整理：彭雪瑩 張康輝 汪璠

中國(guó)科學(xué)技術(shù)情報(bào)學(xué)會(huì)健康專業(yè)委員會(huì)于2023年5月在武漢大學(xué)信息管理學(xué)院舉辦了“中國(guó)科學(xué)技術(shù)情報(bào)學(xué)會(huì)健康信息學(xué)專業(yè)委員會(huì)2023年年會(huì)”。本次議程包括五個(gè)主旨報(bào)告和三個(gè)分論壇。三個(gè)分論壇主題分別為：在線健康社區(qū)用戶信息行為、AI賦能的用戶健康信息實(shí)踐研究、健康信息學(xué)的理論探索和實(shí)踐趨勢(shì)。在分論壇中，發(fā)言專家介紹了各自團(tuán)隊(duì)的新近研究成果，并與參會(huì)者進(jìn)行了充分的交流互動(dòng)，涉及和關(guān)注到的很多問(wèn)題已經(jīng)突破了具體的研究本身。我們把學(xué)者們的觀點(diǎn)和研討結(jié)果進(jìn)行了細(xì)致梳理和重新組織，精煉整理成這份非常規(guī)的紀(jì)要，希望為大家?guī)?lái)有益的參考和啟發(fā)。

1 數(shù)據(jù)和研究模型，誰(shuí)先行？

在研究中，是先獲取數(shù)據(jù)還是先設(shè)計(jì)理論模型？

很多的計(jì)量研究多數(shù)是以數(shù)據(jù)為驅(qū)動(dòng)，一般來(lái)講大多數(shù)研究是先有數(shù)據(jù)再有模型。最初會(huì)有一些相關(guān)的想法，但是沒(méi)有數(shù)據(jù)，所以就會(huì)被擱置。后面找到了合適的平臺(tái)后，會(huì)先進(jìn)行一個(gè)小型的探索性研究。數(shù)據(jù)是非常重要的，但是如果說(shuō)理論梳理不夠，對(duì)理論的把握不充分，故事的邏輯不夠清晰，也很難發(fā)到好的期刊。理論上來(lái)講要做一個(gè)好的研究，應(yīng)該是兩頭走。你既要設(shè)計(jì)你的模型，又要考慮你的數(shù)據(jù)。因?yàn)橥阍O(shè)計(jì)了很完美的模型，但沒(méi)有數(shù)據(jù)也無(wú)法進(jìn)行深入研究。有一些人可能會(huì)認(rèn)為理論分析不重要，但是理論分析對(duì)于學(xué)寫(xiě)論文，學(xué)寫(xiě)基金申請(qǐng)書(shū)都是重中之重。

2 數(shù)據(jù)分析中的因果性

在研究領(lǐng)域，因果性和相關(guān)性的區(qū)分與應(yīng)用成為了重要議題。一般來(lái)說(shuō)，相關(guān)性描述的是兩個(gè)或多個(gè)變量之間的統(tǒng)計(jì)關(guān)聯(lián)，而因果性則涉及到一個(gè)變量如何影響另一個(gè)變量。

在許多研究方法，例如深度學(xué)習(xí)中，相關(guān)性分析往往占據(jù)主導(dǎo)地位。例如，大數(shù)據(jù)研究中的隨機(jī)對(duì)照試驗(yàn)（RCT）和基于基因組的潛在腫瘤預(yù)測(cè)，都依賴于相關(guān)性分析。然而，這種依賴在醫(yī)學(xué)領(lǐng)域中產(chǎn)生了問(wèn)題，因?yàn)樵诖祟I(lǐng)域，決策需要依賴強(qiáng)烈的因果關(guān)系，而非簡(jiǎn)單的相關(guān)性。遺憾的是，相關(guān)性結(jié)果常被誤解或夸大為因果關(guān)系，這種現(xiàn)象在學(xué)術(shù)界和公眾領(lǐng)域都十分普遍。事實(shí)上，研究顯示大約五分之一的研究存在相關(guān)性被夸大的情況。這種現(xiàn)象的根源在于混淆了相關(guān)性和因果性的概念，以及實(shí)驗(yàn)設(shè)計(jì)的問(wèn)題，例如缺乏隨機(jī)化和雙盲化。

