自从2022年底ChatGPT等生成式人工智能（genAI）工具惊艳亮相，它们就像一股旋风，席卷了科技、金融、娱乐等各个领域。但你知道吗？在这场AI的狂欢中，医疗保健领域正悄然成为最大的受益者和变革者！
想象一下，美国每年在医疗保健上砸下高达4.3万亿美元的天文数字，但其中有30%的资金像投入黑洞，无声无息。更可怕的是，每年都有无数生命因医疗错误而消逝，而医疗资源却像撒胡椒面一样，分布不均。在这个困境中，genAI的出现仿佛一道曙光，照亮了医疗改革之路。
然而，就像每个故事都有两面性，genAI也不例外。有人欢呼，有人却持怀疑态度。毕竟，历史上不乏技术革命最终沦为“空欢喜”的先例。比如1993年提出的“信息技术的生产力悖论”，就给我们敲响了警钟。那么，genAI能否打破这一悖论，真正改变医疗现状呢？
其实，要解开这个谜团，我们需要深入了解两个核心问题。首先，genAI是否能像其他技术一样，通过不断的迭代和改进，展现出惊人的潜力？其次，当genAI与现有的医疗保健生态系统相结合时，它能否促进互补技能和流程的发展，或者至少减轻对它们的依赖？
历史总是惊人的相似。当19世纪电动机刚问世时，它并没有立即带来生产力的飞跃。直到人们开始重新规划工厂布局、调整工作流程和工人培训方式，电动机的优势才得到充分发挥。同样地，genAI要想在医疗领域大放异彩，也需要我们重新审视和改变现有的医疗模式和流程。
还记得那个改变了我们医疗体验的时代吗？那就是电子健康记录（EHR）的普及时代。仅仅15年间，这场技术变革就席卷了整个医疗保健领域，背后有着2008年经济危机后HITECH法案的强力推动。想象一下，2009年，每10家医院中仅有不到1家拥有EHR，但仅仅十年后，这个比例就飙升到了近九成！虽然EHR减少了用药错误率，但医生们却常常抱怨它带来的文档负担，甚至有人将其视为工作不满和高度倦怠的根源。
而就在EHR如火如荼的同时，人工智能（AI）也早已在医疗保健领域跃跃欲试。早在上世纪60、70、80年代，就有公司和学术机构试图用AI协助（或取代）医生进行诊断，但结果却遭遇了长达数十年的“AI寒冬”。直到2011年，IBM的Watson AI软件在Jeopardy!节目中大放异彩，才重新点燃了人们对AI在医疗领域的希望。但遗憾的是，十年后，Watson Health因未能展示实际价值而被出售给投资公司。
如今，genAI的崛起似乎为医疗保健领域带来了新的希望。但为何之前的尝试都未能成功？为何EHR在提升生产力方面效果参差不齐？这背后隐藏着诸多挑战。
首先，医疗保健行业受到严格的监管，数据所有权问题常常引发争议和诉讼。其次，EHR市场高度集中，少数公司垄断了市场，使得新进入者难以立足。再者，医疗保健领域的参与者众多，包括医生、医院、健康计划、雇主、制药公司等，使得genAI的推广变得异常复杂。此外，医疗保健数据混乱不堪，每个数据集都有其独特的用途和局限性，这使得基于这些数据的人工智能算法存在潜在问题。
但即使面对这些挑战，我们依然坚信genAI有望为医疗保健领域带来前所未有的变革。它拥有加速技术迭代和改进的潜力，能够与当前医疗生态系统相结合，推动互补技能和流程的发展。而最重要的是，genAI具备解决上述挑战的独特优势，有可能克服医疗保健领域的种种难题。
首先，与genAI相关的工具极具易用性。虽然genAI的输出会随着用户学会创建优质提示而逐步优化，但这些工具对用户的专业知识要求相对较低。ChatGPT及其后续版本所展现的基于语言的生成式AI的空前采用率（前两个月内达到1亿用户）部分归功于其无需特殊培训的特点。在发布后的数月内，数百万知识工作者通过输入简单的英语提示，便发现genAI正助力他们起草文档、编写软件代码和创建图形，这往往无需公司协助，甚至未得到他们的正式批准。
其次，genAI可以通过软件直接传送至用户计算机，这一事实同样加速了其采用过程。这与EHR的实施形成鲜明对比，EHR的转变需要大量硬件投资，并彻底改变医疗保健工作的组织方式，包括临床和后台工作。此外，一个充满活力的由风险投资支持的医疗保健初创企业生态系统正在蓬勃发展，这些初创企业在GPT发布时正致力于解决各种医疗保健问题。至少有十几家这样的公司在数月内就将genAI功能融入其产品，其中许多都取得了显著成果。
第三，尽管EHR供应商似乎“垄断”了大部分医护人员的计算机空间，但应用程序编程接口（API）和插件技术的进步使得EHR与第三方开发的genAI应用程序之间的接口变得更加无缝且易于实现。为了在这场潜在的竞争威胁中保持领先地位，主要的EHR供应商也在迅速将genAI集成到他们自己的软件产品中。
第四，从历史经验来看，技术能否迅速迭代更新，一直是克服生产力悖论的关键。genAI的一个显著特点就是它能在有限的人工干预下，随着时间的推移进行自我改进。早期的大型语言模型存在的一些众所周知的问题，如“幻觉”（即编造事实和参考资料）、种族和民族偏见，以及不适当的输出等，在短短几个月内就得到了部分解决。例如，GPT-3.5曾撰写了一份关于抗凝剂治疗失眠的授权请求，虽然内容看似专业但实则荒谬。然而，仅6个月后，GPT-4在收到相同提示时便表示：“我起草这样的请求是不道德和不合适的。”相比之下，EHR的改进周期则显得较为缓慢，供应商往往需要通过数月甚至数年的增量版本来逐步解决问题。
