率仅为4.1%，远不及影像数据增长速度。借助AI技术分析医学影像，将大大缓解医院缺少医生的压力。此外，语音技术在医疗行业的普及，也正在将越来越多的普通医生从日常机械式的医案录入工作中解放出来，提升录入的效率，降低失误率。另一方面，人工智能的应用也提高了医疗服务能力。人工智能辅助诊断技术应用在老年人某些特定的病种领域，几乎可以代替医生完成疾病筛查任务；智能手术机器人的应用既能保证精准定位，减少老年患者的疼痛，又能防止传统手术易带来的传染疾病等危险；人工智能参与药物研发，对于提高针对老年患者潜在药物的筛选速度和成功率，缩短研发时间与成本有实际意义。综上，人工智能的嵌入打破了以往医治全程医生亲力亲为的运作模式，智能机器的自主研判与决策能力，对于降低人力成本，大幅提高医疗机构、医生的工作效率与质量，减少不合理的医疗支出有积极意义。
第三，人工智能的发展有助于提高老年人自我健康管理能力。多数疾病都是可以预防的，但是由于疾病通常在发病前期表征并不明显，到病况加重之际才会被发现。而且由于老年人机体形态的改变和功能的衰退，对于疼痛和疾病的反应变得不敏感、不典型，很多病症易被忽略或误诊，加上老年人行动不便，其中有多数老年人即使不舒服也不愿前往医院进行诊疗。人工智能的应用大大缓解了这一状态。人工智能技术与医疗健康可穿戴设备的结合可以实现疾病的风险预测和实际干预，实时监测老年人的生理参数，其双向数据传输、在线沟通、便捷有效的特点，一方面可帮助老年人实时了解与掌握自身的健康状况，享受个性化的健康管理和健康咨询服务，满足其健康教育需求；另一方面也能提高老年人自我健康管理意识，促进其积极参与自我健康管理和自我照顾，实现医疗卫生服务重心前移和全民健康管理。人工智能环境下的自我健康管理的实现延伸了传统医疗的覆盖能力，节省了传统医疗方式的时间、空间成本及医疗费用，能够有效缓解老龄化带给整个社会医疗系统的负担。此外，居家健康管理系统能为卫生管理者提供健康数据，有助于建立完备、标准化的居民电子健康档案和区域卫生信息共享平台，使政府突发公共卫生事件监测和应急体系的运转更为高效、准确。
（三）人工智能时代老年健康管理领域的隐忧
万物都有两面性，人工智能同样是把双刃剑，人工智能从诞生至今，其对伦理的冲击就不断被讨论。人工智能给老年健康管理带来巨大便利的同时，也对道德伦理问题提出了重大挑战。与人工智能的一般伦理问题相比，人工智能在老年健康管理中的应用因其服务于老年人这一特殊群体表现得十分特殊与突出。主要表现为两个方面，一是老年人人格与尊严的多方面权益保障伦理问题更为加剧，二是老龄社会正义伦理问题更显突出。
老年人人格与尊严的多方面权益保障伦理问题体现在隐私泄露、社会孤立与老年人的“物化”三个方面。首先，为更好地提供全方位健康管理服务，智能老年健康管理系统和智能设备需要采集老年人日常起居全时段、全方位、无盲区、长周期的海量生理数据，其中绝大多数的数据属于隐私数据。这些数据通过简单的分析和挖掘，就能得出老年人的生活习惯、身体状况等信息，一旦被无意或有意泄露，极易被不法分子所利用以进行精准推销甚至精细诈骗等违法活动，这对于易受骗的老年人群体来说无疑是巨大的隐忧，由此可能带来的损失也不可小觑。《世界人权宣言》第12条规定任何人的私生活、家庭、住宅和通信不得任意干涉，他人的荣誉和名誉不得加以攻击。正如一些学者认为我们应该对于弱势群体运用特别的隐私保护政策①。然而目前我国的相关法律和政策还不尽完善，如有关病历资料保护的法律或文件（《刑法》《侵权责任法》《医疗机构病历管理规定》等）中多为宣示性条款，也尚无老年人隐私安全的针对性文件。如何保证健康数据在实时采集、传输、存储、分析与使用过程中的安全，数据应当被保留多久、谁拥有隐私数据的访问权等都是智能老年健康管理领域亟需解决的隐私方面的具体伦理问题。其次，智能机器监护老年人可能导致减少老年人社交、子女的陪伴。关于智能护理机器人的引入对老年人心理问题的影响研究表明，使用护理机器人的老年人易出现社会孤立现象，进而导致尊严受损②。过多的智能既会减少老年人外出和交流的频率，也使子女或亲朋责任感降低，对老年人的关怀止于虚拟问候，而不再是频繁地看望与聊天。有学者认为，健康助手功能会使原本亲近的护理关系转换为远程的虚拟的照料关系③。从而加剧老年人心理上的空虚感与孤独感。如何缓解和调节老年人心理问题是人工智能在老年健康管理应用过程中不得不面对的问题之一。最后，老年人的“物化现象”也是值得关注的具体伦理问题。所谓物化，Kitwood对其的定义是：像对待无生命物质那样对待人：推、拉、拽一个人，不把他当作一个有生命的个体。Astell曾认为辅助机器人可能会机械地控制使用者，并逐渐使其变得失去自主性④。智能护理机器人等操控式的服务过程有可能损害老年人自主意愿，老年人普遍认为不应该限制他们自主选择的权利，如他们不希望所有人知道他们在家中跌倒，因为某些跌倒仅是小事，自己可以克服，他们认为只有自己需要帮助的时候才应通知别人。然而这与智能护理系统一旦发现护理对象跌倒，就立即发送消息给亲人或医护人员的护理策略相矛盾⑤。机器人应在何种程度上保障老年人的自主意愿，减轻其心理负担，维护其尊严，是值得研究的课题。
老龄社会正义伦理问题主要体现在地区差异方面。由于我国国土面积大，各地区经济发展水平并不一致，地区差异、城乡差异问题都不容忽视。考虑到护理服务涉及人最基本的健康权利，然而由于经济发展和收入水平不同，偏远地区、农村的互联网都不畅通，健康信息系统建设不到位⑥，老年人往往无力购买智能可穿戴设备、智能护理机器人等健康管理机器，贫富差距引发的社会资源分配不公问题凸显。如何在研发和推广智能设备中充分考虑老年人的购买力，是关乎社会正义的伦理问题。
二、现实考察：人工智能时代老年健康管理的困境
（一）人工智能时代老年健康管理的经验
改革开放以来，尤其是进入21世纪之后，我国人工智能技术得到了巨大的发展。据中国电子信息产业发展研究院数据统计，2017年我国人工智能市场规模为216.9亿元，比2016年增长52.8%，增长速度快于全球平均水平，2020年有望超过700亿元①。其中，“人工智能+融合医疗、金融、教育和安防等领域企业”位居全球人工智能目标市场行业首位，总计占比40%。国家高度重视，企业与医疗机构积极探索老年健康产品的研发、推广与应用，先后积累了一些经验，取得了初步进展，为人工智能服务于老年健康管理奠定了重要基础。
首先，信息化与大数据推动智慧医疗的发展，为人工智能在老年健康管理中的应用提供了技术支撑。信息化与大数据是人工智能有效嵌入的基本要素，因此医疗信息化的实现和医疗大数据资源的壮大是推动人工智能在老年健康管理应用的重要基础。近几年来，高速、移动、安全的新一代信息基础设施建设加快，城市社区光纤网络覆盖率不断提升，中国互联网络信息中心（CNNIC）的《中国互联网络发展状况统计报告》显示互联网逐渐向高龄人群渗透，60岁以上老年人对互联网的接触率和应用率逐年上升。与此同时，健康养老服务信息平台建设不断推进，早在2011年，老龄办和民政部门就在全国范围内推进社区为老服务信息平台建设项目启动试点工作，试点项目50余个，据统计覆盖老年人口仅3000多万；2014年民政部和发改委确定在全国选取了42个地区推进养老服务业综合改革试点，改革的重点之一即是加快信息平台建设。2018年国务院《关于促进“互联网+医疗健康”发展的意见》，强调推进远程医疗覆盖全国所有医联体和县级医院，支持高速宽带网络覆盖城乡医疗机构，建立互联网专线保障远程医疗需要。“互联网+医疗服务”建设初具规模，各级医疗机构、养老服务机构积累了大量老年人有关的数据资源，其中包括老年信息数据库建设与大数据共享平台与服务平台建设，为下一步人工智能的嵌入奠定了坚实根基。