證明因果關(guān)系的關(guān)鍵在于保證因素在結(jié)果之前，這是我們理解因果關(guān)系的基礎(chǔ)。因此，在科研論文和實(shí)驗(yàn)中，我們必須明確區(qū)分哪些是已知事實(shí)，哪些僅是可能性。

總的來(lái)說(shuō)，在醫(yī)學(xué)研究中需要更好地理解并應(yīng)用因果性和相關(guān)性，這不僅涉及初試的研究設(shè)計(jì)，也關(guān)系到知識(shí)向政策的轉(zhuǎn)化和決策過(guò)程中的不確定性的表達(dá)。

3 誤導(dǎo)信息、網(wǎng)絡(luò)健康謠言、健康信息可信度評(píng)價(jià)

3.1 誤導(dǎo)信息

誤導(dǎo)信息（misinformation）在醫(yī)學(xué)研究中是一個(gè)重要而深遠(yuǎn)的問(wèn)題，尤其是在大數(shù)據(jù)驅(qū)動(dòng)的研究中，這個(gè)問(wèn)題的嚴(yán)重性更為突出。首先，誤導(dǎo)信息的主要來(lái)源在于相關(guān)性結(jié)果被夸大為因果關(guān)系。研究顯示，大約五分之一的研究存在相關(guān)性被夸大的情況，具體表現(xiàn)為在大學(xué)官網(wǎng)的研究有40%的相關(guān)性結(jié)果被夸大，以及各種藥物療效的過(guò)度解讀。這種夸大相關(guān)性的現(xiàn)象也被反映在科學(xué)媒體的報(bào)道中，首次研究的報(bào)道往往會(huì)被過(guò)度夸大，然而，很多初步的研究在后期被否定或證偽。

其次，實(shí)驗(yàn)設(shè)計(jì)的問(wèn)題也會(huì)引發(fā)信息誤導(dǎo)。例如，缺乏隨機(jī)和雙盲設(shè)計(jì)的實(shí)驗(yàn)可能導(dǎo)致相關(guān)性被誤解為因果關(guān)系。對(duì)此，《自然》雜志上一篇由斯坦福大學(xué)發(fā)表的研究指出，醫(yī)學(xué)領(lǐng)域中大約有90%至95%的研究是錯(cuò)誤的。因此對(duì)實(shí)驗(yàn)的證偽對(duì)研究的意義更大，因?yàn)榭梢院Y除掉當(dāng)前研究中很多誤導(dǎo)性的研究?jī)?nèi)容。很多研究由于人群、區(qū)域和實(shí)驗(yàn)方式的不同，在當(dāng)時(shí)顯示了陽(yáng)性的結(jié)果，后期都被否定掉了。因此，在論文中需要明確指出，所描述的內(nèi)容是可能的結(jié)果還是事實(shí)。

當(dāng)前很多都是大數(shù)據(jù)驅(qū)動(dòng)的研究，有很多“未知的未知”和“未知的已知”。因此，需要將那些確定的已知的知識(shí)和不確定的知識(shí)給區(qū)分出來(lái)，構(gòu)成一個(gè)新的知識(shí)庫(kù)，以減少誤導(dǎo)信息的產(chǎn)生和傳播。

