返回文章列表
玄貓（BlackCat）

人工智慧慢性疾病管理應用與成本文約

本文探討人工智慧在慢性疾病管理中的應用，特別是如何藉由提升效率、便利性與標準化流程來降低醫療成本。以糖尿病視網膜病變篩查為例，說明人工智慧如何輔助診斷，並減少不必要的轉診，進而提升醫療資源分配效率。此外，文章也探討人工智慧在藥物依從性、最佳實踐標準化等方面的應用，並分析其成本效益。

醫療科技 人工智慧
人工智慧 慢性疾病 成本文約 糖尿病視網膜病變 機器學習 深度學習

糖尿病視網膜病變等慢性疾病的管理，對醫療系統造成龐大負擔。人工智慧的匯入，可望透過提升篩查效率和便利性來解決成本問題。深度學習演算法能輔助非眼科醫生進行糖尿病視網膜病變的初步篩查，尤其在眼科醫生短缺的地區，更能彰顯其價值。結閤眼底攝影和人工智慧的篩查方案，已被證實能有效降低不必要的轉診，減少醫療支出。此外，人工智慧還能應用於藥物依從性管理，例如智慧型藥瓶、手機應用程式和智慧型語音助理，都能提醒患者按時服藥，並建立良好的用藥習慣。更進一步地，人工智慧可以協助標準化慢性疾病管理的最佳實踐，減少醫療資源的浪費，並提升整體醫療照護品質。

人工智慧在慢性疾病管理中的成本文約與應用

慢性疾病的管理不僅是醫療保健系統的一大挑戰，也是巨大的經濟負擔。根據研究，當病人不遵守治療計劃時，與基礎疾病相關的併發症就會出現，從而導致昂貴的住院治療和/或需要啟動高成本的特殊藥房治療。例如，糖尿病視網膜病變（DR），一種糖尿病的眼部疾病，根據美國疾病控制與預防中心（CDC）的報告，每年導致24,000名美國人失明。這是一個可以預防的問題；常規檢查、早期診斷和治療可以防止高達95%的糖尿病患者失明。然而，超過50%的糖尿病患者沒有進行眼部檢查，或者檢查得太晚以至於無法接受有效的治療。治療與糖尿病相關的疾病和失明的成本估計每年總計超過5億美元。

人工智慧在糖尿病視網膜病變篩查中的應用

人工智慧可以透過提高糖尿病患者接受眼部檢查的效率和便利性來解決慢性疾病的成本問題。採用機器學習和深度學習的人工智慧已被各個團隊用來開發自動化的DR檢測演算法，其中一些已經商業化。雖然雙目裂隙燈眼底鏡檢查仍然是其他DR篩查方法比較的標準，但使用眼底攝影的人工智慧應用更具成本效益，並且不需要眼科醫生的諮詢。眼底攝影涉及使用具有微觀細節的專門閃光相機拍攝眼睛後部（眼底）。由於能夠進行這種檢查的眼科醫生稀缺，因此需要使用非醫生人員，他們可以使用嵌入在各種工具（如移動裝置）中的人工智慧演算法（深度學習）進行DR篩查。這種解決方案已經在眼科醫生短缺的發展中國家使用，證明瞭當人工智慧可以被訓練來做同樣的事情時，不需要高度訓練的醫生來進行疾病檢測。

程式碼範例：DR檢測演算法的簡化實作

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 定義一個簡單的卷積神經網路模型
def create_model(input_shape):
    model = Sequential([
        Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
        MaxPooling2D((2, 2)),
        Conv2D(64, (3, 3), activation='relu'),
        MaxPooling2D((2, 2)),
        Conv2D(128, (3, 3), activation='relu'),
        MaxPooling2D((2, 2)),
        Flatten(),
        Dense(128, activation='relu'),
        Dense(1, activation='sigmoid')
    ])
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 假設輸入形狀為 (224, 224, 3)
input_shape = (224, 224, 3)
model = create_model(input_shape)
model.summary()

#### 內容解密：
此程式碼範例展示了一個用於DR檢測的簡單卷積神經網路（CNN）模型的建立過程。首先，我們匯入必要的函式庫並定義一個名為`create_model`的函式，該函式使用Keras的Sequential API來構建模型。模型包含多個卷積層和最大池化層，用於提取影像特徵。最後，模型透過全連線層輸出預測結果。編譯模型時，我們使用Adam最佳化器和二元交叉熵損失函式，並監控準確率指標。這個模型可以用於訓練DR檢測任務，透過學習區分正常和異常的眼底影像。

