电子病历（electronic health record）究竟有什么用？

现在我们大量的电子病历，其实还是 pdf 文件或者扫描文件的堆叠，人们通常意义上理解的电子病历也顶多是起一个存档的作用。Google 的人工智能团队最近将美国两个医疗中心的 21.6 万份病历按照 FHIR（Fast Healthcare Interoperability Resources）标准重新描述，以此来探索电子病历的可用程度。

FHIR 也就是快速医疗保健互操作性资源，你可以将它理解成一项标准协议，基于这项协议组织的患者医疗记录，能够帮助人工智能通过深度学习，预测医疗事件的可能性。这项研究已经于今年五月发表在《自然》杂志上。

这 21.6 万份的医疗记录，被转换成了 468.64 亿个数据点，在预测院内死亡率、30 天无计划再入院率、延长住院时间以及所有患者的最终诊断等方面，人工智能都获得了极高的准确度。

在预测预测死亡率这一项，研究对象所绘特征曲线下面积（AUROC）是 0.93-0.94（简单理解就是，AUCOC 越接近于 1，说明诊断效果越好）。

论文中举了具体病历的例子，一位入院病人的病历被转换成为 17.56 万个数据点，Google 的深度模型判定该病患的死亡率为 19.9%，而通过普通模型预测的死亡率为 9.3%，这位病人也确实在入院十天之后死亡。

“今天我们为预测模型所做的工作，80%都是为数据的呈现方式所做的‘杂活’。”这篇论文的联合作者、斯坦福大学助理教授 Nigam Shah 表示。

Google 的下一步是将这个预测系统应用于临床。这个名叫“医疗大脑（Medical Brain）”的健康研究部门正在开发大量人工智能工具，用来提高预测症状与疾病的准确性。 FHIR 则是后续大量工作的前提。

彭博社援引一位 Google 内部员工的说法是：“他们终于找到了 AI 用于商业化变现的新途径。”自从 Google 2016 年提出 AI 为先以来，人工智能的研究大多是用在提升 Google 已有的互联网服务上。在医疗领域的应用进展，则意味着 Google 将开辟一个全新的市场领域。

现在 Google 对人工智能的应用还停留在辅助诊断上。

去年，Google 在英国的人工智能部门 Deepmind、伦敦帝国理工学院的癌症研究机构、Google 的人工智能健康研究团队一起合作了癌症检测项目，他们希望建立新的机器学习模型，帮助医生提高癌症检测率，早发现癌症，以便尽早开始治疗。通过深度学习算法，研究者们训练机器学习切片检查，从中寻找肿瘤，提高诊断的效率和准确率。

另外，Google 的 Verily 生命科学部门（Verily Life Sciences）主要致力于研发新工具以便收集和分析健康数据。 Verily 首席医疗官杰西卡·L·梅加（Jessica L. Mega）表示：“我们正在开发各种用于收集信息和新型分子检测的工具，这一些都是为了更加深入地了解人体健康。”

这一切都是为了让健康问题变得可以预测、预防乃至尽早介入治疗。

但是这一套预测模型如果最终成立，一个值得被探讨的问题是：如果机器能够精准预测疾病的发生，乃至判断死亡或者治愈的概率，对整个医疗行业会有怎样的影响？

在机器学习进入这一领域之前，医生本身就已经在做类似的判断，只不过依据的是既往病例、权威医疗指南或者个人职业经验。当一位五年生存概率为 20%的病人活到第十年，我们会将其称作是“奇迹”，这样的“奇迹”也经常发生，因为医生的判断并不准确。

但是当未来人工智能可以做到精确预测，那人们在做医疗选择时会有怎样的变化？更现实一些，医疗保险现在已经与健康追踪数据挂钩，保险公司也在研究用人工智能计算保费的模型，那么重症病人是否会在早期就被保险公司弃之不顾？

如此应用的可能不会是 Google，但是众多为人工智能技术寻找出路的公司会怎么选择？

题图来自 Visual Hunt

我们做了一个壁纸应用，给你的手机加点好奇心。去 App 商店搜 好奇怪 下载吧。