3.2 網(wǎng)絡(luò)健康謠言

在一般的認(rèn)知中，網(wǎng)絡(luò)謠言往往利用公眾的恐懼、好奇心、情感等心理，混淆是非、顛倒黑白，使大眾產(chǎn)生錯(cuò)誤的印象和看法，影響公眾的判斷力和決策能力。通過(guò)以往研究梳理，發(fā)現(xiàn)當(dāng)前關(guān)于網(wǎng)絡(luò)健康謠言主要集中在三個(gè)方面：特征與檢測(cè)分析、影響因素分析和謠言治理研究?；谝酝芯浚卫砭W(wǎng)絡(luò)健康謠言需要明確三個(gè)重要問(wèn)題：健康信息的知識(shí)性和科學(xué)性、健康謠言信息的溢出效應(yīng)和健康謠言傳播的特征。從這三個(gè)問(wèn)題出發(fā)，可以設(shè)計(jì)一個(gè)從形成、發(fā)展到消退等各個(gè)階段持續(xù)治理的整體框架從防窯、辟謠和止謠三道防線出發(fā)剖析阻斷網(wǎng)絡(luò)健康謠言的內(nèi)部機(jī)制，明確在每道防線中可以采取的措施和主要任務(wù)。

謠言在學(xué)術(shù)概念上是一個(gè)中性詞，從謠言的可信度出發(fā)，可以分為三大類：真的、假的和不確定。由于沒(méi)有機(jī)關(guān)或媒體能夠評(píng)估謠言的可信度，因此謠言暫時(shí)沒(méi)有特定的定義。但在計(jì)算機(jī)領(lǐng)域，謠言的定義相對(duì)來(lái)說(shuō)是較為具體的。計(jì)算機(jī)默認(rèn)謠言是錯(cuò)誤信息和虛假信息，因此計(jì)算機(jī)領(lǐng)域研究的謠言一般是虛假信息。并且在傳統(tǒng)的認(rèn)知中也是認(rèn)為謠言是一個(gè)虛假信息。相比于其他謠言，健康謠言的可識(shí)別度更高。健康信息不同于其他信息的關(guān)鍵在于健康信息有很強(qiáng)的知識(shí)性和科學(xué)性，即健康信息是一個(gè)較為客觀的信息。在鑒定的過(guò)程中，一般科學(xué)共同體會(huì)對(duì)健康信息有一個(gè)共同的認(rèn)識(shí)。而娛樂(lè)類的謠言很難用現(xiàn)有的知識(shí)去證明，只能通過(guò)警方一步步去調(diào)查，等待娛樂(lè)謠言水落石出。此外，政治類的謠言具有更強(qiáng)的主觀性。

有學(xué)者支持以上的觀點(diǎn)，認(rèn)為在當(dāng)前的學(xué)術(shù)界缺乏大家都認(rèn)可的謠言定義。在不考慮極端事件的情況下，目前大家較為認(rèn)可的說(shuō)法大致可分為兩類：捏造和不存的信息、未經(jīng)證實(shí)的信息。而謠言的論證是一種后驗(yàn)式事件。在謠言誕生之處，沒(méi)有人可以證明謠言的真假。如果不研究謠言的共性就不能去研究謠言的范式和治理謠言。從后驗(yàn)式的視角對(duì)謠言展開(kāi)研究（報(bào)告人的研究），學(xué)者們認(rèn)為是有意義且有必要的。在未來(lái)的一些危機(jī)事件，破壞性最大的往往不是那種確定性的災(zāi)難，而是在當(dāng)時(shí)沒(méi)辦法確定的謠言。

另外，一個(gè)有意思的話題是二次反辟謠，即某些人或團(tuán)體為了獲取輿論的熱度，對(duì)已認(rèn)定是虛假的信息從多方維度證實(shí)辟謠信息的錯(cuò)誤，從而再次引發(fā)輿論風(fēng)波。如何進(jìn)行二次反辟謠顯得尤為重要。除此之外，也有學(xué)者認(rèn)為當(dāng)前國(guó)內(nèi)外的謠言研究是基于純技術(shù)的角度展開(kāi)的剖析，謠言問(wèn)題的研究過(guò)于簡(jiǎn)化，因此，從多元的角度看待謠言問(wèn)題和開(kāi)展謠言研究會(huì)更有意義。

3.3 健康信息的可信度評(píng)價(jià)

