人工智能算法模型的训练需要大量的数据，但对ICU病人而言，平均ICU住院天数在10天左右，而发达国家效率更高，平均住院时长不到一天。较短的住院时间，意味着止痛剂给药次数不会很多。那么，这么少的样本数据，是否足够喂养一个人工智能算法模型？
对一位ICU病人而言，影响其止痛剂使用剂量的因素有很多，比如年龄、性别、身体素质特征、体重等各个方面，除了性别之外，这些大部分因素都是变量。但这项算法里所采用的数据，则来自病人的既往给药史。在此基础上，给出最佳决策。问题是显而易见的，ICU病人身体变化速率要远异于常人，因此如果只看历史的死板数据，而不把时时存在的变量加入进去，那么对于一些未知风险也就形成了天然的抵抗缺陷。
另一方面，单纯采用止痛剂的历史使用记录，意味着其余其他药物配合的剥离。医生在开出止痛剂剂量的时候是否考虑到了同时多样给药带来的相互作用？治疗的目标是什么？也就是说，止痛剂使用剂量和效果并不是理论上的一一对应，而是要考虑到综合给药的复杂性。那么，联合使用药物（如果存在）以及其他可能影响止痛剂效果的数据，均应该纳入其中。
在解决这些问题之后，如果算法成熟，人工智能ICU量化给药将会帮助医生进行临床决策，同时提供自动指导。医疗人工智能在当前仍然算作一个正在高高飞起的创业风口，并且主要集中在一些相对来说边缘领域的医疗应用，健康监测、医疗器械、影像诊断、住院管理……过分集中于这些领域，很容易给人造成一种错觉：人工智能对医疗，好像并没有什么实际作用。
而要想让人工智能从医疗领域的无用质疑之中挣脱出来，直接参与到极为重要的医疗场景中或许更为是另一条道路。从这个角度上来说，瞄准紧急医疗场景，真正做到与病人生命同在，或许是人工智能在医疗领域树旗立威的不错选择。比如在ICU、救护车、临床抢救等方面的应用，以生命为第一衡量标准，可以加速人工智能的医疗领域普及。
因此，人工智能向医疗领域的渗透，可以尝试去走这样一条道路：以关系生死的急救场景为切入，结合可以量化的具体医疗操作，尽可能减少医疗误差，在此基础上实现整个医疗行业的全面进军。这样做，既恰好利用了其擅长数据量化处理的优势，又能充分凸显人工智能的价值。
关于医疗电子就介绍完了，您有什么想法可以联系小编。