成本文約與效果

使用人工智慧和眼底攝影的成本文約已被報導為16-17%（由於減少了不必要的轉診）。一項來自中國的成本效益研究表明，儘管每位患者的篩查成本增加了35%，但每品質調整生命年的成本卻降低了45%。進一步地，為了幫助患有現有眼相關疾病的糖尿病患者，AT&T與Aira合作進行了一項研究，將智慧眼鏡與人工智慧演算法結合起來，以提高患者的生活品質，透過藥物識別技術提高了藥物依從性。藥物依從性的技術多種多樣，例如使用瓶蓋中的感測器或瓶中的感測器來跟蹤患者開啟藥瓶的時間或顯示重量下降。也可以利用裝備有機器學習的移動應用程式或智慧揚聲器來提醒患者服藥，並教導患者養成習慣，而不是傳送重複和煩人的提醒，而是學習最佳的時間傳送提醒給患者。

人工智慧在標準化慢性疾病管理最佳實踐中的作用

人工智慧可以幫助標準化和識別慢性疾病管理的最佳實踐。在醫學界一直都知道，實踐中存在著很大的差異，經濟學家也指出，治療的可變性導致了浪費醫療保健支出。以低背痛為例，超過80%的美國人在他們的一生中都會經歷低背痛。在那些患有低背痛的人中，1.2%的人佔了大約30%的支出。當遵循治療時，成本會降低。增加整體醫療系統和患者成本的模式反映在圖1-7中，說明瞭當消費者（即患者）不遵守治療時對成本的影響。

人工智慧在醫療保健領域的成本文約潛力

人工智慧（AI）正逐漸改變醫療保健產業，不僅能夠提高醫療品質，還能有效降低成本。根據Orion Health的執行長Ian McCrae的說法，每年有超過1兆美元被浪費在昂貴的管理和可避免的住院再入院上。透過應用AI技術，醫療保健提供者能夠更準確地預測患者的治療成本和再入院風險，從而改善治療方案和管理實踐。

AI在醫療保健領域的應用

AI可以透過分析來自多個來源的大量資料，包括社會經濟資料、行為資料、生物識別資料、人口統計資料和地理位置等，來預測哪些患者將從更積極的治療管理中受益，以避免住院。Accenture在2017年進行的一項研究顯示，到2026年，透過在醫療保健領域應用AI技術，每年可節省1500億美元的醫療成本。

潛在成本文約領域

  1. 機器人輔助手術：預計每年可節省400億美元。
  2. 虛擬護理助理：預計每年可節省200億美元。
  3. 行政工作流程輔助：預計每年可節省180億美元。
  4. 詐欺檢測：預計每年可節省170億美元。
  5. 劑量錯誤減少：預計每年可節省160億美元。
  6. 連線機器：預計每年可節省140億美元。
  7. 臨床試驗參與者識別：預計每年可節省130億美元。
  8. 初步診斷：預計每年可節省50億美元。
  9. 自動影像診斷：預計每年可節省30億美元。
  10. 網路安全：預計每年可節省20億美元。

挑戰與障礙

儘管AI在醫療保健領域具有巨大的成本文約潛力，但仍存在諸多挑戰和障礙，包括實施AI技術的成本、文化接受度、舊系統的互操作性等。此外，醫療保健提供者可能不知道AI的益處及其在改善患者生活中的應用。安全和保密地控制患者資訊也是另一個潛在障礙。

人工智慧的神話與現實

科幻電影和知名科學家、發明家和企業家的言論常常塑造我們對AI的看法，使我們對AI的能力和未來發展產生了諸多神話和誤解。本章將探討一些常見的AI神話，並對其進行澄清，以幫助讀者更好地理解AI的真實面貌。

AI是否能夠推理？

目前為止，AI仍然無法像人類一樣進行推理。雖然AI能夠處理和分析大量資料，但它缺乏人類般的理解力和判斷力。

AI是否會變得有感知能力並做出決定？

目前尚無證據表明AI會變得有感知能力並做出獨立於人類的決定。雖然AI可以根據資料和程式進行決策，但這些決策仍然是在人類設計和控制下的結果。

人工智慧的神話與現實：破解存在威脅論

人工智慧（AI）被視為一項可能帶來存在性威脅的技術，這種觀點強化了一種無力感，讓人覺得為時已晚，無法採取任何行動。雖然對超級智慧的恐懼被誇大了，但通用目的推理技術和人工智慧的快速發展，確實帶來了一定的存在風險，值得我們評估和監控。就像其他技術或工具一樣，人工智慧既可以用於正面用途，也可能被用於惡意目的，這取決於使用它的人。