当然，这种快速变化也带来了一些挑战。由于genAI的开发人员也不一定完全了解工具产生特定输出的原理，因此，面向患者的genAI输出可能会以不易察觉的方式发生有害变化。目前，美国食品和药物管理局正在积极探讨如何在医疗环境中有效监管genAI工具，以应对其输出可能随时变化的问题。
在医疗领域之外，genAI的早期研究也显示出了其在提高生产力和质量方面的巨大潜力。有人在研究genAI工具的逐步推出过程时发现，获得genAI工具访问权限的客户其生产力提高了14%，同时客户满意度和员工留任率也有所提升。这些改进在genAI部署的初期几个月内就取得了显著成效，且仅涉及工作组织的微小调整。有趣的是，经验最少、技能水平较低的工人受益最大，他们的生产率随着学习曲线的快速上升而提高了35%。
最近几个月发表的其他研究还显示，genAI在协助软件工程师、管理顾问和作家等职业时，也实现了巨大而迅速的生产力提升。一项最新分析指出，高达80%的职业，包括许多医疗保健职业，都有一些可以通过genAI大幅提高工人生产力的任务。
在某些情况下，genAI的引入能够迅速带来效益。但大多数情况下，要取得显著收益，必须结合工作设计的重大变革。可以相信，相比过去，医疗保健领域的领导者们更愿意接受这些变化。经过以往IT部署的磨砺，许多领导者在系统设计、变更管理、员工培训和文化塑造等方面变得愈发成熟。如今，多数大型医疗保健组织的IT部门中，都汇聚了拥有信息学背景的临床医生和具备用户中心设计和系统思维的专业人才。
医疗保健数字领域的公司也从过去几十年的经验中汲取了教训，如互补创新的重要性、谦逊与耐心的必要性，以及医疗保健行业特有的复杂性和高风险。2021年，IBM首席执行官Arvind Krishna在反思Watson Health的失败时表示：“医疗保健行业总是更微妙、更规范，因为每一个决定都可能影响人的生死。我们必须更加谨慎。在医疗保健领域，我们曾过度乐观。”
更为重要的是，医疗保健市场的变化可能加速genAI的投资和部署步伐。目前，医疗保健服务组织的利润率正受到多种因素的威胁，包括有限的报销、劳动力成本上升、药品成本飙升以及来自其他医疗保健组织和非医疗保健公司（如亚马逊和沃尔玛）的激烈竞争。尽管genAI可能威胁现有员工的职位，成为劳资纠纷的根源（如近期娱乐和汽车行业的罢工所示），但目前文职人员、护士和某些医生专业的短缺可能会缓解这一紧张局势。例如，过去数字创新造成的问题（如文档负担和EHR收件箱堆积）可能通过genAI驱动的新工具（如数字抄写员和复杂聊天机器人）得到解决。
可以预见的是，genAI将在医疗保健服务系统中率先取得胜利，并非通过直接处理面向患者的任务（如诊断和推荐治疗），而是通过解决浪费和行政摩擦的问题，无论是在医生记录创建、患者预约安排，还是向保险公司发送账单或事先授权请求方面。这些领域的经验可能为在更直接影响患者结果和体验的领域广泛实施genAI铺平道路。哈佛大学和麦肯锡咨询公司的经济学家最近分析指出，得益于运营、企业职能和报销方面的改进，实施现代人工智能系统可以节省5%至10%的医疗保健支出（每年约为2000-3600亿美元）。如果genAI最终通过有效的临床决策支持推动高价值和循证护理，那么还可以节省更多的费用。
当genAI这股科技洪流席卷医学领域，我们不禁要问：IT生产力悖论会否再次降临？确实，医疗保健行业那独特的属性，比起其他行业，让技术工具实现承诺效益的道路更为曲折。
但别灰心，历史告诉我们，每一次生产力的飞跃都伴随着挑战与希望。如今，两大关键因素——数字工具的高速进化与组织实施的互补创新——比以往任何时候都更加强大。因此，我们有理由相信，genAI将比以往任何技术都更快地给医疗保健带来革命性的改进。
那么，未来几年内，医疗保健会否被genAI彻底颠覆？虽然像数字抄写员和后台自动化等应用可能会迅速显现其威力，但整个行业的根本变革或许需要数十年。然而，在genAI的推动下，这个时间窗口可能缩短至5到10年，甚至对于数字化领先的组织来说，变革的速度可能更快。
但这场变革不会自己发生。genAI的开发者需要解决幻觉、偏见、安全性和成本等关键问题。监管机构需要制定标准，既要增强对genAI的信任，又要避免过度限制创新。而医疗保健的领导者们，则需要制定明确的路线图，优先发展genAI能为组织带来最大价值的领域，同时紧盯必要的互补创新，并努力缓解genAI带来的已知问题及其潜在风险。
当人工智能的时代浪潮呼啸而来时，一句哲人的话语骤然在耳边想起：“The real question is not whether machines think but whether men do（关键不是机器能否思考，而是人能否思考）”