其次，国家高度重视，政策与法律建设不断推进，为人工智能在老年健康管理中的应用提供了制度基础。一方面，为推动人工智能的迅速发展，近年来我国人工智能领域指导性政策文件不断出台。如2017年7月国务院印发《新一代人工智能发展规划》，同年12月工信部公布《促进新一代人工智能产业发展三年行动计划（2018-2020年）》，明确了我国新一代人工智能发展的战略目标，部署构筑我国人工智能发展的先发优势，加快创新型国家和世界科技强国建设。2018年1月中国电子技术标准化研究院《人工智能标准化白皮书（2018版）》，提出确立人工智能产业发展的标准体系；3月政府工作报告明确指出加强新一代人工智能在医疗、养老等多领域的应用。各省市积极响应，出台本地区的具体实施意见，为人工智能在老年健康领域的应用确立了方向。另一方面，为应对各类风险与危机，我国不断推出信息建设与信息安全的相关规定。据统计目前我国信息治理层面的相关法规已有100余件，涉及个人信息保护、网络侵权预防和网络犯罪惩治等多个领域②。具体到医疗行业，2013年国家卫生计生委、国家中医药管理局印发的《关于加快推进人口健康信息化建设的指导意见》，2015年国务院办公厅印发的《全国医疗卫生服务体系规划纲要（2015-2020年）》，2017年工信部、民政部、卫计委联合印发的《智慧健康养老产业发展行动计划（2017-2020年）》等文件，都着重强调形成覆盖全生命周期的智慧健康养老产业体系，打造一批智慧健康养老服务品牌。2016年12月，国务院办公厅印发《关于全面放开养老服务市场提升养老服务质量的若干意见》提出推进“互联网+”养老服务创新，到2020年养老服务市场全面放开等，都指出实现全员人口信息、电子健康档案和电子病历三大数据库要基本覆盖全国人口并完成信息动态更新。这些直接或间接性文件的不断完善，为人工智能在健康领域的应用提供了基本的制度框架。
最后，在技术与政策环境的激励下，人工智能在老年健康管理中的应用初见成效。从易得的传感器，到智能化的可穿戴设备，智能护理床、健康服务机器人、陪护机器人等服务机器人，越来越多智能设备参与到老年人健康管理领域。近几年，房地产商、保险公司、养老机构积极推出高端养老项目，健康服务机器人也随即而来，其中天津哈士奇机器人作为全球首台健康服务机器人成为标志性事件。而后，机器人也开始应用在福利中心和养老机构，仅杭州就有70家养老机构和40家照料中心引进了“阿铁”养老机器人①②，机器人具备健康检测、健康顾问、紧急报警与陪伴逗乐四项主要功能。同时依托“互联网+”搭起智能居家养老服务的桥梁，一是通过智能健康腕表随时测量血压、心率等生命体征数据。相关研究表明可穿戴智能设备在治疗慢性病方面有显著效果，治疗费用、住院时间等都有所降低③④。二是“开心”等智能健康养老机器人通过人体感应、摄像头远程监护、声源定位、语音识别等系统为居家老人提供安全监护、用药提醒、数据分析等健康服务，约87%的受访者表示类似于“开心”的智能健康养老机器人会对空巢老人有用⑤。三是通过“互联网+”和远程医疗、远程手术等满足老年人的医疗需求，通过机械骨骼、轮椅机器人等助力老人康复⑥。从监护到治疗，人工智能在各种养老模式的老年人中的初步试水，为应对人口老龄化提供了战略性思维。
（二）人工智能时代老年健康管理的难题
人工智能为老年人实现全过程健康管理提供了条件，推动了老年健康管理模式的突破与创新，然而目前人工智能在老年健康管理中的应用仅处于起步阶段，尚有很多问题需要解决。
其一，从应用范围来看，价格壁垒难以突破，老年健康管理中人工智能缺乏动力。医疗行业本身就极具复杂性和特殊性，医疗体制改革和医养结合养老模式发展已推行多年，但仍有很多问题为人们所诟病。人大代表罗卫红曾提出目前医养结合虽初具成效，但仍存在医养结合服务需求与承载力不对称、行业管理体制不完善、医养结合医保支付政策难以保障护理需求等问题。人工智能嵌入老年健康管理为医养结合模式的发展创造机遇的同时，也提出了更高的要求。人工智能设备造成的健康管理服务费用谁来支付、怎样支付，目前国内尚未达成共识，这也解释了为什么目前智能健康机器人多出现在养老机构，而非居家老人家中。不可否认，在当前医疗卫生服务供给不足的情况下，医养结合型养老机构非常重要，机器人的引入对老年人尤其是对高龄老人、半失能老人与失能老人带来了极大的便利。然而无论是9064模式还是9073模式，绝大多数老年人是居家养老。针对居家生活老年人的健康监测、预防、治疗、康复、护理和心理慰藉等服务需求亟需人工智能的嵌入，然而形势不容乐观，一方面是因为智能装备价格较高，老年人个体往往无意愿或无力购买较为昂贵的智能感应设备，另一方面是因为担心后续健康服务能否持续跟进，比如一个智能腕表就价值几千元，如果后期的服务没跟上，老年人损失就会很大。人工智能的应用必须考虑各方支付意愿，其价格在某种程度上决定了其可推广的范围。如何围绕大健康战略来定位发展人工智能，实现医疗健康服务利益相关者的协作，为老年人提供全方位全周期的健康服务是亟须解决的关键问题之一。
其二，从信息化建设来看，人工智能应用于老年健康管理的信息孤岛劣势明显。人工智能的应用离不开信息技术的支撑。推进医疗服务大数据建设，建设老年群体数据库与医疗服务信息平台，统一相关数据标准是基础。“人工智能+医疗”最大的问题在于数据的来源和质量，因为我国的医疗数据在医院与医院间、医院与家庭间存在信息孤岛，即使在同一个医院提取和利用数据仍涉及很多操作手续。与此同时，虽然各地政府一直在强调健康养老服务信息平台建设，但进程并不乐观，多数老年健康服务仅停留在通过社区门诊或体检获得数据，共享在街道一级，实现市级统一平台建设的省份屈指可数。除了技术条件的制约，更多的是缺乏全局的考虑与统筹规划，民政部门、统计部门、公安部门、卫生部门、医院等多部门之间的责任模糊，各涉老部门缺乏沟通与配合；各地区各自为政，缺乏共享理念和共享动力，有效的沟通不足，相互之间在操作系统、网络协议、语义表示、数据库类型，乃至硬件管理平台上存在差异，医疗信息数据不能有效实现地区共享，阻碍了人工智能赖以为生的数据信息资源的有效流通，既造成了数据信息资源重复建设，也限制了数据信息资源功能的最大发挥。可见，要想人工智能应用于老年健康管理，积极突破数据壁垒势在必行。
