人机协同智能对东北健康服务企业数智化转型的促进作用研究

解季非 张晓飞 马露露

〔内容提要〕人机协同智能拥有先进的分析计算能力，并由人类对训练数据的准确性和完整性负责，其发展反映了人工智能应用于东北健康服务企业的前景。该技术有助于东北健康服务企业解决日益增长的复杂性和信息过载问题，实现持续护理和资源优化配置，增加服务获取机会和改善服务质量。该技术需要服务人员的积极参与，全面了解机器运作的原理，算法的局限性，以及识别数据集偏差的必要性。通过互动，服务和分析人员将在批判性思维的基础上建立信任，并识别机器输出的价值。该技术当前尤其适用于低复杂性的非紧急服务，以及风险上升个体的识别。服务人员参与算法开发并努力提高其安全性和有效性，将推动该技术的应用，进而促进东北健康服务企业的数智化转型。

〔关键词〕人机协同智能；人工智能；数智化转型；健康服务

注：本文受河北省自然科学基金资助项目“服务化、数字化及其融合战略对制造企业绩效的影响研究”（项目编号：G2021501006）、辽宁省社会科学规划基金项目“数字化、服务化背景下的辽宁制造企业绩效提升战略研究”（项目编号：L21BGL019）、中央高校基本科研业务费项目“数智化转型背景下东北与京津冀康养服务业协同发展路径研究”（项目编号：N2324003-07）资助。

人机协同智能拥有先进的分析和计算能力，并由人类对训练数据的准确性和完整性负责。人工智能是指由计算机系统执行通常需要人类智能完成的任务。在人机协同智能中，人类用户与算法协同工作，解释人工智能输出，共同提升智能化水平。不久的将来，人机协同智能将通过分析东北的海量健康服务数据点，以改变其健康服务数据管理。目前，放射学已经被人机协同智能所改变，该技术使成像之外的信息摄入得以集成到多个专业的临床护理中。重要的是，人机协同智能不同于人在回路（human-in-the-loop）机器学习，后者是指利用人工智能的快速检测和计算能力，同时由人类参与算法开发过程，以弥补机器学习潜在的不足。即“人在回路”是利用人来改进算法。相反，人机协同智能则是使用算法來提高而不是取代人类的敏锐性。

人机协同智能的应用是东北健康服务业近期最为引人注目的愿景之一，人类的敏锐性与先进技术相互作用，使东北地区的健康服务得以优化。本文给出了人机协同智能的定义，并试图解释其出现的原因、带来的挑战，以及东北健康服务企业应如何更好地利用其优势。本文说明了健康服务人员的责任及其与技术的互动如何产生信任，并为这些技术在东北健康服务实践中的应用制定了未来的路线图。本文提供了应用程序和技术的分类方法，可以为东北健康服务人员应如何、何时，以及为什么对其产生信任提供见解。人机协同智能为健康服务如何嵌入数据技术提供了一种新的哲学，并可能发展成为一种现实的方法，以促进东北健康服务企业的数智化转型，同时改善其健康服务人员与客户间的关系。

一、人机协同智能的出现及其作用

目前，专业服务人员的严重不足，使得东北地区日益增长的健康服务需求难以得到有效满足。当前东北的健康服务企业面临着三方面的主要挑战：一是解决日益增长的复杂性和指数级信息过载问题，二是实现持续护理模式和资源优化配置，三是改善服务获取机会和服务质量。人机协同智能的应用将有助于应对这些挑战，并优化东北地区的健康服务。

（一）解决日益增长的复杂性和指数级信息过载问题

在健康服务中，客户数据往往是差异化且非关联的。东北地区客户数据源的多样性使得这一问题更加凸显。通过应用人工智能来收集和分析客户数据，使得东北健康服务企业获得了更多机会以全面了解客户，进而实现更高的服务水平。为了建立能够有效并合乎道德准则地利用协同信息的基础设施，东北健康服务企业必须系统地创建标准化和透明化的数据。人机协同智能通过总结概括、风险预测和模式识别，以及质量指标和注册信息的数据抽象，提高了电子健康记录的价值。健康服务决策支持系统利用客户数据和操作指南来优化服务。面对来自客户健康服务报告、可穿戴设备、医疗级远程监测，以及很快可能出现的环境连续数据集的海量数据，再加上科技进步、操作指南和试验的快速发展，东北健康服务企业只有在先进计算机的支持下，才能提供最高质量的健康服务。目前，东北地区的许多健康服务企业已经不再仅仅是从健康记录中获取数据，而是创建了连接各种健康服务数据集的机构数据湖，所有这些都是为了追求更好的健康服务和运营绩效。这种数据聚合为其应用人工智能解决方案提供了更多机会。健康数据社会决定因素的纳入，进一步支持东北地区的健康服务人员和领先的健康服务系统以人为中心设计解决方案，以增加获得服务的机会和增强服务的连续性。为了最好地管理这些海量客户信息流，数据分析对东北未来的健康服务实践至关重要。