當前人工智慧的侷限性

目前的人工智慧系統並不具備動機、目標、意圖或目的感。只有實作了強人工智慧（Strong AI），這種情況才會出現。強人工智慧是指能夠理解或學習人類能夠完成的任何任務的機器。一些人將這種能力描述為透過圖靈測試，該測試由艾倫·圖靈於1950年提出，根據電腦是否能夠展現出與人類無法區分的智慧。

圖靈測試與哈薩比斯測試

  • 圖靈測試：評估機器是否能夠展現出與人類無法區分的智慧行為。
  • 哈薩比斯測試：由Demis Hassabis提出，認為當人工智慧系統能夠獲得諾貝爾獎時，才算是實作了通用智慧。

強人工智慧的特徵

強人工智慧是一種未來的狀態，在這種狀態下，電腦或機器能夠像人類一樣：

  • 在不同的知識領域之間移動
  • 以自然語言進行對話，理解其細微差別和上下文
  • 在沒有人類干預的情況下自我學習
  • 產生自己的想法和目標
  • 操作物理世界以創造新的事物

這些是人類智慧的一些特徵，目前的人工智慧系統尚無法實作這些能力。

目前人工智慧的狀態

目前的人工智慧系統是專門為特定任務設計的，通常被描述為狹隘人工智慧（Narrow AI）或弱人工智慧（Weak AI）。例如，Google的AlphaGo能夠下圍棋，但無法下撲克或國際象棋。每個人工智慧系統都是為特定目的而構建的。

人工智慧對人類的影響

2014年，物理學家史蒂芬·霍金表示：「完全開發人工智慧可能會導致人類的滅亡。」然而，這種情況的前提是我們知道如何構建具有意圖、目標和自主操作能力的人工智慧，並且能夠操控物理世界。

學術界的回應

為了回應圍繞人工智慧的各種猜測和誤導性陳述，人工智慧研究人員和學術界提供了客觀、根據事實的討論。2016年，《麻省理工學院技術評論》的一篇標題為「專家們並不認為超級智慧人工智慧對人類構成威脅。」雖然很難預測未來，但有些著名的人工智慧研究人員認為通用人工智慧確實帶來了存在風險。然而，這種風險是在5年內還是在50年內發生？僅僅因為這是一種風險，就意味著我們必須認真對待，同時允許創新繼續。

人類與人工智慧的互補關係

英國學者Tony Prescott在他的論文《人工智慧奇點與失控的人類智慧》中指出，我們不應該將人工智慧與單個普通人類進行比較，而應該關注人類物種集體、不斷進步的智慧。我們將創造出能夠補充人類自然智慧的技術——即人工智慧，就像我們過去所做的那樣，例如電腦、網際網路和雲端運算，以及之前的莎草紙、電動馬達、算盤和電話等。人工智慧可以補充臨床醫生和醫療保健系統的功能。

神話：人工智慧只是機器學習

許多學術界和工業界的研究都在「人工智慧」的名義下進行。當然，如果研究人員或學術界將他們的工作描述為人工智慧，那麼認為人工智慧不是一個「大謊言」的觀點就「引出了問題」。如今，可以說，沒有機器學習，人工智慧就無法蓬勃發展，而機器學習可以在沒有人工智慧的情況下存在，這就是問題所在。就像人工智慧一樣，機器學習是一個使用演算法和統計模型來執行依賴模式和推斷的任務的研究領域。機器學習更具體，因為我們可以識別出特定的演算法作為機器學習。

人工智慧的多元組成

當電腦首次出現時，我們構建了系統來執行與人類智慧相關的任務，這些任務以前無法由機器完成，例如下棋或玩二十一點。我們當時並沒有使用機器學習，但將其描述為智慧系統或人工智慧。IBM Watson在2011年的成就並非僅僅透過機器學習實作，它需要定製的計算基礎設施、NLP技術、定製的框架、用於處理文字的架構、大規模平行處理等。這是人工智慧的一個具體例子，它使用了多於機器學習的方法來實作其目標。

人工智慧的真相與迷思

人工智慧（AI）是真實存在的技術，而非江湖郎中的神話、無用的軟體、騙局或謊言。AI 不僅僅是機器學習（ML），更重要的是，它涉及構建能夠執行以往需要人類智慧才能完成的任務的系統。將 AI 等同於 ML 可以說是一種認知偏見，即過度依賴熟悉的工具。正如亞伯拉罕·馬斯洛（Abraham Maslow）在 1966 年所說：「如果你的工具只有一把錘子，那麼你會傾向於把所有東西都當作釘子來看待。」在後面的章節中，我們將看到更多未來 AI 系統的具體例子，這些系統在執行以往僅由人類完成的任務時，運用了不止 ML 的技術。