其三，从健康服务相关主体来看，养老机构、社区服务中心、医疗机构与企业的合作不足。养老服务机构、医疗机构等服务机构本身不生产人工智能设备，而是通过引进人工智能设备服务于老年人，科技企业才是人工智能产品的生产者。服务机构最了解老年健康管理全过程需要什么样的人工智能产品，而科技企业则在技术上独占优势。二者通过跨界合作发挥各自的优势，才能明确研发内容，最大程度缩短研发周期，以满足老年人健康管理的需要。然而目前国内各级医疗机构、养老服务机构在该领域的开拓相对滞后，除了发达城市的大型房地产公司通过与科技公司合作建设高端养老基地，应用人工智能参与老年健康管理服务，实现了企业间的人工智能合作外，多数医疗机构、养老服务机构有待进一步跟进。与此同时，医疗机构、养老服务机构提升自身对人工智能产品的驾驭能力也离不开同科技企业的有效合作。两者有效合作的缺乏在一定程度上制约了老年健康管理过程中的人工智能创新能力的提升。两者如何建立合作机制，共同推进人工智能的技术创新与应用是人们不得不思考的当务之急。
其四，从研发主体看，老年健康管理领域的人工智能发展受制于稀缺的专业人才。人工智能任何相关技术方面的突破都依赖于人才，可以说其发展能力取决于人才数量。《全球人工智能人才白皮书》显示全球AI领域的人才缺口达到百万量级，2017年工信部发言人指出在我国人工智能人才缺口超过500万，稀缺的专业人才资源是制约全球人工智能技术发展和应用落地的一大短板。人工智能的专业人才既要掌握数据挖掘、语音图像识别等计算机层面知识，又要了解人工智能应用领域的客观状况。AlphaGo之所以能战胜人类围棋世界冠军，在一定程度上是因为其设计者DemisHassabis本人就是天才棋手①。因此，人工智能老年健康领域的专业人才需要集计算机专业技术与健康养老服务行业实践于一身，才能研发出适合老年群体的智能健康医疗设备。目前国内的人工智能专业性人才缺乏，且多集中于制造业、互联网等领域的技术开发工作，虽然一些科技公司与医疗机构合作取得初步的成果，但在医疗领域结合上缺乏深度，直接针对健康服务领域的人工智能人才更是不足，阻碍了老年健康领域人工智能技术的推行。
三、未来选择：人工智能时代老年健康管理的关键路径
人工智能时代的到来，为老年健康管理创造了全新的环境，同时也对政府、社区、医疗机构、养老服务机构等提出了更高的要求。面对人工智能的迅速发展，需积极推进人工智能与老年健康管理的深度融合，以促进适应时代诉求的老年健康管理智能化。
（一）构建人工智能嵌入老年健康管理的管理机制
DouglassC.North指出制度是社会的游戏规则，规定了人与人之间的行为范式②。人工智能时代老年健康管理迫切需要现有机制的突破与创新，当前必须做好三个层面的具体工作。
一是形成专业的领导机制。人工智能科学嵌入老年健康管理离不开政府部门的统一规划和部署。2018年国家医疗保障局成立，整合了此前散落在人社、民政、卫计委、发改委等多个部门的相关医疗职能，改变了“九龙治水”的管理局面，为人工智能在医疗行业、健康领域的嵌入提供了契机。在老年健康领域推广人工智能应纳入医疗保障局的工作内容，积极推动医疗机构、养老机构、社区养老服务中心等与科技企业的合作，全方位部署人工智能在老年健康管理中的应用格局，从传感器，到智能化的可穿戴设备，健康服务机器人、智能护理床、陪护机器人等服务机器人，从智能家居设备、养老服务机构智能设备，到智能医疗机器，从老年人健康数据建设到疾病的预防、治疗、康复与护理等，培养一支兼具智能理念和实践经验的新型领导队伍，确保政府部门在人工智能应用中始终掌握主动权。
二是培养多元主体信息共享机制。人工智能的发展与应用依赖于数据，因此，人工智能嵌入老年健康管理，一方面需要挖掘分析大量老年健康数据，以便人工智能设备的研发，另一方面需要医疗机构、养老机构、社区居家服务中心、老年人等相互间的数据连通与安全共享，促使多方有效参与老年健康管理。加快健康养老信息平台建设迫在眉睫，要着力提升多元参与主体的数据素养和技术素养水平，促进多元主体相互间协同配合，协调老年健康数据在各部门间的流通，实现数据信息的交互及供需的有效匹配，从而打破数据壁垒，为提升老年健康管理水平提供数据支撑。
三是建构道德伦理矫正机制。享受人工智能给老年健康管理带来巨大便利的同时，也必须正视其对道德伦理的挑战。首先，进一步完善信息保护机制，减少甚至消除老年人对个人信息数据泄露的担忧。其次，科学认识和使用人工智能。虽然现有的人工智能在某些层面和维度接近、达到甚至超过了人类智能，但其工具性色彩没有改变，人工智能在老年健康管理中的应用旨在提高健康管理水平，而不是取代医护人员和亲朋好友。儿女的关心、好友的慰问以及老年人必要的社交互动都不可或缺。最后应通过技术发展，为人工智能注入情感，促使人机交互更加和谐。
（二）构建以人工智能为核心载体的老年健康技术系统
推进各级医疗机构和各地养老机构在老年健康管理中发挥更大的作用，需要通过智能化处理系统和便捷高效的急救处理流程，即系统能自动采集老年人身体状况数据并进行分析，当发生意外跌倒或生命体征数据出现异常，智能呼叫相应的医疗机构，使老人及时、准确地获取医疗服务。为此，应重点做好两个层面的工作。
一方面，建设针对老年健康管理的智能处理系统。智能化系统基于计算机网络技术和信息技术，强化老年健康的数据挖掘系统和数据存储系统建设，有效整合老年健康管理智能化进程中的各类非数值型、非结构化数据，同时有针对性地引进合适的人工智能技术，如生物识别技术、自然语言处理、机器学习、虚拟等，提升人机交互过程中老年健康数据的处理效率，并以此形成由知识库、数据库、推理机、解释器和知识获取等组成的老年健康管理系统，为提高老年健康管理水平奠定基础。
另一方面，创新以人工智能为基础的医疗流程。智能系统的生命在于应用，老年健康管理途径与方式的优化必须以智能处理流程的创新为依托。其一，通过人工智能实现老年人健康状况的自动检测，根据不间断、全方位的健康数据跟踪，智能评估老年人身体与心理的健康状况，并基于数据分析提出智慧决策，确定老年人在健康方面应采取的措施。其二，智能系统要在识别老年人紧急救助需求的基础上，主动通知医疗机构，使老年人及时得到救助。至于医疗机构的选择应符合分级诊疗原则与就近原则。这对于减少老年人独居风险，为空巢老人提供“健康保险”有积极的现实意义。
（三）构建“校—企—医/养”在人工智能领域的深度合作机制
学校是人才培养的重要阵地，科技企业是人工智能产业发展的主力军，而医疗服务机构与养老机构是老年健康管理的重要参与者。推进人工智能在老年健康管理领域的应用，迫切需要三者的深度协作，以达到通识成材、借势运力、以智发展的目标。
其一，探索高校与企业协同人才培养模式。相比美国人工智能人才数量，我国明显滞后。据领英数据显示，我国从业经验10年以上的AI人才占AI人才总数比例不足40%，而美国这一比例超过70%；美国人工智能基础层、技术层和应用层的人才数量占比分别为22.7%、37.4%和39.9%，而中国为3.3%、34.9%和61.8%，人才培养势在必行。如上文所述，人工智能的专业人才既要掌握数据挖掘、语音图像识别等计算机层面知识，又要了解人工智能应用领域的客观状况。科技企业需要高校的理论与人才的支持，而高校则可借助企业的数据资源和技术平台推进科研理论进展，将研究价值落地。因此，高校应加强人工智能相关学科建设，吸引国际顶级科学家和高层次人才，加强与科技企业、国外高校及相关机构的合作，将技术教学贯穿到实训项目中，让学生在校所学与企业实践有机结合，培养贯通人工智能基础理论、软硬件技术与医疗服务领域应用的纵向跨界人才。人工智能校企合作将有助于人工智能在老年健康领域的加速发展，为人工智能应用打开新局面。