一旦收集到这些数据，过去几十年里的科技进步成果便可以文献中证明的完全严谨的方式应用于东北地区的健康服务客户。数据分析和人机协同智能提供了一个独特的机会，可以从根本上提升东北地区健康服务的基础，并在健康服务人员与客户的接触中应用科学严谨的健康服务知识。随着东北地区健康问题和复杂性的增加以及专业健康服务人员的减少，运营的可持续性要求人工智能的参与，从而在常规服务的基础上，为客户提供创新的健康服务。

为了解决东北地区健康服务中日益增加的管理负担，生成式人工智能值得特别关注。生成式人工智能是指使用大型语言模型来阅读和搜索文本，以产生文本结果来聚焦问题。生成式人工智能在健康服务中的用途很多，但无论是通过电子健康记录、独立应用程序还是聊天机器人，都会从文档、信件、表格和提醒等管理任务开始，而最终可能会作为一种改进的搜索工具，在健康服务点搜索相关信息以增强服务。安全性和责任感对于建立健康服务中生成式人工智能使用的框架至关重要，东北地区正在进行的试点研究也有助于更好地评估生成式人工智能的能力和风险。

生成式人工智能对于一项技术来说是独特的，它不同于先前的技术进步。生成式人工智能需要被应用以实现技术进步。到目前为止，人们一直很谨慎，不让消费者或非专业人士见到“未完成”的技术工作。然而，技术领域正在发生变化。人们希望从ChatGPT和其他生成式人工智能模型中得到事实。然而，如果不允许技术在现实世界中使用，人们就无法对其进行迭代以使其更加“安全”。因此，理解人工智能可以作为合作者，帮助人们获得新想法，对某个主题进行思考，或创建新的假设以检验，便是该技术的力量源泉。该项技术的力量不在于它能做大量的计算和评估，而在于它能为人类智能提供评估的能力，而真正的考验在于它能否成功地整合新信息并迭代自己的程序。衡量这些技术力量的唯一方法就是使用它们，同时认识到人们有责任通过人机协同智能的视角设计和测试其针对指数级信息过载的使用。

（二）实现持续护理模式和资源优化配置

客户偶发性的健康服务需求与持续性的健康服务体验不同。与健康服务报告的结果测量和客户门户的异步通信使得东北的健康服务团队可以与客户自由通信。混合健康服务，即通过电话或视频进行的面对面和虚拟同步访问的结合，增强了东北地区健康服务的便利性，降低了获得健康服务的成本，并使客户得以在无威胁的环境中享受服务。数字跟踪和可穿戴设备在东北的广泛采用以及医疗级设备的增加，为有效的远程心血管护理的筛查、监测和治疗提供了重要支持。最后，客户可以使用数字设备，并将数据呈现给健康服务人员进行解释和跟进。

技术赋能的健康服务，包括内置“人工智能”的数字健康技术，将东北有限数量的健康服务人员的覆盖范围扩大到人们居住的社区，如果经过深入思考和妥善部署，可以通过更多地获得标准化的高质量服务来提高东北地区健康服务的公平性。使用人工智能数字筛查机制管理慢性病有助于在早期识别疾病，优化临床工作程序，及时为客户提供适当的资源。那些需要长期服务的客户，可以在家里使用上述的多种系统进行健康管理。这使客户得以在家里与他们的健康服务人员配合。此外，当这些系统识别到客户面临的健康风险在不断上升，并且分析基础设施可以识别潜在的疾病发展时，客户可以更快地得到关注。在那些无法通过远程或虚拟服务来管理客户，或需要在三级中心进行干预的情况下，利用人工智能的机制使健康服务人员能够了解如何引导客户正确地进行下一次检测、找到正确的服务团队和来到最合适的服务地点。通过这种方式，对数据的持续分析为东北地区情况最紧急或最复杂的客户提供了群体健康反馈、早期筛查和诊断以及恰当的资源安排。