AI 的全貌

AI 透過啟發式方法（即機器學習）和分析來模擬人類智慧。要實作通用型 AI 解決方案，需要完整的技術堆疊，這遠遠超出了機器學習的範疇。這就像人類需要各種感官（資料收集方式）、神經、動脈、心臟、腎臟、肺等才能正常運作一樣。AI 就像人體一樣，遠比表面上看起來更為複雜，因為需要各種系統的支援來使其栩栩如生，模擬人類智慧。

神話：AI 誇大其詞且無法交付成果

那些押注 AI 來交付成果的利益相關者可能會感到失望，而那些利用 AI 來真正實作成果的利益相關者則會感到欣喜。機器學習是 AI 中最具影響力的技術，其立即帶來強大成果的潛力令人印象深刻，尤其是在醫療保健領域。

機器學習應用的增加

機器學習應用的數量正在不斷增加，並變得無處不在。構建 ML 應用的技術和架構與構建應用程式或根據網路的應用程式大不相同。ML 應用程式必須關注資料、ML 模型和支援程式碼。它們需要不同的測試方法，以避免資料中的偏差，確保可解釋性，並實施持續改進。構建 ML 應用程式需要不同型別的商業人才，如 AI 產品經理，以及技術人才，如 AI 工程師。

AI 工程與傳統軟體開發的不同

開發 ML 模型往往更像是一種測試練習，試錯多於開發生命週期。在 QA/測試方面，它與傳統測試有很大不同，因為佈署的 ML 模型必須透過測試來防範偏差、資料偏移、效能等問題，而不是測試功能。生產中的模型設定了一個不應在模型重新訓練時惡化的基準。每個模型都應該比前一個模型有所改進。

企業需謹慎購買或構建 AI 產品

許多企業將尋求購買而非構建 AI 產品，而這些利益相關者最容易購買到使用 1960 年代至 1990 年代技術的 AI 產品，而不是採用 2012 年後的深度學習和自然語言處理（NLP）技術。企業利益相關者必須瞭解這些差異，並使用 AI 技術審查者來檢測虛假宣告，並幫助選擇合適的產品。如果未能充分做到這一點，可能會導致企業對 AI 的失望。

神話：真正的對話式 AI 已經存在

對話式 AI 在適當的時間和地點增強和支援醫生護理的承諾是巨大的。真正的對話式 AI 是我們的願景，目前我們還沒有足夠的技術完全實作這一點。AI 技術正迅速推動我們走向一個可以用自然語言與患者進行正常人類對話的世界，但這不是今天的現實。因此，今天的對話式 AI 處於弱 AI 到強 AI 的連續體中的弱端，但正朝著強 AI 邁進，在那裡機器和人類之間可以進行自然對話。

當前的對話式 AI 狀態

今天，我們經常體驗到與「事物」的搜尋或問答式對話，而不是自然語言對話。《星際迷航》普及了對話式 AI 的概念，其語音優先的電腦。Google 後來將其第一個語音技術命名為 Majel，以紀念《星際迷航》中電腦語音背後的人類聲音 Majel Barrett。今天，我們正在浪漫化這種能力，因為它正開始成形，正如 Alexa、Google Assistant 和 Siri 等語音揚聲器所證明的。然而，今天的 AI 無法提供與 Star Trek 語音電腦中看到的人機對話能力相媲美的人機語音互動。每個人都明白，使用今天的語音揚聲器技術，與人與人之間的互動或溝通相比，根本無法相提並論。AI 以人類的方式進行對話或對話式 AI 的一般概念不是一個明確定義的問題。今天，電腦和 AI 只能解決定義明確的問題。人類之間的對話是細致入微和複雜的，往往根據上下文、關於主題的背景知識、領域假設，甚至是內容表達的時間。《星際迷航》代表了我們的未來——真正的對話式 AI，機器能夠理解語言的細微差別並參與對話。

IBM Watson 的 Jeopardy! 勝利

IBM Watson 在 Jeopardy! 中的勝利是 AI 的一個標誌性展示，讓世界看到了 AI 的潛力。人類參賽者之一 Ken Jennings 在節目結束後表示，他「歡迎新的電腦霸主」。IBM 的研究總監 John E. Kelley III 將 IBM Watson 描述為一個「問答機器」，一種類別似於《星際迷航》中電腦的電腦，能夠理解以自然語言提出的問題並回答它們。