其二，搭建医疗服务机构与企业合作平台。近年来，阿里巴巴、百度、腾讯和华为等国内企业在人工智能领域的崛起，为老年健康管理的转型提供了技术支撑。人工智能本身就涉及多重技术，不同行业或领域的关键技术必然存在差异，加快人工智能在老年健康管理中的应用，医疗服务机构既要借助科技企业的技术优势，引入智能技术，又要借助科技企业的智力优势，培育服务人才。这就要求医疗机构积极通过研发外包的途径，由科技企业打造契合老年健康管理需求的智能软件与硬件，加快老年健康管理智能产品的开发与推广，促进产品从监护提醒类、健康监测类，到医疗设备类、陪护聊天类，关注老年人身体健康的同时注意开发心理健康护理机器人，实现智能产品的多元化与精准化。与此同时，医疗机构通过与科技企业的合作，提高本机构内部人工智能的应用能力。
（四）构建老年健康管理人工智能产品的定价与补贴机制
人工智能在老年健康领域推行受阻的一个很重要的原因是企业囿于无利可图与老人抱怨收费高现象并存。老年健康领域人工智能产品与服务的价格既不能完全市场化也不能严控低价，应建立合理的定价机制与相应的财政保障机制，以平衡市场主体盈利与老年人经济承受力来促进人工智能在老年健康领域的广泛应用。
一方面，合理确定老年健康领域人工智能产品的价格。老年人的健康管理产品与服务具有一定的福利性，过高的价格会忽略老年人的经济承受能力，过低的价格又影响社会资本的收益率与参与积极性，阻碍该领域的进一步发展。根据资本资产定价模型，任何资产的期望收益率都由无风险利率和对所承担风险的补偿—风险溢价两部分构成，考虑到服务对象的特殊性，老年健康领域人工智能产品合理的投资收益率应等于或略低于市场平均投资收益率，兼顾经济效益与社会效益。
另一方面，建立相应的财政补贴机制。虽然老年人收入来源更加多元，自报需要照护服务的比例不断提高，越来越多的老年人有能力购买健康管理设备，但价格仍然是影响其选择与否的关键因素之一。而且受年龄、身体状况、收入等多重因素影响，有必要分地区、分群体进行大面积的调查统计，找到不同身体状况与经济状况的老年人有能力和意愿支付的平均价格。根据计算出来的市场价格与老年人可支付的价格，分类别分等级进行补贴，对于经济困难的失能半失能老人要免费配置相应的智能设备。
此外，加强老年健康管理人工智能应用状况的监管体系和绩效评价体系。当前人工智能技术整体还处在较低的发展层次，在认知能力、感知行为、风险对抗等诸多方面仍比较笨拙，应在加强人工智能嵌入的可能性风险管理的基础上，采取第三方评估方式，科学评价人工智能应用过程的技术适用、服务质量等环节。推进老年健康管理领域的人工智能应用的不断改进与发展。
四、结语
人工智能在医疗方面的作用范文2
AI从诞生到现在已经有60年的时间，期间经历两轮起落，呈阶梯式进化，走到今天进入第三个黄金期。如果按照其智能科技水平划分，今天的人工智能尚处在狭义智能向广义智能进阶的阶段，还是一名不折不扣的“少年”，未来拥有无限的可能和巨大的上升空间。
AI是一门交叉的学科：人工智能由不同的技术领域组成，如机器学习、语言识别、图像识别、自然语言处理等。而同时，它也是一门交叉学科，属于自然科学和社会科学的交叉，涉及到哲学和认知科学、数学、神经生理学、心理学、计算机科学、信息论、控制论、不定性论等学科。人工智能领域的技术壁垒是比较高的，并且会涉及到多学科协作的问题，对任何公司来说，想做好人工智能将是一门大工程。未来不大可能出现一个公司能包揽整个人工智能产业每一个部分的工作，更可能的模式将是一个公司专注于一个相对细分的领域，通过模块化协作的形式实现人工智能领域的不同应用。
进化史呈阶梯状，以阶段突破式为成长模式：人工智能的发展经历了两次黄金和低谷期，
现在正经历着第三个黄金期。1956年，麦卡赛、明斯基、罗切斯特和申农等年轻科学家在达特茅斯一起聚会，并首次提出了“人工智能”这一术语，标志着人工智能的诞生。第二年，由 Rosenblatt 提出 Perceptron 感知机，标志着第一款神经网络诞生。1970年，因为计算能力没能突破完成大规模数据训练，人工智能的第一个黄金期到此结束。
后直到1982年德普霍尔德神经网络的提出，人工智能进入第二个黄金期，之后BP算法的出现使大规模神经网络训练成为可能，人工智能的发展又一次进入。1990年，因为人工智能计算机和DARPA没能实现，政府撤资，人工智能又一次进入低估。2006年，随着“深度学习”神经网络取得突破性进展，人工智能又一次进入黄金时期。
AI将由狭义智能向广义智能进化，虽然人工智能的诞生已经有60年的时间但如果把它比喻成一个人的话，当前的他应该还未成年。按照人工智能的“智能”程度，可以将其分成狭义智能、广义智能、超级智能三个大的发展阶段，现阶段的图像与语音识别水平标志着人类已经基本实现狭义智能，正在向广义智能的阶段迈进。
狭义智能：即当前的技术已经实现的智能水平，包括计算智能与感知智能两个子阶段，计算智能指的机器开始具备计算与传递信息的功能，感知智能指机器开始具备“眼睛”和“耳朵”，即具备图像识别与语音识别的能力，并能以此为判断采取一些行动。
广义智能：指的是机器开始具备认知能力，能像人类一样获取信息后主动思考并主动采取行动。在这个阶段，机器可以全面辅助或代替人类工作。
超级智能：这个阶段的机器几乎在所有领域都比人类聪明，包括科学创新、通识和社交技能等。这个阶段目前离我们还比较遥远，到时候人类的文明进步和跨越或许将有赖于机器，而机器人意识的伦理问题也许将在这个阶段成为主要问题。
推荐引擎及协同过滤可以分析更多的数据
智能助手并不只局限于Siri等手机语音助手。微软率先在win10 系统中加入个人智能助理Cortana，标志着个人PC端智能助理的出现;图灵机器人以云服务的方式进入海尔智能家居、博世mySPIN车载系统，预示着多场景人工智能解决方案的潮流。初步实现人机交互的智能助手系统，已经被应用于智能客服、聊天机器人、家用机器人、微信管理平台、车载系统、智能家居系统、智能手机助理等多个软硬件领域。
垂直类网站及社交平台可以借助智能助手系统打造高专业度的“在线专家”以提升平台价值;企业可以借助以“语义识别”为基础的智能助手系统，打造智能客服，效率远高于传统的以“关键词对应”为技术支持的客服系统。
推荐引擎，是主动发现用户当前或潜在需求，并主动推送信息给用户的信息网络。挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象。传统推荐引擎通常利用用户在平台上的历史记录进行推荐，效率低、匹配度不高。目前随着大数据和深度学习技术的推进，推荐引擎及协同过滤可以分析更多的数据，乃至全网数据，并模拟用户的需求，真正达到按需推荐。全球最大的正版流媒体音乐服务平台Spotify也利用卷积神经网络参与建设其音乐推荐引擎;谷歌也提出利用深度学习方法来学习标签进行推荐建设。出品纸牌屋的全球最大在线影片租赁公司Netflix 也利用深度学习网络分析客户消费的大数据，还计划构建一个在AWS云上的以GPU为基础的神经网络。
