作者:Stewart Southey
作为一名执业医生,如果我不接受循证医学,就会被认为是玩忽职守。科学方法的严谨性已经将医疗保健从放血和钻孔的时代转变为今天的机器人手术和基因组学,我们应该心怀感激。预期寿命变得更长,天花已被根除,麻醉的发明意味着我们在进行截肢手术的时候不再需要对病人进行捆绑或者求助于大瓶白兰地。
然而,正如我们在推荐任何治疗方法之前都需要良好的临床证据一样,我们也需要经济上的证据证明它在经济上是值得的。由于可提供的干预措施如此之多以及医疗保健支出是一种有限的资源,因此非常重要的是,我们必须评估要采用哪些措施。无论是外科手术、药品、高科技产品甚至是软件,纳税人还是个人投保人都应该知道他们的贡献不会被轻率地浪费。
英国National Institute for Health and Care Excellence(NICE)和National Institute for Health Research (NIHR)都在积极开展这项工作。医疗保健技术评估涉及多个类别,包括药品、医疗器械、诊断技术、外科手术或健康促进活动。
目前,这都不适用于区块链技术。
在过去的几年中,数十亿美元已投入到许多医疗保健区块链初创企业中。现在,ICO(初始代币发行)的季节实际上已经结束(并且忽略骗局的话),我们都在耐心等待看到承诺得到实现。
几乎所有发布的白皮书都声称,他们的解决方案将通过降低成本、提高数据完整性、增强隐私以及创建完全透明和可审计的加密真实记录来使医疗保健领域受益。
每个利益相关者都有自己的兴趣。毫无疑问,投资者想知道他们的回报是什么。保险公司和医院集团希望为其股东创造一个健康的利润。患者(对此应该认为这就是全部)需要得到不同的结果。他们并不关心自己的医生是在莎草纸上写下笔记还是在计算机上跟踪这些信息,而是关注获得高质量治疗的速度、护理成本以及知道他们的数据很安全,并且可以方便地使用。
决定产品价值的市场范式依赖于购买者对所获得效用的评估。在全球范围内,用比特币转账的成本可能低于通过汇款机构汇出等值法币的费用——这可能会影响个人去选择前一种方法而不是后一种方法。同样的原则同样适用于医院管理人员决定购买哪个IT系统。
然而,在医疗保健领域,消费者不是客户(至少不是直接客户)。患者易受伤害,依靠医疗保健系统为他们做出正确的决定。因此,处方者和采购者有责任确保对使用的技术进行良好的证据留存。
区块链解决方案的哲学目标是理想主义的,似乎有很大的优点。使医疗保健民主化,赋予患者权力,确保数据完整性和确保药品的来源都是崇高而有价值的目标。
正如医学界已经确定了判断创新的证据水平一样,负责提供医疗保健服务的决策者也应该以基于证据的方式评估技术——并考虑患者相关的问题。
随着保险市场的发展,我们看到从按服务付费模式向基于价值的医疗转变。当然,我们必须将这项测试应用于所有的医疗保健支出吗?
如果我们想要看到医疗保健的四重目标(改善患者体验、提高人口健康水平、降低人均成本和减少员工倦怠)实现,循证医学和循证管理必须齐头并进才能成功。
沿着这些方向,我们需要定义我们如何衡量区块链的有用性。
-这项技术能否改善患者体验?让病历变得更容易使用,通过简化服务缩短等待时间以及基于区块链的处方这些承诺是否会变成现实?
-提高了数据完整性是否会减少医疗错误并降低死亡率?
-了解药物的来源是否可以减少假药的不良影响并改善整个健康经济,从而使患者受益?
-实施解决方案的投资回收期、内部收益率、净现值(或者用于定义投资回报率的任何指标)怎么样?如何将节省的资金重新部署供患者使用?
-由于医生不再是管理系统的奴隶,不用因此打断或干扰他们治疗患者,是否会减少医生离开或自杀的情况?
这项技术刚刚起步,这一点非常重要。概念验证试验正在逐渐变暖。
麦肯锡最近发表了一篇文章,表示区块链存在“奥卡姆剃刀”(译注:如果其他方面不分伯仲,简单的解决方法则最好)问题。在开拓阶段之后,有太多的假设没有出现足够的解决方案。这是生命周期中出现的一种现象还是技术解决方案在寻找问题?
这取决于你想要衡量什么。
如果还没有实现大规模的组织采用,可以用不成熟的技术还没有准备好迎接黄金时期加以解释。然而,另一种观点认为这些实施已经错过了“哲学位置”。区块链是为了消除中间人,并共享共同的信任经纪基础设施。这与部署竞争对手的IT解决方案并需要大规模采用竞争模型是完全不同的。区块链是一种共享经济——所有参与者都拥有并使用网络。
无论是传福音者还是世界末日先知,我们在医学中学到的是基于证据的决策是我们所拥有的最好的决策。在没有证据的情况下,我们根本就什么都不知道。
虽然健康的利润可以满足新的健康代币的利益相关方和投资者,但真正的问题是我们是否提供了一个解决方案,其价值主张在四个方面都要比现在的方案更好。
因为它毕竟是关于健康的问题。
好文章,需要你的鼓励
openGauss的目标是探索oGRAC和超节点深度融合的可能,打造超节点原生数据库。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。
上海AI实验室团队开发的Yume1.5是一个革命性的AI视频生成系统,能够从单张图片或文字描述创造无限可探索的虚拟世界。用户可通过键盘控制实时探索,系统8秒内完成生成,响应精度达0.836,远超现有技术。该系统采用创新的时空通道建模和自强制蒸馏技术,支持文本控制的事件生成,为虚拟现实和内容创作领域开辟了新的可能性。