對(duì)健康信息的信度進(jìn)行評(píng)估是至關(guān)重要的，因?yàn)檫@有助于用戶獲得正確的健康信息。目前，健康信息信度評(píng)估主要有三種方法：檢查列表、第三方認(rèn)證和人工智能輔助工具。然而，每種方法都有其局限性。例如，檢查列表方法雖然全面，但復(fù)雜且冗長(zhǎng)，用戶體驗(yàn)并不理想；第三方認(rèn)證可以提供信息的保障，但用戶不太可能專門(mén)去查驗(yàn)這些認(rèn)證；人工智能輔助工具雖然能幫助識(shí)別可靠信息，但由于其缺乏透明度和可解釋性，可能會(huì)引發(fā)一些問(wèn)題。

為了克服這些限制，提出一種新的方法，即通過(guò)交互界面將用戶與在線健康信息的信度評(píng)估工具連接起來(lái)。具體來(lái)說(shuō)，通過(guò)開(kāi)發(fā)一個(gè)插件，當(dāng)用戶打開(kāi)網(wǎng)頁(yè)時(shí)，該插件將在網(wǎng)頁(yè)右側(cè)顯示幫助用戶判斷網(wǎng)頁(yè)信度的信息。這些評(píng)價(jià)指標(biāo)不是隨意設(shè)定的，而是基于相關(guān)的理論依據(jù)。這種方法的優(yōu)勢(shì)在于它能夠直觀地展示信息的可信度，從而幫助用戶做出更好的決策。

4 科學(xué)研究與臨床實(shí)踐的結(jié)合

4.1 醫(yī)療服務(wù)體系存在的問(wèn)題

科學(xué)研究需要和臨床實(shí)踐進(jìn)行結(jié)合，用戶的健康實(shí)踐對(duì)醫(yī)療服務(wù)具有深遠(yuǎn)影響。在醫(yī)療和人工智能結(jié)合的背景下，一些創(chuàng)新的健康管理工具和服務(wù)被開(kāi)發(fā)出來(lái)。然而，這些新興的工具和服務(wù)在實(shí)際的臨床環(huán)境中能否得到有效應(yīng)用，仍是一個(gè)待解決的問(wèn)題。舉例來(lái)說(shuō)，人工智能在醫(yī)療領(lǐng)域產(chǎn)生了一系列新的診斷工具和治療方法，如人工智能輔助診斷系統(tǒng)、人工智能導(dǎo)向的遠(yuǎn)程醫(yī)療服務(wù)等。然而，這些工具和服務(wù)的可用性、有效性以及對(duì)醫(yī)療服務(wù)質(zhì)量的實(shí)際影響，需要在臨床實(shí)踐中得到驗(yàn)證和評(píng)估。

城鄉(xiāng)醫(yī)療服務(wù)質(zhì)量的差異是另一個(gè)重要的研究領(lǐng)域?？茖W(xué)研究可以幫助我們了解和量化城市地區(qū)和農(nóng)村地區(qū)在醫(yī)療服務(wù)質(zhì)量、資源配置以及疾病案例分布等方面的具體差異。例如，醫(yī)聯(lián)體策略試圖通過(guò)整合城市和鄉(xiāng)村的醫(yī)療資源，來(lái)緩解城鄉(xiāng)醫(yī)療服務(wù)質(zhì)量的差距?？茖W(xué)研究可以對(duì)這種策略的實(shí)際效果進(jìn)行評(píng)估，從而指導(dǎo)更有效的政策和實(shí)踐。