“餐厅推荐引擎”Nara，便是一个利用AI技术的推荐引擎。在上线之初，Nara 就取得了400万美元的投资。Nara 的数据库中有超过100000家餐厅的信息，并利用特有的“Nara神经网络”，学习使用者的偏好，最终达到“电脑帮你点餐”的目的。
而今年3月22日，国内AI领军企业阿里巴巴旗下的阿里云数加启动“个性化推荐”引擎对外公测，该引擎用于帮助创业者可以快速获得媲美淘宝天猫的个性化服务能力。阿里云数加上的推荐引擎能够以更低的成本完成开发，节省程序量达到90%，推荐引擎的搭建时间将由几个月缩短到几天。
对于不了解算法的人，只能实现标签规则类的推荐，但如果要做成机械化、类似协同过滤的算法，创业公司需要配置大量的算法工程师，人力成本很高。现在用了数加的推荐引擎，商家只需要做数据的ETL加工，推荐的结果集、训练集都不用处理，只需要调整参加即可得到推荐结果。
AI带给人们新的视觉???
医疗：为健康诊断和药品研发插上高飞的翅膀
健康诊断有望迎来新纪元，海量的病历数据和医学界的新研究成果，单靠人工很难及时筛选并利用，而引入人工智能技术将充分发挥这些信息的价值。例如著名的个人健康管理产品公司Welltok将 IBM的Watson功能融入旗下产品 CafeWell Concierge APP中，借助 Watson 的认知计算能力理解人类语言，实现与用户沟通的能力，从大量数据中进行分析并为用户提供健康管理相关的答案和建议，实现健康管理、慢病恢复训练、健康食谱等功能，这一领域的良好前景使 Wellltok公司近年的融资额连创新高。另外，2015年IBM斥资10亿美元收购医疗影像与临床系统提供商Merge，将研究如何实现 Watson的“辨读”医学影像功能。此外，AI 还可以从医疗中心获得的健康数据，通过大数据分析，实现根据分析患者行为来制定个性化治疗方案的功能。
智能家居：天花板尚远，AI有望成为核心
行业天花板尚远，增速有望保持在 50%左右， 《钢铁侠》中的“Jarvis”作为智能管家，除了起到钢铁侠的小秘书的作用，还帮主人打理着日常生活，向我们展示了一个理想中的智能家居系统。虽然我们目前可能离那个无所不能的智能管家还很遥远，但智能家居对我们生活的变革确实已经开始了。根据《2012-2020 年中国智能家居市场发展趋势及投资机会分析报告》的预测，我国智能家居市场在 2016年将达到605.7亿的规模，同比增长50.15%，到2020年市场规模将达到3294亿，年均增速将保持在50%左右，具备充足的向上延伸空间。而智能家居想达到“Jarvis”般的终极效果，必然需要引入AI技术，实现家居的感应式控制甚至自我学习能力。
AI有望成为智能家居的核心，实现家居自我学习与控制。按照智能家居的发展进度，大致可以分为四个阶段：手机控制、多控制结合、感应式控制、系统自我学习。当前的发展水平还处在手机控制向多控制结合的过度阶段。而从多控制结合向感应式控制甚至自我学习阶段进化时，AI将发挥主要功能。到今天为止，家居的实体功能已经较为全面，未来的发展重点可能在于如何使之升级改造，实现家居的自我行为及协作，因此未来AI在智能家居领域的应用有望成为其核心价值。AI对智能家居的重构可以深入到方方面面，包括：控制主机、照明系统、影音系统、环境监控、防盗监控、门窗控制、能源管理、空调系统、花草浇灌、宠物看管等等。
无人驾驶：政策渐萌芽，AI决定可靠性
优点多、动机足、政策渐萌芽。据麦肯锡的调查显示，如果能解放驾驶员的双手，一辆无人驾驶汽车内的乘客通过移动互联网使用数字媒体服务的时间多一分钟，每年全球数字媒体业务产生的利润将增加 50亿欧元。此外，由于自动泊车无须为乘客下车预留开门空间，使得停车位空间可缩减至少15%。
如果无人驾驶汽车以及ADAS系统能够将事故发生率降低90%，即可挽回全美每年的损失约1千900亿美金。可以说诸多的优点使得无人驾驶技术的研发动机还是相当充分的，因此未来无人驾驶推行的力度应该还会保持在一个比较高的水平。美国勒克斯研究公司曾预计无人驾驶汽车的市场规模在2030年将达到870亿美元。
到目前为止，各国政府对于无人驾驶技术在政策上的支持正逐步放开，美国政府在年初刚刚宣布了40亿美元的资助计划;英国目前已经不需要获得额外批准和履约保证即可进行实际道路的无人驾驶汽车测试;而德国也在去年宣布将计划设立无人驾驶汽车测试路段，供安装有驾驶辅助系统或全自动驾驶系统车辆行驶;欧盟总部正在就如何修改现行有关驾驶的法律法规从而支持自动驾驶的发展展开讨论和研究工作;日本也提出要在2020年之前实现自动驾驶汽车方面的立法，并将自动驾驶作为 2016年9月七国集团交通部长会议的议题。
“无人汽车大脑”AI的智能程度决定了无人驾驶的可靠性。由于无人驾驶完全交由汽车的内置程序负责，因此AI就是无人汽车的大脑，而测距仪、雷达、传感器、GPS等。设备都是AI的“眼睛”。AI的智能程度直接决定了无人驾驶汽车在不同的路况、不同的天气、甚至一些探测设备出现故障的突况下能否及时做出正确的判断并灵活调整行驶策略，最终决定了无人驾驶汽车当前最亟待突破的可靠性。
NVIDIA 在2016年的 CES大会上了“Drive PX 2”车载计算机，以及一套与之搭配的具有学习功能的自动驾驶系统。该系统的亮点在于“自我学习”，通过让车辆自行分析路面状况，而不是在数据库中寻找预先储存的策略实现自动驾驶，系统背后连接着名为NVIDIA DIGITS的深度学习训练平台，最终连接到NVIDIA DRIVENET神经网络，为车辆的自我学习和完善提供支持。并且由于它是通过判断物体的行进轨迹而不是物体本身去计算路径，因此在驾驶时受天气影响较小。
AI 成必争之地
目前全球AI主战场依旧在欧美。Venture Scanner的统计显示，根据从事 AI相关业务的公司数量来看，目前全球 AI的主战场还是集中在北美和西欧地区。美国数量最多，达到450家左右的水平。而中国从事相关业务的公司数量还比较少，和俄罗斯、澳洲、部分欧洲国家及非洲南部国家水平接近，相比起欧美国家的AI公司数量，还有很大的提高空间。
Google：投资未来的人工智能帝国
建立Alphabet帝国，具备品牌背书效应。2015年，谷歌成立母公司 Alphabet， 搜索、广告、地图、App、Youtube、安卓以及与之相关的技术基础部门”仍属于谷歌，而Calico、Nest、Google Fiber、Google Venture、Google Capital 及 Google X 都将独立出来，成为 Alphabet 旗下的独立公司。通过建立 Alphabet集团，谷歌将不同业务的研发独立出来，以子公司的形式进行业务开展，保留在Google这个品牌下的基本都是原有的传统强势业务。
而其它公司负责在各自的领域“打头阵”，一旦业务研发成功，母公司连带着google这个品牌都可以受益，而如果研发失败，也不会公司的品牌造成多大的不良影响，建立了良好的品牌背书效应。将机器学习技术应用到所有产品之中，我们不难发现，谷歌近年几乎将人工智能渗透到了旗下的各类产品中，可谓是全线铺开。正应了谷歌 CEO的那句话：“我们将小心谨慎地将机器学习技术应用到我们所有的产品之中。”根据当前Alphabet 的集团架构，我们将涉及到AI应用的子公司情况以及相应的业务开展情况罗列如下：