（三）改善服务获取机会和服务质量

人口健康分析使东北地区的健康服务人员能够了解社区内人员差异化的健康问题。如上所述，单个客户的数据集可以跨客户群体进行链接。随后，人工智能成为识别这些数据集中模式的强大工具，包括评估群体内的结果，以识别异常值；遵循GDMT；以及在适当情况下，遵循针对具有独特风险状况的某些社区的指导方针。了解结果有助于复现最佳做法，并可以探究较差结果出现的根本原因。检测与GDMT不一致的客户成为缩小差距的第一步。最后，这套工具可以根据人口统计学、种族或生活方式因素，更仔细地观察东北地区健康风险较高的群体，使他们能够更好地获得健康服务。

为了使这些系统以最佳方式工作，必须确保在个人层面能够公平地获得这些技术。数字技术赋能的健康服务使客户得以直接使用先进技术，并获得技术增强的数据分析和人口健康工作带来的成效。在东北地区服务提供不足的社区，个人层面的准入是复杂和多方面的。这将需要干预措施，包括改善连接性、设备和获得低技术解决方案，从而在没有本地基础设施的情况下提供虚拟服务。在设计数字增强服务时，服务人员不可认为某些社区无法使用设备或技术。虽然系统层面的准入对于东北地区社区层面的数字技术采用是必要的，但宽带接入并不是应用这些技术的唯一障碍。技术含量较低的解决方案在增强访问方面可以发挥作用，但不应降低从数据中获得见解的能力。

最后，为了使东北的健康服务系统能够利用人工智能在不影响公平的情况下扩大健康服务规模，必须有一个积极监测偏差的框架。人工智能软件的开发要求公平、操作容差和对于系统偏差的测量。当这些机制涉及对弱势群体影响的评估时，可以限制上游的偏差。参与这一过程的每个人都有责任推广道德模式，包括健康服务人员、健康系统、技术部门的供应商和监管机构。重要的是，人们应认识到健康的社会决定因素不是静态的，而是可能随着时间的推移而变化的，因而需要反复评估。之后，才得以设计出敏捷且与环境相符的基础设施。

二、健康服务人员的责任与技术交互

为了实现人机协同智能的承诺，健康服务人员必须积极理解算法和人工智能在健康服务中的作用。市场上已经存在大量的解决方案，消费者、健康服务领域的大型企业或早期采用者都可以直接使用。利用人机协同智能来提高健康检测和风险分层的准确性和能力的新技术已经并将继续迅速兴起。使用人工智能的健康服务数智化转型要求服务人员提供快速反馈以确保安全性。随着健康服务创新步伐的加快，服务人员和人工智能在人机协同智能构建中的系统互动为维持安全、高质量和最佳的客户服务提供了关键资源。

如果没有信任，这些技术将难以成功实施。如今的健康服务中存在着一个悖论：几十年来，技术一直在健康服务中发挥着辅助作用，而最终用户并不愿意接受人工智能服务。为了降低盲目遵循计算输出的风险，启用人工智能的健康服务人员必须理解他们在道德使用人工智能方面的责任。人工智能不应被独立评估，而应在健康服务人员、系统或企业使用该技术的背景下进行评估。为了获得更广泛应用所需的信任，人机协同智能取决于对数据和算法的负责任使用、人工智能赋能的劳动力以及技术局限性的透明度。

必须运用批判性思维技能来评估以人工智能为来源并创建的信息，并做出明智的决策。健康服务人员和企业需要工具和资源来验证信息，例如与可信来源的链接，以持续监测和训练人工智能模型，并根据需要纠正错误或偏差。庞大的真实世界数据集在训练准确的人工智能模型和根据需要进行再培训方面发挥着重要作用。人工智能生成的响应可以被标记，以便用户理解验证人工智能发现的必要性。

随着人工智能在健康服务决策中的发展，可解释性被认为是提高人工智能透明度和信任度的一种机制。可解释机器学习可以深入了解人工智能模型的行为。尽管机器学习工程师使用各种技术来理解模型的行为并对其进行改进，但在目前的形式下，可解释人工智能并不是为健康服务最终用户在护理时使用而设计的。在有组织框架来决定何时以及为什么需要解释之前，可解释机器学习对创建人工智能模型的工程师来说仍然是最有用的。

