虽然其蕴藏的能量巨大，但我们仍须认真分析最佳应用场景才能为其找到理想的施展平台。医疗保健尤其如此作为一个向来以变化缓慢著称的领域，任何新兴技术的草率部署都有可能引发巨大风险。大家可能还记得前几年广受关注的IBM Watson，曾经号称能诊断复杂的癌症，但实际情况并非如此。最终，蓝色巨人在去年将其低价卖出。
所以在医疗保健方面，我们不妨以一种简单的五步走方法，评估生成式AI能够为其做出哪些贡献：
1. 从技术能够协助解决的问题入手，搞清楚生成式AI擅长做什么。
2. 搜索存在这些问题的整体领域。
3. 理解在核心用例中使用生成式AI的动机和障碍，包括在接受新方案前人们需要放弃哪些旧办法。
4. 围绕业务动态做优先级评估。
5. 广泛了解建立完整解决方案的必要因素，包括技术、工作流咨询、患者教育等。
要将这套方法应用到医疗保健领域，首先需要明确我们的评估对象不是能解释医学影像或人口健康数据集的深度学习。这些工作已经在进行当中。另外，我们考虑的也不是AI在特定场景下的简单应用，比如诊断预约。这里的关注点只有一个，生成式AI与新兴医疗保健服务。
首先，生成式AI能帮助解决哪些问题？答案很多，但为了简单起见，我们可以专注于其中四点：1）解释非结构化数据；2）以连贯的方式解释数据；3）让人们参与对话；4）产生新的想法。
第二，这些问题分别对应哪些整体领域？从以上四点出发，我们可以对应出以下示例：
1） 解释非结构化数据：总结电子病历中诊断说明所表达的关键事实，要求医疗保险公司提供预授权，并在临床试验数据中提取模式，例如在患者上报的结果或治疗无效者中找到共性。
2） 以连贯方式解释数据：为医疗保险公司提供客户服务、诊断和制定治疗计划。
3） 让人们参与对话：获取筛查数据（例如，患者在家中感觉安全吗？）并为敏感度较低的健康问题提供谈话治疗。
4） 产生新想法：使用蛋白质组学和基因组学数据集，发现新的有效成分和现有疗法的某些新疗效。
第三，采用新技术的动机和障碍有哪些。这个问题很可能直接决定某些用例能否实际落地。例如，在生成式AI获得FDA批准成为医疗设备之前，任何企业不得借助AI为美国患者提供明确的诊断或制定治疗计划。然而，未来的市场前景可能发生变化。考虑到很多临床医生已经被患者需求压得不堪重负，也许适当放宽监管要求才是可持续发展之道。另外，这部分分析还有助于发现适合快速创新的领域（依赖性低、需求高、风险/转换成本低的领域）。例如，原本自费的谈话疗法现在就有望用AI代劳。
第四，根据业务动态确定不同市场的落地优先级。这个问题非常复杂，本文无法深入讨论。但概括来讲，我们可以通过个体/规模经济、市场渠道、销售流程和竞争强度等因素做出判断。
最后，广泛审视完整的解决方案。很少有哪种新技术能像生成式AI这样，有望彻底改变人们的长期工作实践。例如，生成式AI的广泛普及可能要求对客户做相应培训，并建立起互补产品的生态系统。另外，当竞争对手模仿某些底层医疗技术时，生成式AI还有助于在市场上做产品区分。
总之，如果大家身在医疗保健或生命科学行业，不妨尝试各种方式探索生成式AI的价值。而且与其单从技术入手，不妨关键由此带来的整体挑战，宏观思考我们真正需要怎样的解决方案。之后再据此研究实现方法，看看除了生成式AI之外，有没有哪些门槛更低的成熟方案也能带来类似的效果。
在医疗保健领域，企业级生成式AI正面临着一片广阔的蓝海。而前面提到的五步走方法论，足以表明其中蕴藏的丰富机遇。因此即使是在医疗保健这样一个向来保守的行业，颠覆性的变革也将很快出现。