Nest：从事智能家居生态系统建设。2014 年谷歌以32亿美元收购 Nest。Nest 生产智能恒温器，它能够学习用户的行为习惯，并且根据他们的喜好去调节温度。同时，Nest 也提供火警探测器和家庭安全摄像头等智能家居。
Google X：谷歌各类创新技术的“孵化池”。Google X开展的与AI有关的项目有：无人驾驶汽车、Project Wing 无人机送货项目、对抗帕金森氏症的 Liftware“反抖”汤匙、用于疾病预警和健康监控的可穿戴设备、Project Titan 太阳能无人机项目、以及 Replicant 团队负责的机器人项目等。
Verily：从事生命科学业务，即原来的 Google Life Science。代表产品有可以收集佩戴者体温和血液酒精含量等生物数据的智能隐形眼镜，以及监控血液中纳米粒子的智能腕表。
DeepMind：深度学习算法公司。2014年谷歌以4亿美元收购了DeepMind。
DeepMind的算法源于两种机器学习方法的结合：第一种是深度学习，是受人脑启发的一种结构。深度学习系统能够从大量的非结构数据中获取复杂信息。第二种是增强学习，灵感源自动物大脑中的神经递质多巴胺奖励系统，算法不断通过试错来进行学习。目前，DeepMind在深度学习上面的研究成果已经开始用在谷歌的机器人项目中。
人工智能在医疗方面的作用范文3
关键词：数据挖掘；医学数据；神经网络；关联规则
中图分类号：TP274文献标识码：A文章编号：1009-3044(2011)15-3495-03
Summary of Medical Data Mining
WANG Ju-qin
(Department of Computer Technology, Wuxi Institute of Technology, Wuxi 214121, China)
Abstract: Medical data mining is necessary for improving the management level of medical information, providing scientific decision-making for the diagnosis and treatment of disease, and promoting the development of medicine. This paper mainly introduces the characters of mining medical data, the application and methods used in medicine, and also the application prospect medical field is outlined.
Key words: data mining; medical data; neural network; association rules
1 数据挖掘的产生
1.1 产生背景
在当今信息化和网络化的社会条件下，随着计算机、数据库技术的迅速发展以及数据库管理系统的广泛应用，各行各业都开始采用计算机以及相应的信息技术进行管理和运营，由此积累了大量的数据资料；另外，互联网的发展更是为我们带来了海量的数据和信息。但是，这些存储在各种数据媒介中的数据在缺乏强有力的工具的情况下，已经超出了人的理解和概括能力，导致收集在大型数据库中的数据变成了“数据坟墓”，并带来了一大堆问题：比如信息过量，难以消化；信息真假难以辨识；信息安全难以保证；信息形式不一致，难以统一处理，等等[1]。而激增的数据背后隐藏着许多重要的信息，决策者的决定往往不是基于数据库中的有用信息，而是凭直觉，因为决策者缺乏从海量数据中提取有价值知识的工具。数据和所需信息之间的鸿沟要求系统地开发数据挖掘工具，将数据坟墓转化成知识的“金块”，人们迫切需要新一代的计算技术和工具来挖掘数据堆中的有用信息。
1.2 可行性
近十余年来，计算机和信息技术有了长足发展，产生了许多新概念和新技术，如更高性能的计算机和操作系统，因特网，数据仓库，神经网络等等。这使得数据挖掘技术在具备了市场需求的条件下，同时也具备了技术基础。在这样的背景下，数据挖掘技术就应运而生了。
2 医学数据概述
2.1 医学数据的内容
计算机信息管理系统在医疗机构的广泛应用促进了医学信息的数字化, 同时电子病历和病案的大量应用、医疗设备和仪器的数字化，使得医学领域数据的内容不断扩大，涵盖了医疗过程和医学活动的全部数据资源。医学数据资料主要来源于统计报表、医疗卫生工作记录、专题实验或者调查记录、专题性的资料等三个方面[2]，其中主要包括完整的人类遗传密码信息，大量关于病人的病史、诊断、检验和治疗的临床信息，药品管理信息、医院管理信息等。
2.2 医学数据的特点
1）模式的多态性。首先表现为表达格式的多样性。医学信息包括纯数据（体征参数，化验结果），信号（脑电信号，机电信号），图像（B超，CT等医学成像设备的检验结果），文字（病人的身份记录，症状描述），以及动画、语音和视频信息。其次，数据表达很难标准化，对各种病例状态的描述也比较模糊，没有统一的标准和要求，不使用完全相同的专有名词，甚至对临床数据的解释都是用非结构化的语言，等等[3]。模式多态性是医学数据区别于其他领域数据的最根本和最显著的特性，同时这种特性也在一定程度上加大了数据挖掘的难度和速度。
2）不完整性。医学数据不可能全面地反映任何一种疾病的全部信息，因此也不可能通过挖掘，针对某一种疾病获取完整可靠的治疗和解决方案。这首先是因为医学数据相关信息（例如病例等）的记录存储还不是很完备和充分，还不能够达到完全总结出待挖掘规律的数量[3]。同时，即使记录在案的信息，其本身的表达方式就比较模糊，不可能通过精确值等方法来呈现，因此这些原因形成了医学数据的不完整性。
3）时间性[3]。一般情况下针对病人医疗活动的记录信息都具有一定的时间特性，并且会随着时序环境的变化而产生不同的表达效果；另外诸如医学检测的波形图像等信息也都是以时间函数为基础进行表达的。
4）冗余性。医学数据信息中有大量的相同部分被重复记录下来，比说一些常见疾病，病人的症状表现一般都比较相似，检查和化验的结果以及最后的治疗措施等绝大部分也因此而相同。因此即使病人的个人信息等存在较小差异，其记录的大部分医学数据都表现为完全相同或者大部分相同，这就体现为冗余性[3]。这种数据特点不但迅速增加了此类数据本身的数量，同时也给挖掘操作带来了更大的困难，应该在此之前就对这些冗余信息进行清理和过滤，去除不必要的重复部分，以简化挖掘操作的实现过程。
5）隐私性[8]。显然，记录的医学信息中，许多有关病人个体的信息涉及到社会伦理，法律以及个人所有权等，具有一定的隐私性，从社会，医学以及病人本身等方面来说都必须进行保护，不能外泄。但是当数据存储系统受到一些不可预料的侵入时，或者当其隐私保护的要求和挖掘操作的开放共享要求等产生矛盾时，势必会带来隐私性、安全性和机密性方面的问题。这就要求在进行医学数据挖掘时，必须严格以保护数据隐私为基础，