當(dāng)前醫(yī)療體系主要存在數(shù)據(jù)質(zhì)量、醫(yī)療知識(shí)應(yīng)用和醫(yī)療教育三個(gè)方面的問(wèn)題。首先，一些錯(cuò)誤的病例或誤診案例被記錄并傳播，而這些信息的錯(cuò)誤性并未被標(biāo)注，這可能對(duì)醫(yī)療服務(wù)產(chǎn)生誤導(dǎo)性影響?？茖W(xué)研究可以通過(guò)深入分析這些案例，找出錯(cuò)誤來(lái)源并提出改進(jìn)方案。其次，醫(yī)療知識(shí)與醫(yī)生實(shí)踐的有效結(jié)合是一個(gè)挑戰(zhàn)?？紤]到醫(yī)生的工作壓力，他們往往沒(méi)有足夠的時(shí)間去查閱人工智能提供的輔助資料，因此，我們需要提供更為精準(zhǔn)的，能夠滿足醫(yī)生需求的信息服務(wù)。此外，當(dāng)前的醫(yī)療知識(shí)服務(wù)系統(tǒng)在設(shè)計(jì)上并未充分考慮醫(yī)生的實(shí)際需求，導(dǎo)致醫(yī)生需要去適應(yīng)這些系統(tǒng)，而不是系統(tǒng)去服務(wù)醫(yī)生。這種現(xiàn)象在醫(yī)療知識(shí)提供方面尤為明顯，通常所提供的是通用的基礎(chǔ)知識(shí)，對(duì)資深醫(yī)生的幫助有限。人工智能技術(shù)可以幫助我們更精準(zhǔn)地提供滿足醫(yī)生需求的信息服務(wù)，從而提高醫(yī)療服務(wù)的效率和質(zhì)量。最后，醫(yī)學(xué)教育中存在臨床經(jīng)驗(yàn)不足的問(wèn)題。很多從事教學(xué)的醫(yī)學(xué)老師來(lái)自生命科學(xué)等非臨床背景，他們?cè)谧珜?xiě)學(xué)術(shù)論文方面可能有較強(qiáng)的能力，但在臨床經(jīng)驗(yàn)方面可能不足。反之，臨床醫(yī)生雖有豐富的診治經(jīng)驗(yàn)，但往往缺乏撰寫(xiě)SCI論文的能力。因此，大學(xué)教材往往由臨床醫(yī)生撰寫(xiě)，而不是大學(xué)老師。學(xué)生在學(xué)習(xí)過(guò)程中，更偏向于學(xué)習(xí)教科書(shū)，而非臨床經(jīng)驗(yàn)。通過(guò)深化科研和臨床的結(jié)合，我們可以提高醫(yī)學(xué)教育的實(shí)效性，更好地為未來(lái)的醫(yī)療服務(wù)提供人才支持。

4.2 臨床案例與科學(xué)文獻(xiàn)知識(shí)的整合

在大數(shù)據(jù)醫(yī)療領(lǐng)域，臨床案例和科學(xué)文獻(xiàn)知識(shí)的整合是一項(xiàng)重要的任務(wù)。然而，這兩類知識(shí)的性質(zhì)差異可能在整合過(guò)程中引發(fā)一些問(wèn)題。在當(dāng)前醫(yī)療診斷系統(tǒng)中，知識(shí)源主要分為兩類：通用知識(shí)和案例知識(shí)。通用知識(shí)通常由教科書(shū)和科學(xué)文獻(xiàn)經(jīng)過(guò)整理、歸納后形成，主要以查詢功能形式提供。與此相反，案例知識(shí)是基于醫(yī)生在診斷過(guò)程中對(duì)病情演化的具體觀察和判斷形成的。

案例知識(shí)在提供和轉(zhuǎn)化過(guò)程中可能存在許多變化，包括但不限于疾病早期、中期和后期的診斷手段和方式的不同，這些具體細(xì)節(jié)和特點(diǎn)是無(wú)法僅依靠算法理解的，而需要醫(yī)生的專業(yè)判斷和推薦。此外，大量的診斷和案例知識(shí)并未在教科書(shū)或文獻(xiàn)中明確記錄。由于病患個(gè)體差異和疾病病程的復(fù)雜性，每個(gè)患者的具體病情往往會(huì)有所不同，這就需要結(jié)合案例知識(shí)和醫(yī)生的專業(yè)判斷，以實(shí)現(xiàn)個(gè)體化的診斷和治療。因此，在臨床案例和科學(xué)文獻(xiàn)知識(shí)的整合過(guò)程中，應(yīng)注重醫(yī)生的專業(yè)參與和案例知識(shí)的細(xì)節(jié)處理，以更好地滿足個(gè)體化醫(yī)療需求。

4.3 醫(yī)院數(shù)據(jù)確權(quán)

