人工智能，從人工關節開始

　　人工智能(AI)無疑將逐步與醫學技術相結合，但目前還不清楚二者將以怎樣的方式，在哪些具體領域，產生最令人矚目的碰撞。而只要找到正確的機器學習或其它AI成果的應用空間，相信這將幫助我們解決與生命密切相關的重大醫療保健需求。

　　人工智能與關節造形術。

　　醫學實踐堪稱一門藝術，而且擁有著傳奇般的發展歷程，但其中仍存在著諸多不足。例如，在當前的現代醫療體系當中，我們面向病人設計的電子健康記錄(簡稱EHR)，實際上主要用于醫療計費以及降低由醫患矛盾引發的損失。通過對EHR當中的數據進行匯總，我們雖然能夠得出患者狀況的整體情況，但其傳統的交互界面與繁瑣的操作，實際上僅僅是建立起一種以病患為中心的錯覺，而非真正為了貫徹以人為本的診療理念所設計。

　　由于診療計劃的制定過程根本沒有融入到實際患者的期望、想法與感受，因此我們千篇一律地進行給藥，如同給每一位工人配發同樣碼數的工服與鞋子。可以想見，沿著這條道路繼續發展，只會導致醫生與病患之間的非人化對接方式進一步升級。正如Eric Topol在他的新書《深度醫學：人工智能如何再次為醫療保健引入人性(Deep Medicine： How Artificial Intelligence Can Make Healthcare Human Again)》中所描述，我們正身處在第四次工業革命，其中的大數據、人工智能以及機器人等技術成果，有望徹底改變低下的醫療保健效率，提供定制化護理服務，并最大限度利用最新證據指導治療方法。

　　人工智能的最早描述出現在1956年。隨著大量先進計算能力的廣泛普及以及更多大規模數據(通常稱為大數據)的收集與存儲成為可能，人工智能終于快步進入我們的生活。在進行數據研究的過程中，人類可以創建并改進復雜的算法，從而識別出有助于診斷或者能夠預測量化指標的各類模式。

　　與此同時，醫學實踐也正在改變成以價值為基礎的行業，專注于以最低成本提供最佳患者診療體驗。以整形外科為例，特別是下肢關節成形術領域，病患關節將被由金屬及塑料制成的人造關節所取代。在這方面，人工智能可以非常高效地評估術后恢復方案，并提供相關服藥建議。

　　首先，關節置換通常屬于選擇性外科手術。通過X光片被診斷患有晚期關節炎的患者可能會被轉診至專項醫師處以進行關節轉換，且具體手術細節需要共同商議以滿足諸多要求——例如患者的功能性需求、醫療狀況、生活質量以及期望等等。在這方面，人工智能可以檢測出其中的細微差別，并利用質量較高的原有患者數據做出未來預測。具體來講，其可能利用一種復雜的算法對最終關節轉換風險做出預測、評估住院周期與費用，甚至準確分析出病患的術后恢復軌跡。

　　當然，要開發這樣的算法，必須首先廣泛收集來自數十萬級患者的診療數據。幸運的是，作為關節成形術當中占比最高的子分類，髖關節與膝關節置換是醫療保險報銷政策當中最為常見的手術類別。可以看到，患者的術后恢復情況與診療體驗在很大程度上由報銷額度決定。因此十多年以來，髖關節與膝關節置換外科醫師們在不經意間積累到大量與患者息息相關的數據，這些數據庫足以支撐起機器學習分析與算法開發。

　　除了協助分析與算法實現之外，大規模數據收集還帶來了另一大獨特的優勢——幫助我們評估不斷變化的醫療支付模式所帶來的實際影響。醫療保險與醫療補助服務中心最近決定以“綁定支付”作為替代性支付模式，其中病患可以在手術完成后90天之內向醫院支付固定費用，而無需考慮術前的實際診療復雜程度。通過機器學習分析，我們最終將能夠準確量化各類術前因素，從而提出更為公平的患者定額支付模型。

　　放射學、機器人輔助手術以及人體活動等都是髖關節與膝關節置換診療流程中的日常臨床要素，也各自產生大量相關數據，可用于基于AI類算法的研究與表征。以FocusMotion為代表的不少初創企業正在與整形外科醫師開展合作，利用機器學習算法遠程監控關節成形術患者。該算法能夠通過傳統智能手機中的傳感器準確捕捉患者的運動、步態、治療依從性、阿片類藥物依賴性以及個人活動，由此組成的成千上萬個數據點將快速積累起可觀的分析素材儲備。

　　人類與人工智能在醫學領域中的會面令人無比興奮、充滿期待，而且相關成果有望通過提高效率以及重塑醫患關系等方式得到證實。考慮到人工智能在醫學領域的應用仍然未受監管及檢驗，為了最大限度提高相關技術的臨床意義并確保其應用得當，后續深入研究無疑至關重要。骨科——特別是關節成形術——包含大量子分類，其各自擁有細致的護理計劃、易于獲取的臨床數據，以及對于支付模式、政策、設備制造、放射學、手術技術乃至人類日常活動等因素的直觀映射。以這一獨特的領域為出發點，充分發揮其巨大的數據源影響力，我們相信人工關節有望成為評估并利用人工智能醫療方案的理想起點。