2.3 医学数据挖掘的可行性和必要性
2.3.1 必要性
众所周知，庞大的医学数据中蕴含着许多非常有价值的信息资源，这些资源对于相关病例的诊断治疗以及医学方面的研究发展都具有非常重要的意义。但是从目前的状况来看，大多数医学机构和人员对这些存储数据的利用还远远没有达到预期的目标和效果，仅局限于一些低端的操作和使用，比如简单的数据录入，数据的查询、修改、删除等，而并没有对收集的数据进行系统的分析研究，以从中得出适用于一般的规律特点，所以无法对相关病例的后继诊断提供科学的决策辅助，对医学学科的研究工作也没有起到相应的促进作用[4]。针对这些情况，在数据挖掘技术已经日渐成熟的背景下，将数据挖掘理论应用于医学，通过对海量的医学数据进行分析，总结各种医治方案的疗效，提取隐含在其中的有价值有意义的信息，更好地为医院的决策管理、医疗、科研和教学服务，对于医生明确诊断、治疗病人及促进疾病和健康的研究都具有极其重要的意义。
另一方面， 随着人们生活水平的提高，保健意识的增强以及我国医疗体制改革的深入，基于计算机技术、通信技术的远程医疗和社区医疗，已经逐渐成为各大医院的另一个潜在市场。如何对医学数据库进行自动提升和处理， 使其更好地为远程医疗和社区医疗提供全面的、准确的诊断决策和保健措施，已成为促进医院发展、提高服务质量而必须解决的新问题。而这显然也是和数据挖掘技术有着密不可分的联系。
2.3.2 可行性
数据挖掘技术在经过多年的发展之后已经形成相对成熟的技术体系，比如在数据挖掘设计、数据抽取以及联机分析处理技术等方面都有一定的进展[4]。同时，数据挖掘技术已经在各个国家的电信、制造、零售、金融等各个领域得到了较为深入的应用。这些成功的应用也提供了可借鉴的宝贵经验。
同时国家对医院信息化发展也给予了高度重视，提供政策、经济和技术上的大力支持，为医学数据挖掘技术的发展应用奠定了物质基础和技术保障。
3 医学数据挖掘的发展状况
3.1 发展现状
自20世纪80年代开始至今，数据挖掘技术产生至今有十几年的时间，在商业以及工业生产中已经得到了较为广泛的应用，也取得了比较显著的经济效益和社会效益，但是数据挖掘技术在医学领域的应用还处在起步阶段[5]。同时，医学数据挖掘也是一门涉及面广、技术难度大的新兴交叉学科，不但需要具有相关信息处理能力的技术科研人员，还需要相关的医务工作者和医疗机构提供医学数据信息和专业医疗活动支持，并且要在此基础之上实现医学信息资源和挖掘技术的整合，实现技术上的突破。
3.2 应用领域
1）医疗活动辅助诊断。通过对历史数据的处理和挖掘，能够发现出针对特定病例的典型规律。一方面数据量内容庞大，范围广泛，所以这些规律具有较好的普遍性；另一方面，根据患者全面的指标记录和数据信息可以得到比较客观的诊断结论，排除了人为因素的干扰，能够更加有利于提高医学治疗活动的有效性。比如将粗糙集理论和算法应用于中医类风湿和实体性肺病的诊断，基于人工神经网络理论以及模糊逻辑开发的心血管疾病诊断工具[6]，都大大提高了诊断的正确率。
2）医学信息处理。医院信息主要包括医院等医疗机构的内部管理信息（设备，药械，财务）以及以患者为中心的信息（临床病例、诊断、治疗过程）。在初级操作阶段的基础上，通过对信息的数据关联性分析，能够预测未来发生发展趋势和辅助诊断信息，比如药品的使用频率，某种疾病的发生和治疗规律等。例如应用粗糙集理论预测早产，可以将准确率从人工预测的17~38%提高到68~90%[6]。
3）医疗质量管理。医疗机构的服务要求在不断提高，质量效率问题也越来越被重视。医疗质量的核心是数据、标准、计划，这些都可以用不同的数据指标来衡量。通过数据挖掘技术，可以发现新的指数规律，检验其有效性，并提炼调整质量方案。例如年龄因素和治疗方法的关系延长了标准住院时间，可以考虑修改治疗方案等。可以很明显地发现，数据挖掘技术可以帮助发现有关提高临床服务效率以及质量潜力的证据。
4）医药研发技术支持。在新药的研究开发过程中，关键环节是先导化合物的发掘，其中一种基本途径就是随机筛选与意外发现。但是很显然这种技术实现的周期比较漫长，肯定提高时间成本和经济成本。而在数据挖掘技术的支持下，可以通过数据信息的归纳总结，确定药效信息，大大缩短新药的研发周期[6]。
5）生物医学（DNA）。人类24对染色体的基因测序已经全部完成，标志着人类基因研究已经进入新的发展阶段。接下来要完成的重要任务就是对分析DNA序列模式。比如，遗传疾病的发生和人体基因密不可分，要掌握基因代码的微观结构，就需要对DN段进行细致的了解和测序，也就是要从大量的DNA数据中找到具有一般规律的组合序列。目前,使用数据挖掘技术已经在很多方面对DNA的分析作出了很多贡献，例如，DNA序列间相似搜索和频度统计，可以识别带病样本和健康样本中基因序列的差异[6]；关联分析可以帮助确定在样本中同时出现的基因种类，有利于更全面地发现基因间的交叉联系和致病规律；路径分析能够发现不同阶段致病基因的作用规律，从而提高药物治疗的效率。
6）医学图像应用。主要应用于目组织的特征表达，即图像特征自动提取和模式识别。例如，CT，PET，SPECT等诊断工具在医学领域应用越来越广泛，而在数据挖掘技术的帮助下，医学图像分析的功能也越来越强大[6]。运用基于贝叶斯分类的数据挖掘模式对心肌SPECT图像能够进行高质量的分析和分类诊断。
7）其他方面的应用。数据挖掘还应用于毒理学方面以及药物副作用研究方面。
4 医学数据挖掘的方法技术
4.1 关键问题
1）数据预处理。如前所述，海量的医学原始数据中包含大量的冗余、模糊以及不完整信息，必须首先进习惯清理和过滤，以确保数据的一致性和完整性。
2）信息融合技术。因为医学信息的格式繁多，包括文字，数据，图像，语音，视频等等，因此需要针对不同类型的信息采用不用的处理技术，并且在需要的时候可以对结果进行综合和分析。
3）快速的、鲁棒的挖掘算法[7]。医学数据的挖掘面向海量的存储信息，处理的时间和技术要求都比较高，因此如何提高效率非常重要。同时基于数据类型动态变化，要求挖掘算法具有一定的容错性和鲁棒性。
4）提供知识的准确性和可靠性。在保证挖掘算法的处理结果具有较高准确率和可靠性的前提下，所得到的信息才能够为医疗活动和管理提供科学客观的决策帮助，在实际中得到很好的应用。
4.2 主要技术实现
1）自动疾病预测趋势和行为。通过数据挖掘技术，对有关人体病例的体征数据进行分析对比，并从中分析出相应的关系和规律，从而对疾病的预防、发生等进行预测。采用的主要技术有线性、非线性和广义的回归模型，以及神经网络和模糊控制技术[8]。其中，人工神经网络技术是一种模仿生物神经网络的、以人工神经元为基本运算单位的互联分布式存储信息的智能信息处理系统，具有很强的自组织性、鲁棒性和容错性。利用相关理论技术，能够找出服用抗精神药物与心肌炎发作的关系，对危及生命的心律失常进行归类，动态检测病人的麻醉深度和控制剂用量等；而模糊系统是建立在模糊数学基础上的一种推理方式，经常与神经网络或最近邻技术联合起来应用，可以实现从心跳中鉴别心室过早收缩，分析肝脏超声图像等功能。