三、人机协同智能的应用

随着健康服务人员获得信任，同时系统创建了基础设施，人机协同智能在东北健康服务实践中的应用将不断发展。东北地区的健康服务人员需要了解人工智能主要可用于哪些健康服务过程和提供哪些结果。可解释性和对人机协同智能系统的熟悉有助于用户学习该系统，同样也有助于该系统更好地与健康服务人员的直觉保持一致。东北地区的健康服务人员需要經验和教学培训，才能在服务过程中适当地使用人工智能。“从小处着手”的智慧非常适用于该情境。一旦用户利用人机协同智能进行低复杂性、非紧急的服务，并了解系统如何做出决策，他们就会对这些系统产生适当的信任。随着在低复杂性和非紧急环境中的成功，人们可以将注意力转向更高风险和更紧迫的问题。

人工智能赋能的健康服务解决方案在东北地区的实践中被证明更高效，尽管在推广这些技术方面仍然存在挑战。例如，一项关于人工智能对左心室射血分数的安全性和有效性的研究评估了人工智能决策支持与超声医师在回声评估时间和准确性方面的读数。研究人员将3495名患者随机分组，发现与使用人工智能评估的初始扫描更改报告的需要相比（16.8%），心脏病专家需要更频繁地使用声谱仪评估的扫描修改解释（27.2%）。

为了创建在东北健康服务企业中提供服务支持的人机协同智能，服务人员必须参与算法开发，并且必须包含经同行评审的服务指导。当人工智能注意到新的趋势、数据或研究时，健康服务人员的敏锐性有时可能会受到挑战，但在其他时候，其专业知识将取代人工智能的能力。如果启用人工智能的健康服务人员了解这两种情况都在适当的响应范围内，他们可以参与流程改进，以迭代和改进技术。迭代交互能够进一步训练算法，支持不适合给定情况的人工智能“忘记”部分，识别偏差或错误假设，并学习可能带来服务洞察力的新分组。参与人机协同智能需要人工智能意识，而不是专业知识。重要的是，如果在健康服务领域使用人机协同智能，以人为中心的流程对于为东北地区已经不堪重负的服务人员创造无缝体验至关重要。

在个人层面，人机协同智能在东北健康服务实践中的应用有助于识别风险上升的客户，指导他们在适当的地点及时得到服务。在东北地区的健康服务环境中，数据驱动的人机协同智能有助于满足质量和安全措施，如对不断变化的模式的快速响应。最后，人工智能拥有超越人类大脑的力量和速度。健康服务人员通过审查人机协同智能提供的不断改进的分析，指导个人和群体层面的服务过程，并指引其方向。健康服务的最终实施始终取决于服务团队，并与客户共同做出决策。

研究人工智能在健康服务中的影响和局限性是人机协同智能应用周期中必不可少的最终步骤。人工智能的安全和高质量输出要求开发人员和最终用户就人机协同智能模型达成一致并定义可接受的误差范围，因为人工智能的计算能力会放大服务人员的成功和错误。观察到的一组患者的效率和益处可能会对群体或系统的其他部分产生不利影响，因此测量输出需要对下游影响进行复杂的系统审查，并需要迭代评估和纠正的基础设施。公开说明数字数据和人工智能在健康服务中的局限性，有助于培养人们对新系统的信任，新系统刚刚开始被证明满足基本健康服务需求的能力。

四、结论

精心创建和妥善部署的人机协同智能是健康服务创新的自然发展。技术与无技术护理的二分法概念在实践中并不存在。健康服务人员在提供护理服务的同时，也经常接触技术。因此，不应单独评估技术，而应在其运营的实际环境、系统或业务背景中进行评估。人工智能有望改变人类解释大量大脑以前无法处理的数据的能力。人工智能对信息访问的改进提高了东北地区健康服务实践的效率，并为客户提供了更多精心策划的信息。

无论是人脑还是人工智能算法都无法实现完美的准确性和精确性。人工操作员可以用公正、公平的数据对系统进行编程，以产生见解，然后运用个人判断来决定下一步将会发生什么。最终用户必须承认人工智能的承诺和局限性，认识到它永远不会有道德指南，并对用于训练算法的数据负责，同时公平地解释输出。必须制定管理该技术的使用和保护标准，以防止该技术造成的滥用和不良后果，并在健康服务中使用。通过认识到人工智能技术的局限性，东北地区的服务人员和客户可以更好地拥有解锁这些技术的能力，以支持更高質量和更公平的健康服务。

（作者单位：1.东北大学秦皇岛分校管理学院；2.中国康养—东大研究院；3.河北科技师范学院数学与信息科技学院）