目前醫(yī)院數(shù)據(jù)的所有權(quán)尚未明確。盡管這些數(shù)據(jù)在醫(yī)院環(huán)境中可供使用，但并不直接屬于醫(yī)院所有。由于缺乏明確的法律規(guī)定，這些數(shù)據(jù)也難以判定為個(gè)人所有。如果數(shù)據(jù)歸個(gè)人所有，那么個(gè)人可能會(huì)要求獲取這些數(shù)據(jù)，但這可能導(dǎo)致醫(yī)院在數(shù)據(jù)管理上面臨困境。同樣，一些敏感的醫(yī)療數(shù)據(jù)，如艾滋病等傳染性疾病的數(shù)據(jù)，一旦泄漏，可能引發(fā)公共衛(wèi)生事件和社會(huì)恐慌。當(dāng)前的實(shí)際情況是，全民健康數(shù)據(jù)歸屬于國(guó)家衛(wèi)生健康委員會(huì)。

另一個(gè)重要問(wèn)題是這些數(shù)據(jù)的定價(jià)。對(duì)于不同的購(gòu)買者，同一份數(shù)據(jù)可能具有不同的價(jià)值。就目前而言，金融數(shù)據(jù)受到嚴(yán)格的法律保護(hù)，不能離開(kāi)銀行。相比之下，醫(yī)院數(shù)據(jù)的管理則沒(méi)有明確的法律規(guī)定。醫(yī)院的原始數(shù)據(jù)不應(yīng)離開(kāi)醫(yī)院，但經(jīng)過(guò)抽取和分析的數(shù)據(jù)，特別是反映群體特征的數(shù)據(jù)，是可以被合理使用的。

在此情況下，保護(hù)患者的隱私成為一項(xiàng)重要任務(wù)。例如，如果醫(yī)院原始數(shù)據(jù)直接泄漏給商業(yè)保險(xiǎn)公司等，可能會(huì)引發(fā)社會(huì)問(wèn)題。因此，可以考慮將部分不涉及用戶隱私的信息處理、抽取和脫敏后提供給商業(yè)保險(xiǎn)公司，以判斷購(gòu)買資格，但同時(shí)確保提供的信息最小化，既滿足了相應(yīng)的信息需求，又保障了患者的隱私安全。

5 人工智能賦能醫(yī)療

生成式人工智能在醫(yī)療領(lǐng)域具有強(qiáng)大的應(yīng)用潛力，大家比較關(guān)注三個(gè)問(wèn)題。

（1）生成式人工智能是否能夠在智慧醫(yī)療系統(tǒng)中，有效地進(jìn)行回答患者問(wèn)題、回復(fù)問(wèn)診和提供診斷建議等任務(wù)，實(shí)現(xiàn)對(duì)醫(yī)生的部分替代？

生成式人工智能在處理通用知識(shí)方面表現(xiàn)良好，但在處理主觀問(wèn)題的回答方面仍有待改進(jìn)。生成式人工智能缺乏病例知識(shí)，這些知識(shí)基本上都在醫(yī)院中，不在互聯(lián)網(wǎng)上，無(wú)法獲取。即使有一天患者將自己的病例上傳到數(shù)據(jù)庫(kù)中，生成式人工智能也無(wú)法做出詳細(xì)的診斷，因?yàn)樗鼰o(wú)法獲取醫(yī)療影像資料，且不能在長(zhǎng)時(shí)間間隔內(nèi)對(duì)比多次檢查結(jié)果。由于病人的生理和心理狀態(tài)都可能影響疾病的發(fā)展，因此在處理這些問(wèn)題時(shí)需要人工非常細(xì)致和專業(yè)的判斷。

在某些方向上，人工智能可以在一定程度上輔助醫(yī)生進(jìn)行診斷，但由于當(dāng)前90%-95%的醫(yī)療信息存在不準(zhǔn)確的情況，這會(huì)導(dǎo)致模型學(xué)習(xí)后產(chǎn)生的結(jié)果也不可靠。

