下個被淘汰的會是醫生嗎?

下個被淘汰的會是醫生嗎?

編譯/葛竑志

大數據時代

「當然不行。」任教於蘇黎世理工學院、專長轉譯醫學的 Jörg Goldhahn斷言。相對於以往生理數據只能藉由定期健檢蒐集而得,現在的醫學資訊量早已不同以往。許多貼身設備如運動手環、可攜式檢驗儀器等都可以24小時不間斷地量測患者的生理數據,並透過物聯網即時回傳至醫療院所,方便醫生做更即時的追蹤。

Goldhahn認為,醫學數據只會變得更多樣且更複雜。這些數據除了有益於臨床研究,也可以幫助訓練AI,使其更加準確。舉例來說,Google AI團隊與相當多的醫師合作,開發出了從眼底攝影預測心臟病風險的深度學習模型[2],其預測之精準度已能在臨床上協助某些疾病的篩檢。

醫病關係

許多人認為機器無法完全取代人類醫生,因為醫者與患者間的互動,也是治療過程中不可或缺的一環。除了感同身受的同理心外,患者對醫者那份信任,也是難以取代的。但對於症狀輕微或是年輕世代的患者,相較於不必要的同理心與關注,他們或許更看重準確的診斷與有效的治療。尤其涉及私密問題時,許多患者還是得跨過心理那道障礙,才能將健康託付於另一個人手中,此時不戴有色眼鏡的機器人,反而更能成為患者如實吐露的對象。

除此之外,人類的學習模式經常受個人傾向與教學機構理念的影響,所以就算同樣身為醫者,彼此之間對醫學的認知還是存在無可避免的差異。換成是AI,就不會有這種問題產生了。Goldhahn認為,只要機器能提出無偏見的檢測與療程建議,反而更能輕易取得尤其新世代人類的信任。

資訊爆炸

人們常對醫生抱有不切實際的極高期望,「相信醫生總能趕上最尖端、最新的醫學研究知識,又能與病人維持良好的密切關係。但事實上,這簡直是天方夜譚,因為一個人要面對的資訊量實在過於龐大了。」此時自然語言處理(Natural Language Processing)就是相當有潛力的工具。Goldhahn補充:日前有研究使用RNN(Recursive Neural Network)瀏覽大量藥物相關文獻,整理出不同藥物間的交互作用[3]。這種枯燥、乏味、耗時,卻又極為重要的文獻整理工作,反而是AI的強項所在。

視病如親

加拿大麥基爾大學Vanessa Rampton與瑞士蘇黎世大學醫院Giatgen Spinas則對此抱持不同看法。他們十分贊同AI作為一個協助診斷與治療的「工具」,但否認AI可以完全取代「人類」扮演好「醫者」這個角色。

「同樣身為人類的醫生,可以由患者的人生經歷與社會角色切入,逐步釐清疾病的成因並對症下藥。」在擬定治療計畫時,醫生能將病人的價值觀與性格傾向納入考量,在病因不明或病況複雜的情形下,這些無法量化的資訊尤其重要。

對許多病患來說,找到一個能體會事情的嚴重性又值得相信的人,是療程中最重要的支持,而這些都是機器迄今無法達到的。即使號稱能模仿人類情緒的機器人,也只是在特定情境下作出相應的回應,無法根據人生經驗與患者的狀態給予適當回饋,更遑論改善患者的生活品質 。Rampton和Spinas強調:這正是人類醫生無可取代之處。畢竟,我們總不會希望有一天宣布自己死亡的,是對「死亡」毫無概念的冰冷機器吧!

 

編譯來源

J. Goldhahn , V. Rampton ,  G.A. Spinas, “Could artificial intelligence make doctors obsolete?”, BMJ, 363:k4563, 2018.

參考資料

  1. R. Poplin, A.V. Varadarajan, K. Blumer, Y. Liu, M.V. McConnell, G.S. Corrado, L. Peng & D.R. Webster. “Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning.” Nature Biomedical Engineering 2:158–164, 2018.
  2. S. Lim, K. Lee, J. Kang. “Drug drug interaction extraction from the literature using a recursive neural network.” PLoS ONE 13(1): e0190926.

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)

(Visited 1 times, 1 visits today)
views