2）关联分析。简单地说，关键就是两个或者多个变量的取值之间存在的某种规律性。关联技术的目的是通过多维数据分析技术找出其中隐藏的关联规则。有时并不知道或者不确定数据中的关联函数，因此关联分析生成的规则带有可信度[8]。最著名的APRIORI关联规则发现算法中，首先就是识别所有的频繁项目集，也就是不低于用户最低支持度的项目集，然后再从频繁集中构造不低于用户最低信任度的规则。在此基础之上，又出现了动态项目集技术DIC算法，发现频繁项目集的划分算法―分治法等。在实际情况下，关联规则还需要进一步泛化，以发现更有用的价值。目前在医学上，关联分析是糖尿病数据库分析课题中应用最广泛和有效的工具。
3）聚类分析。把数据库中中的记录划分为一系列有意义的子集成为聚类，包括统计方法，机器学习方法，神经网络方法，面向数据库的方法，对于采集到的医学信息进行处理的一个重要步骤就是聚类分析。聚类技术主要包括传统的模式识别方法和数学分类学，例如决策树归纳，贝叶斯分类，神经网络技术，基于知识的案例推理，遗传算法，粗糙集等[8]。其中，粗糙集理论的出发点是根据目前已有的对给定问题的知识将问题的论域进行划分，然后对划分的每一组成部分确定其对某一概念的支持程度，用“肯定支持此概念”，“肯定不支持此概念”，“可能支持此概念”进行描述，并表示为正域、负域和边界三个近似集合，同时用二维的决策表来描述论域中的对象。目前在中医类风湿证候的诊断、肺部良性和恶性肿瘤诊断等领域发挥了重大作用，被认为可能是最理想的动态工具。
4）偏差检错与控制。数据库中的数据存在一些异常记录，需要我们将其检测出来。偏差包括很多潜在的知识，例如分类中的反常实例，不满足规则的特例，观测结果与模型预测值的偏差，量值岁时间的变化等。偏差检测的基本方法是，寻找观测结果与参照值之间有意义的差别[8]。目前在人工辅助仪器研究和药物疗效的生理实验研究方面都有相关研究报道。
5）进化计算。进化计算法是由生物进化规律而演化出的一种搜索和优化的计算方法，包括遗传算法，进化规划，计划策略和遗传编程[8]。可以通过从任意一个 出示的群体出发，通过随机选择、交叉和变异等过程，使群体进化到搜索空间中越来越好的区域。
4.3 医学数据挖掘过程
因为医学数据挖掘和普通的数据挖掘之间差异较大，所以其过程是很难定义的。一些研究者定义了一系列的步骤，从而为此提供了一个框架，目的在于为各种数据挖掘方法在不同领域的应用提供指导，这些框架可能在步骤上略有不同，但同样适用于医学数据挖掘。一般都涉及下列6个应用领域[9]：
1）理解数据。初步理解需要挖掘的数据属性，从原始数据库中小规模采样，进行初步挖掘实验，将结果与挖掘目标进行对照，必要时更新数据属性。
2）准备数据。由于医学数据的冗余性和多样性，使得我们需要对数据进行采样以消减数据量，同时要针对各种类型的数据采取相应的数据预处理方法。通过数据的准备，可以将原始数据转换为特定数据挖掘方法所需要的数据形式。
3）数据挖掘。这一步包括建模技术的选择，训练与检测程序的确定，模型的建立与评估。实现的方法包括前面讲到过的粗糙集理论，神经网络，进化计算，决策树等。挖掘方法与研究目标的匹配程度很大程度上决定了挖掘结果的精确度。
4）评估知识。对挖掘结论进行医学解释，并再次同最初目标进行比对。如果需要，寻找挖掘过程中存在的错误和不合理步骤并加以解决，或者对挖掘算法进行优化，提高运行效率。
5）应用知识。在应用的过程中要注意有计划地实施和控制，及时发现应用过程中的问题，并对实际情况进行阶段性的总结分析，使得挖掘成果能够更加完善。
5 医学数据挖掘的发展展望
医学数据挖掘是计算机技术、人工智能、统计学等和现代医学信息资源相结合的一门交叉学科，涉及面广，技术难度大。随着数据库、人工智能等数据挖掘工具的不断进步，关联规则等理论研究德不断发展，以及大型数据库和网络技术的普及应用，必然还会有更加多的各种格式的医学数据出现。同时，医学数据库包括电子病历、医学影像、病理参数、化验结果等，而目前数据挖掘技术主要应用于以结构化数据为主的关系数据库、事务数据库和数据仓库，对复杂类型数据的挖掘尚处在起步阶段[9]。这些情况说明了医学数据挖掘技术的发展，充满着机遇和挑战，需要广大计算机、信息技术人员和医务工作者通力合作，结合医学信息自身具有的特殊性和复杂性，选择适合医学数据类型的数据挖掘工具，并解决好数据挖掘过程中的关键技术，尽可能大的发挥数据挖掘技术在医学信息获取中的价值。更好的服务于医学、受惠于患者。随着理论研究的深入和今年亦不的实践摸索，数据挖掘技术在疾病的诊断和治疗、医学科研与教学以及医院的管理等方面必将会发挥越来越大的作用。
参考文献：
[1] Krzysztof J Cios,William Moore.Uniqueness of medical data mining[J].Artifical Intelligence in Medicine,2002,26(1-2):1-24.
[2] Ganzert S,Gytmann J,Kersting K,et al.Analysis of respiratory pressure-volume curves in intensive care medicine using inductive machine learning[J].Artif Intell Med,2002,26(1-2):69-86.
[3] Tourassi G D,Floyd C E,Sostman H D,et al.Acute Pulmonary Embolism:Artificial Neural Network Approach for Diagnosis[J].Radiology,1993,189(2):555-558.
[4] Kusiak A,Kernstine K H,Kern J A,et al.Data Mining:Medical and Engineering Case Studies[A].Proceedings of the IIE Research 2000 Conference,Cleveland,OH,2000(5):1-7.
[5] Wolf Stugliger.Intelligent Data Mining for Medical Quality Management[EB/OL].ifs.tywien.at/~silvia/idamap-2000.
[6] Wang ML,Wai L,Leung K S.Discovery knowledge from medical database using evolutjionary algorithms[J].IEEE Eng Med Biol Mag,2000,19(4):45.
[7] Ohrn A,Rowland T.Rough sets:a knowledge discobery technique for multifactorial medical outcomes[J].Am J Phys Med Tehabil,2000,79(1):100.