人工智能和醫(yī)生不應(yīng)該對(duì)立。研究應(yīng)該更關(guān)注使用了人工智能的醫(yī)生和沒(méi)有使用人工智能的醫(yī)生對(duì)患者的治療效果，以及是否能降低死亡率。人工智能在處理復(fù)雜的醫(yī)療工作方面存在困難，如診斷、手術(shù)決定、后遺癥處理等，這些都使得人工智能難以完全替代醫(yī)生。

（2）生成式人工智能天然具有“非真實(shí)”的屬性，如何保證AI或生成式人工智能在醫(yī)療領(lǐng)域應(yīng)用的真實(shí)性和準(zhǔn)確性？

雖然生成式人工智能在醫(yī)學(xué)基礎(chǔ)知識(shí)方面表現(xiàn)較好，但在提高其在醫(yī)療領(lǐng)域的真實(shí)性和準(zhǔn)確性方面，仍需依靠人類。生成式人工智能的信息抽取能力強(qiáng)大，但在自我糾錯(cuò)和對(duì)自己生成內(nèi)容質(zhì)量進(jìn)行判斷的能力上仍需進(jìn)一步發(fā)展。此外，由于大部分訓(xùn)練數(shù)據(jù)來(lái)自開(kāi)放互聯(lián)網(wǎng)，如維基百科等，因此，如果知識(shí)庫(kù)中存在誤導(dǎo)信息，生成的內(nèi)容也可能含有誤導(dǎo)信息。

人工智能由于數(shù)據(jù)集的限制，可能會(huì)陷入局部最優(yōu)解，而不是全局最優(yōu)解。當(dāng)處理來(lái)自不同患者的信息時(shí)，它可能在為特定患者生成解決方案時(shí)存在偏差。例如，如果輸入數(shù)據(jù)大部分來(lái)自某一特定人群，那么生成的結(jié)果可能會(huì)對(duì)該人群有更好的匹配度，但可能不適用于其他人群。

（3）在使用人工智能為醫(yī)療領(lǐng)域進(jìn)行賦能的同時(shí)需要注意哪些問(wèn)題？

AI的出現(xiàn)引起了震驚，主要是因?yàn)樗腿祟愓宫F(xiàn)出了一種競(jìng)爭(zhēng)性。AI在某些領(lǐng)域可以超越人類，如在初步的診斷和常見(jiàn)病癥診斷中，AI可以作為一種工具，幫助普通消費(fèi)者做健康診斷，這與使用默沙東的診療手冊(cè)是類似的，這樣可以避免浪費(fèi)三甲醫(yī)院的資源。

AI與管理、數(shù)據(jù)、醫(yī)療的結(jié)合需要綜合能力。為了實(shí)現(xiàn)健康信息AI，需要跨專業(yè)合作，這對(duì)于培養(yǎng)非常專業(yè)的學(xué)生是一個(gè)挑戰(zhàn)。然而，管理學(xué)院可以提供一個(gè)解決方案，因?yàn)樗斯残l(wèi)生管理、信息管理等一系列可以合作的專業(yè)。在未來(lái)的手術(shù)室里，可以使用AI來(lái)輔助醫(yī)生，提供關(guān)鍵時(shí)刻的幫助。但當(dāng)前的醫(yī)院很多智能設(shè)備并未被充分利用，我們需要對(duì)智能設(shè)備進(jìn)行更好的治理。

生成式人工智能最大的能力在于對(duì)信息的歸納和整理。對(duì)患者數(shù)據(jù)的深度挖掘是十分合適的，然后將這些信息整理并提供給醫(yī)生，這可能是一種有效的方式。在此基礎(chǔ)上，提出一種個(gè)體化和群體化結(jié)合的理念，即如果能夠通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式來(lái)為每個(gè)個(gè)體提供獨(dú)特的醫(yī)療服務(wù)，而不僅僅是為大多數(shù)人提供標(biāo)準(zhǔn)化服務(wù)，那么人工智能將能夠發(fā)揮巨大的潛力。

致謝：分論壇主講嘉賓和參會(huì)者較多，紀(jì)要中未能一一列出。在此一并致謝！