智能医学时代医生的转型

刘 荣

(解放军总医院，北京，100853)

随着智能革命的浪潮拓展至医疗领域，医学将进入智能医学时代。目前，人工智能技术逐渐成熟，其在医疗行为中的应用也越来越多，这必将给医学带来深刻变革[1]。我们曾提出过智能医学的概念：智能医学，即使用人工智能的工具、方法，辅助或替代人类进行医疗行为的科学。智能革命的发展方向除高效率与标准化外，还有个体化的灵活性生产。在医学领域，这种发展趋势可体现为标准化的医疗行为与个体化的医疗设计。在这样的大趋势下，医疗产业结构会发生巨大变化，人工智能会越来越多的承担目前医生的工作。很多人认为，智能医学时代的到来会冲击现有的医疗体系，导致大量医生失业。对此，笔者的观点是，智能医学冲击现有医疗体系是必然，也必将会对医生这个古老的职业带来巨大的冲击，但是如果说智能医学会导致医生大量失业，则未必如此。这并不意味着医生将会失去用武之地，智能医学对医生的工作价值造成冲击的同时，也会创造大量新的需求，迫使医生从现有的工作转向新的、与智能医学需求相适应的工作。相应的，医生的培养模式也会发生巨大变化。因此，医生应努力适应智能医学的发展趋势，为智能医学的发展做出自己的贡献。本文现详细讨论智能医学发展的大趋势及医生应如何转型以适应智能医学的发展。

1 智能医学的发展趋势

目前，人工智能在各领域都展现出越来越广泛的应用前景。很多人将以人工智能为代表的新技术革命称为“第四次工业革命”，即智能革命[2]。与前三次工业革命相同的地方是，智能革命的目的在于使用新技术提高生产力与生产效率、降低生产成本。而与前三次工业革命不同之处在于，智能革命首次强调了“生产灵活性”的概念[3]。提高生产灵活性的核心是根据愈发多变的市场需要进行个性化的大规模制造及高效的柔性生产。智能革命要解决的矛盾是标准化生产与个性化需求间的矛盾，通过增强生产的可塑性，满足个性化、定制化的需求，与此同时，通过智能化、自动化满足大规模的标准化生产。

目前，老龄化日益严重，加之医护人员数量增长缓慢[4]，导致医疗需求的增长与医疗资源不足之间产生了巨大矛盾。此外，医疗受众知识水平的普遍提高与信息互联互通程度的加深，使医患间的信息不对称状况逐渐减轻，为医疗提出了越来越高的要求。在这种医疗行业的大背景下，智能革命带来的智能化高效生产与生产灵活性的提高为解决医疗行业面临的矛盾提供了可行的思路。将智能革命的目的与特征应用于医学领域，笔者认为，智能医学的发展趋势应该是：标准化的医疗行为+个体化的医疗设计。

首先讨论标准化的医疗行为。医疗行为的标准化始终是发展的大趋势，也是我们一以贯之的追求。然而目前医疗行为的标准化程度依然较低。以手术为例，尽管目前对于各种疾病的手术治疗均已形成规范与指南，但手术毕竟需要人来完成，这导致不同术者之间手术方法、水平均存在巨大差异。而如果使用人工智能控制设备，则可大大提高操作的精确性、标准化程度。目前使用人工智能代替人类进行医疗操作仍处于探索阶段，通过人工智能实现标准化医疗行为的过程依然任重而道远。

再来讨论个体化的医疗设计。人不是机器，患者的情况不同，不可一概而论，一种治疗方法不可能适于全部患者，个体化的医疗设计可大大提高医疗质量。在医学的起源时代，由于没有任何标准化的依据可参考，医生对患者所施行的医疗可能都是不一样的。所有的医疗行为均是“个体化”的。但这种“个体化”显然不是我们所追求的个体化；我们追求的个体化是建立在充分证据的基础上，根据患者情况选择最适合的治疗方法。其目的不是追求每个个体都不同，而是追求与个体分别相适应。

也就是说，一方面我们应根据个体的具体情况进行不同的医疗设计；而另一方面一旦个体化的医疗设计得以确定，实施过程中的每一个流程都必须是标准化的，这样的医疗行为才值得信赖。从这个角度而言，标准化医疗行为并不是个体化医疗设计的障碍，而是个体化医疗设计的基础。

2 智能医学时代医生的“转型升级”

目前，很多人认为，如果使用人工智能辅助或替代人类实施医疗行为，会导致医生大量失业。笔者认为这样的观点是不准确的，智能医学无疑会给现有的医疗模式带来巨大冲击，但其结果不是导致医生无用武之地，而是迫使医生转向新的、与智能医学的需求相适应的工作岗位。可以将这个问题放至更大的背景下来看，在人类文明的发展历程中，尤其近代，使用工具替代人类是一个持续不断的过程。但我们看到，在人口爆炸的今天，绝大多数的人依旧在工作并为社会创造价值。其原因在于技术不仅仅是在满足需求，更是在创造需求。在农业时代，没有人会需求私家车、智能手机、笔记本电脑，这些都是随着科技的进步创造出来的。而新技术在创造新需求的同时，也会同时引导生产力的转移。

