雖然其蘊藏的能量巨大，但我們?nèi)皂氄J真分析最佳應用場景才能為其找到理想的施展平臺。醫(yī)療保健尤其如此——作為一個向來以變化緩慢著稱的領域，任何新興技術的草率部署都有可能引發(fā)巨大風險。大家可能還記得前幾年廣受關注的IBM Watson，曾經(jīng)號稱能診斷復雜的癌癥，但實際情況并非如此。最終，藍色巨人在去年將其低價賣出。

所以在醫(yī)療保健方面，我們不妨以一種簡單的五步走方法，評估生成式AI能夠為其做出哪些貢獻：

1. 從技術能夠協(xié)助解決的問題入手，搞清楚生成式AI擅長做什么。

2. 搜索存在這些問題的整體領域。

3. 理解在核心用例中使用生成式AI的動機和障礙，包括在接受新方案前人們需要放棄哪些舊辦法。

4. 圍繞業(yè)務動態(tài)做優(yōu)先級評估。

5. 廣泛了解建立完整解決方案的必要因素，包括技術、工作流咨詢、患者教育等。

要將這套方法應用到醫(yī)療保健領域，首先需要明確我們的評估對象——不是能解釋醫(yī)學影像或人口健康數(shù)據(jù)集的深度學習。這些工作已經(jīng)在進行當中。另外，我們考慮的也不是AI在特定場景下的簡單應用，比如診斷預約。這里的關注點只有一個，生成式AI與新興醫(yī)療保健服務。 

首先，生成式AI能幫助解決哪些問題？答案很多，但為了簡單起見，我們可以專注于其中四點：1）解釋非結(jié)構(gòu)化數(shù)據(jù)；2）以連貫的方式解釋數(shù)據(jù)；3）讓人們參與對話；4）產(chǎn)生新的想法。

第二，這些問題分別對應哪些整體領域？從以上四點出發(fā)，我們可以對應出以下示例：

1） 解釋非結(jié)構(gòu)化數(shù)據(jù)：總結(jié)電子病歷中診斷說明所表達的關鍵事實，要求醫(yī)療保險公司提供預授權，并在臨床試驗數(shù)據(jù)中提取模式，例如在患者上報的結(jié)果或治療無效者中找到共性。

2） 以連貫方式解釋數(shù)據(jù)：為醫(yī)療保險公司提供客戶服務、診斷和制定治療計劃。

3） 讓人們參與對話：獲取篩查數(shù)據(jù)（例如，患者在家中感覺安全嗎？）并為敏感度較低的健康問題提供談話治療。

4） 產(chǎn)生新想法：使用蛋白質(zhì)組學和基因組學數(shù)據(jù)集，發(fā)現(xiàn)新的有效成分和現(xiàn)有療法的某些新療效。

第三，采用新技術的動機和障礙有哪些。這個問題很可能直接決定某些用例能否實際落地。例如，在生成式AI獲得FDA批準成為醫(yī)療設備之前，任何企業(yè)不得借助AI為美國患者提供明確的診斷或制定治療計劃。然而，未來的市場前景可能發(fā)生變化?？紤]到很多臨床醫(yī)生已經(jīng)被患者需求壓得不堪重負，也許適當放寬監(jiān)管要求才是可持續(xù)發(fā)展之道。另外，這部分分析還有助于發(fā)現(xiàn)適合快速創(chuàng)新的領域（依賴性低、需求高、風險/轉(zhuǎn)換成本低的領域）。例如，原本自費的談話療法現(xiàn)在就有望用AI代勞。

第四，根據(jù)業(yè)務動態(tài)確定不同市場的落地優(yōu)先級。這個問題非常復雜，本文無法深入討論。但概括來講，我們可以通過個體/規(guī)模經(jīng)濟、市場渠道、銷售流程和競爭強度等因素做出判斷。

最后，廣泛審視完整的解決方案。很少有哪種新技術能像生成式AI這樣，有望徹底改變?nèi)藗兊拈L期工作實踐。例如，生成式AI的廣泛普及可能要求對客戶做相應培訓，并建立起互補產(chǎn)品的生態(tài)系統(tǒng)。另外，當競爭對手模仿某些底層醫(yī)療技術時，生成式AI還有助于在市場上做產(chǎn)品區(qū)分。

總之，如果大家身在醫(yī)療保健或生命科學行業(yè)，不妨嘗試各種方式探索生成式AI的價值。而且與其單從技術入手，不妨關鍵由此帶來的整體挑戰(zhàn)，宏觀思考我們真正需要怎樣的解決方案。之后再據(jù)此研究實現(xiàn)方法，看看除了生成式AI之外，有沒有哪些門檻更低的成熟方案也能帶來類似的效果。

在醫(yī)療保健領域，企業(yè)級生成式AI正面臨著一片廣闊的藍海。而前面提到的五步走方法論，足以表明其中蘊藏的豐富機遇。因此即使是在醫(yī)療保健這樣一個向來保守的行業(yè)，顛覆性的變革也將很快出現(xiàn)。