盡管AI已進入許多醫學專業，但該技術未能在初級保健中立足。這是為什么？

一位在該領域和人口健康科學領域都具有專業知識的醫師與一位杰出的計算機科學教授共同努力，在五月版的《家庭醫學年鑒》中發表了一篇觀點文章，回答了這個問題。

初級保健人工智能“應致力于改善護理服務和健康結果;使用這個基準，它還沒有產生影響。”休斯頓大學醫學博士Winston Liaw和醫學博士Ioannis Kakadiaris都在休斯敦大學任教。

作者指出，迄今為止，令人失望的主要表現是初級保健界缺乏參與，這表明廣泛的沉默對現實世界產生了影響。

他們指出：“沒有初級保健的投入，醫療保健AI研究人員“可能無法掌握初級保健數據收集的背景，其在衛生系統中的作用以及影響其發展的力量。”

然后，Liaw和Kakadiaris提出了七項AI挑戰，如果該職業要趕上美國整體醫療保健水平，那么初級保健必須面對這些挑戰。

1.低效的數據輸入。

作者寫道：“沒有及時的數據，人工智能系統將無法獲得決策所需的信息。”

2.處理不良的數據。

由于研究人員不信任在初級保健中輸入的數據的準確性，因此可以理解的趨勢是“根據任意或不適當的規則省略或修改數據，這可能導致人工智能系統吸取錯誤的教訓。”

3.無法解釋的（“黑匣子”）AI結果。

“要讓用戶信任人工智能系統，他們需要了解為什么要做出決定。”

4.放大現有的偏見。

“出現人口概率的系統性低估或過高預測是出于多種原因，其中包括訓練數據有偏見以及受早期偏見決定影響的結果。”

5.孤立的數據。

“這導致工具在不同機構使用時表現更差。此外，接受該工具培訓的人群可能會轉移，從而導致其性能隨著時間的流逝而受到損害。”

6.隱私問題。

隨著數據的數字化，患者越來越無法確定何時，如何以及在何種程度上將與他們有關的信息傳達給他人。違反和濫用會削弱對人工智能系統的信任，并可能使個人不愿獲得醫療服務。”

Liaw和Kakadiaris總結道：“ ［W］不僅在基礎醫療中需要應用人工智能，還需要開發針對基礎醫療的廣度，復雜性和縱向性而量身定制的新方法。”“ ［全科醫生］被我們對人的壓倒一切的興趣區分開，這對于在醫師與患者之間建立紐帶至關重要。”

作者還補充說，EHR的激增，以及隨之而來的AI的興起，通過增加“越來越多的技術”來消除這種聯系。

作者寫道，為了防止這種威脅逐漸演變成危險，初級保健AI“需要通過促進初級保健研究人員與AI學術專家之間的聯系的新機會來縮小這種鴻溝。”“如果我們希望恢復維持我們和我們患者的關系，就必須找到應對這一挑戰的創造性解決方案。”