以微创手术为例，在微创手术出现前，医生、患者都希望有一种创伤小又美观的手术方式，但这种需求是一种缥缈的需求，就像今天人们对于太空旅游的需求一样。但在电视腔镜出现后，很短时间内患者就建立了对腔镜手术的需求；而在Da Vinci手术系统问世后，对于这种先进手术方式的需求也随之建立起来。与此同时，在手术台之外，腹腔镜与Da Vinci手术系统又带动了一大批产业的发展。也就是说，新的技术一方面在满足医生与患者的需求，另一方面也在创造新的需求。

智能医学在满足个体化医疗设计与标准化医疗行为实施的过程中，同样会创造大量新的需求。如在个体化医疗设计、建设医疗大数据平台的过程中需要进行数据采集、整理分析[5]；在医疗行为的标准化中需要的设备设计、制造、运行与维护；以及我们在目前技术条件下无法想象的技术，这些都是智能医学将创造的巨大需求。此外，患者不是机器，治疗过程需要的不仅仅是治疗本身，还需要安慰、沟通与交流[6]，这些工作都是人工智能在短期内难以实现的，同样会产生大量的相应需求。

所以说，智能医学是使用人工智能替代或辅助医生进行的诊疗行为，但这并不意味着“无人医院”，而是迫使医生转型，从目前的医疗岗位转向新的、与智能医学模式相适应的岗位。随着人工智能在医疗行为中逐渐取代人类，医护人员如果继续一成不变的进行目前的工作，必然面临劳动价值下降的窘境。医护人员面对这种情况只有两种选择：一是自己做出改变，学习新知识，转向新的、符合智能医学时代需要的工作；另一种就是固守原有技术，退出历史舞台。这将是智能时代的医护人员面临的普遍状况。模式化、标准化的操作性工作会越来越多的被机器取代，可提供个体化医疗产品或服务的产业才能体现出人的价值。应通过机器学习与大数据技术，而不是传统的抽样方法，去发现个体的需求。以需求引领技术发展，反过来再利用技术的发展更有效的创造需求，进而促进医疗产业的健康增长[3。

对医生而言，新的角色定位带来新机遇的同时也会带来新的挑战。原有的医生培养模式侧重于记忆性、经验性知识的培养[7]。而这部分内容未来必将会越来越多的被人工智能所取代。那是否意味着未来的医学生不再需要学习这些卷帙浩繁的、令人头疼的医学知识了呢？答案当然是否定的。其原因在于，机器学习的模型可很完美的利用知识，但却不能发现知识。我们很容易将课本上学到的东西当成颠扑不破的真理，但事实上，知识都是在不断更正的。有人说依靠人工智能也能发现新的知识，但在目前的技术范围内，使用人工智能进行“科研”的本质是找到数据间的内在联系，如使用机器学习模型去寻找某种因素与某种疾病间的关系是非常容易且高效的[8]。然而医学中新知识、新方法的探索不只是寻找数据间的联系这么简单，新方法的发现通常伴随着新思路的应用，而很多时候这些新思路的“发明”根本不在机器学习的范畴内。如在青霉素的发明过程中，亚历山大·弗莱明爵士是在一次偶然事件中发现了青霉菌的分泌物可杀灭细菌。那么应如何让人工智能去计算出这种将青霉菌落入细菌培养皿的情况呢？这是不现实的。

可以想象，如果医学生放弃了上述知识的学习，上述学科会失去进步的源泉，医学知识将逐渐趋于固化，因此医学知识对于未来的医生而言仍是不可或缺的。但培养的重点则不应放在知识的记忆、经验性内容的学习上，而是应侧重于学科思维、创新能力的培养。知识的记忆、数据的挖掘工作则可交给人工智能完成。此外，在目前的医学教育模式下，医学生不具备全面的对数据进行收集、整理与分析的能力[9]。在智能医学时代，对数据的处理、操作能力会成为医生能力的重要组成部分。因此要想培养适于智能医学时代的医生，需要大幅提高公共基础课程在医学教育中所占的比例，加强医学生在基础学科方面的能力。

总之，在智能医学时代，医疗模式会发生深刻变革，新时代的医疗环境将是人工智能与人类共存共生，互为补充。医生在这个重大的变革历程中既不应惶恐，担心自己被取代；也不应固守现状，反对或抵制技术的进步，而是应预判智能医学的发展方向，及时转变角色定位，为智能医学的发展、进步做出自己的贡献。

参考文献：

[1] 刘荣.智能外科的机遇与挑战[J/CD].中华腔镜外科杂志(电子版),2017,10(6):327-329.

[2] Hawken P,Lovins AB,Lovins LH.Natural capitalism:the next industrial revolution[J].Earthscan Publications,2013,1(3):65-75.

[3] 克劳斯·施瓦布.第四次工业革命[M].北京:中信出版集团,2016:35.

[4] 国家统计局.中国统计年鉴[M].北京:中国统计出版社,2016:799-803.

[5] 周栋,李海杰.区域医疗领域大数据安全平台的研究与设计[J].信息技术与标准化,2014,56(8):25-29.

[6] 黄丽英.医学生医疗人文关怀教育的思考[J].医学与社会,2005,18(5):58.

[7] McGaghie WC,Issenberg SB,Petrusa ER,et al.A critical review of simulation-based medical education research:2003-2009[J].Med Educ,2010,44(1):50-63.

[8] Mitchell TM.Machine learning and data mining[J].Communications of the ACM,1999,42(11):30-36.

[9] Gehanno JF,Rollin L,Le Jean T,et al.Precision and recall of search strategies for identifying studies on return-to-work in Medline[J].J Occup Rehabil,2009,19(3):223-230.