@startuml
skinparam backgroundColor #FEFEFE
skinparam componentStyle rectangle

title 人工智慧慢性疾病管理應用與成本文約

package "系統架構" {
    package "前端層" {
        component [使用者介面] as ui
        component [API 客戶端] as client
    }

    package "後端層" {
        component [API 服務] as api
        component [業務邏輯] as logic
        component [資料存取] as dao
    }

    package "資料層" {
        database [主資料庫] as db
        database [快取] as cache
    }
}

ui --> client : 使用者操作
client --> api : HTTP 請求
api --> logic : 處理邏輯
logic --> dao : 資料操作
dao --> db : 持久化
dao --> cache : 快取

note right of api
  RESTful API
  或 GraphQL
end note

@enduml

圖表翻譯： 此圖示描述了一個簡單的問題回答系統的工作流程。首先，系統接收並理解問題，接著檢索相關資訊，然後生成答案，最後輸出結果。

內容解密：

此 Plantuml 圖表展示了一個簡單的問題回答系統的工作流程。首先，使用者輸入一個問題，系統接收並理解這個問題（節點 A 到 B）。接著，系統檢索相關資訊以回答問題（節點 B 到 C）。然後，系統根據檢索到的資訊生成答案（節點 C 到 D）。最後，系統輸出結果給使用者（節點 D 到 E）。整個流程模擬了人類回答問題的基本步驟，但實際上的 AI 系統會更加複雜，涉及自然語言處理、知識檢索等多個技術環節。

AI的神話與現實

在2011年，IBM的Watson在《危險邊緣》（Jeopardy!）節目中的表現令人矚目，但它與1960年代《星際迷航》（Star Trek）中的語音助手相比仍有很大差距。Watson當時主要依靠自然語言處理（NLP）技術，將每個問題轉化為是/否預測，以高速嘗試數千個選項並給出高置信度的答案。Watson並未聽取主持人Alex Trebek或參賽者的聲音，而是在相同速度下接收輸入的文字問題。

從Watson到現代語言模型

隨著語言模型技術的進步，我們正逐漸接近實作類別似《星際迷航》的未來。非營利性AI研究組織OpenAI正在開發更好的語言模型。Google也開發了一個名為BERT的語言模型，將其應用於臨床領域（臨床BERT）有助於AI理解醫療保健語言，從而實作許多應用案例，如遠端醫療、患者與醫生的對話、幫助患者回憶醫生互動、臨床編碼等。

對話式AI技術的現狀

現今，對話式AI技術已經存在並持續成熟，使醫療保健領域的對話式AI應用成為可能。虛擬助手如Google Home、Apple的Siri和Amazon Alexa都是對話式AI技術的例子。我們可以利用AI與語音裝置、手機等裝置進行出色的醫療保健服務，如傳送藥物提醒、幫助患者找到醫療提供者、回答醫療問題、提供基本的醫療狀況教育等。

神話：AI霸主

我們使用AI來描述各種應用程式和產品，但並不存在AI霸主。AI技術嵌入在產品中，但始終伴隨著人類的意圖和決策。我們可以建立告訴我們應該給予或拒絕信貸的產品，也可以利用AI來優先排序患者護理。每次，人類都會決定採取行動，而不是演算法。當然，這並不能阻止人們（政府、媒體或使用演算法的實體）推卸責任，將錯誤歸咎於AI。

AI沒有決策能力

AI沒有目前的能力成為一個失控的、自學習的、自改進的技術，具有決策能力。今天，我們可以構建系統、應用程式和工具，展現人類智慧的屬性。我們必須照顧和維護它們，以確保它們在明確定義的問題空間中成功執行。

程式碼範例：簡單的NLP文字處理

import nltk
from nltk.tokenize import word_tokenize

# 示例文字
text = "AI是人工智慧的縮寫，代表著機器模仿人類智慧的能力。"

# 分詞
tokens = word_tokenize(text)
print(tokens)

# 輸出結果將是分詞後的列表

內容解密：

  1. 匯入必要的函式庫：首先，我們需要匯入nltk函式庫，它是用於自然語言處理的Python函式庫。
  2. 文字分詞：使用word_tokenize函式對輸入文字進行分詞，將文字分解成單個詞或符號。
  3. 輸出結果：列印預出分詞後的結果，這有助於進一步的NLP任務，如詞性標註、命名實體識別等。

AI技術的神話

圍繞AI的神話有很多，例如經常賦予AI的人性化特徵、將AI視為黑箱等。本文將探討其中一些重要的神話。