太小的数据集或太脏的数据集，以及不能代表所考虑的总体的数据集

都可能产生有偏差的结果，不适当的结论以及许多其他有问题的结果，在AI和ML的研究设施中正在发生激动人心的创新，但是由于数据问题，很少有用于生产的创新。尽管这个问题在每个行业都普遍存在，但是在医疗行业中，没有比这个问题更严重的了。

医疗保健有什么问题？

将医疗保健定义为“提供医疗服务，制造医疗设备或药品，提供医疗保险或以其他方式促进向患者提供医疗保健的业务。”这就是一个问题，“患者”是有问题的。制药/生物技术有其自身的数据问题，但它们大多在数据源的控制范围内，保险公司和医疗设备制造商也是如此，但是当您深入到患者层面，甚至是患者护理的各个组成部分时，数据无处不在，就变得不平衡了。

在具有分析数据，具有治疗方案，人群人口统计学和其他变量的范围内

单个临床手术必须是针对个性化医学的AI培训数据的一部分，它不能与足够多的其他操作合并，集成或聚合，以达到机器学习所需的容量而又不失去其本地特色，AI可以提供临床护理机会以产生更好的诊断吗？它可以在患者护理和分娩效率上提供潜在的飞跃吗？它是否可以导致“精确医学”方法，为个体定制治疗方法以显着改善结果，数据阻碍了这一过程？

即大数据和人工智能（AI）时代，每个医疗保健组织都建立了自己的数据基础结构来满足其个人需求，通常涉及本地计算和存储

数据沿组织边界被平衡，严重限制了在一个组织内或跨组织的整个护理过程中为患者提供服务的能力，这种情况随着个体组织不得不购买和维护医疗保健所需的昂贵硬件和软件而演变，并且由于供应商锁定，正如作者指出的那样，为什么在临床医疗保健中采用新的AI算法的速度较慢，这是一个数据问题，但也有其他因素。

人工智能产品无法解决支持现有工作方式的现有激励措施

AI模型并不那么聪明，它们提供可靠的推断，但不能确保人们会采用它们，此外大多数医疗保健组织缺乏收集数据所需的数据基础结构，这些数据无法地训练算法以“适应”当地人口并对其进行讯问以产生偏见。

临床实践可以利用新颖的AI模型，但只能使用在其他地方开发的模型，那里有足够的数据来训练模型

例如可以在任何地方使用经过良好训练的病理模型，可以从图像中高精度识别恶性皮肤病变，但是要实施个性化医学，模型必须意识到局部差异：在人群本身，数据的来源和语义以及位置之间甚至所在情况下的从业人员之间的差异，都会渗入如何捕获数据，结，数据的完整性和可用性缺乏其他企业应用程序拥有的质量和管理。

为了实现这一愿景并实现AI在整个卫生系统中的潜力

必须解决更基本的问题：谁拥有卫生数据，谁负责卫生数据以及谁可以使用它？仅云计算将无法回答这些问题，将需要公共讨论和政策干预。具体的前进道路将取决于围绕医疗保健本身作为公共物品的社会契约的程度，对公私伙伴关系的容忍度，以及至关重要的是，公众对政府和私营部门的信任，以适当的方式对待其医疗保健数据面对商业和政治不正当激励措施时的关注。

如果您是临床医疗保健部门CPDA数据分析师，则必须问自己以下问题：

1、我们权限范围内的可用数据状态如何？

2、它足以为AI模型加油吗？

3、我们是否具备基础架构和/或云专业知识来托管AI建模？

4、谁负责确保模型的输出正确？

5、与他人共享患者和活动数据时，我们面临哪些道德问题？

人工智能解决以前无法解决的问题的热情与临床环境中有限的数据相反，为了提供精确/个性化的药物，无法使用其他地点的数据（与当地条件不匹配）来训练模型，这就是难题。

 客服热线：400-050-6600

商业联合会数据分析专业委员会