选择合适的医生？人工智能可以帮上忙

在一项新的研究中，Maytal Saar-Tsechansky使用人工智能来评判评委：评估专家做出成功决策的比率。她的机器学习算法可以评估医生和其他类型的专家——比如诊断机械问题的工程师——当他们的成功率没有公开或只有一小群同行进行审查时。

　　

多年前，当她坐在候诊室里时，梅塔尔·萨尔-察汉斯基（Maytal Saar-Tsechansky）开始思考，当人们无法了解医生的准确诊断记录时，他们是如何选择一名好医生的？与其他病人交谈时，她发现他们有时会根据医生的性格甚至办公室家具的质量来选择医生。

“我意识到，人们使用的所有这些信号都是不正确的，”德克萨斯麦库姆斯大学（Texas McCombs）信息、风险和运营管理教授萨尔-茨坎斯基（Saar-Tsechansky）说。“我们是在完全黑暗的情况下运作的，就像这些事情没有透明度一样。”

在新的研究中，她使用人工智能来评判评委：评估专家做出成功决策的比率。她的机器学习算法可以评估医生和其他类型的专家——比如诊断机械问题的工程师——当他们的成功率没有公开或只有一小群同行进行审查时。

Saar-Tsechansky说，之前的研究已经研究了医生的诊断有多准确，但不是在可以扩大规模或持续监控的基础上进行的。

她补充说，在医疗系统正在部署人工智能来帮助诊断的今天，更有效的方法至关重要。如果观察者无法判断医生在没有人工智能辅助的情况下有多成功，那么就很难确定人工智能是在帮助还是在损害成功的诊断。

评估专家

Saar-Tsechansky与麦库姆斯的博士生董万学和以色列特拉维夫大学的Tomer Geva一起创建了一个他们称之为MDE-HYB的算法。它整合了两种形式的信息：关于专家过去决策质量的总体数据和对具体案例的更详细的评估。

然后，他们将MDE-HYB的结果与其他类型的评估者进行了比较：三种替代算法和40名人工评估者。为了测试MDE-HYB评级的灵活性，我们分析了三种非常不同的数据：销售税审计、垃圾邮件和IMDb上的在线电影评论。

在每一种情况下，评估者都要判断专家们之前对数据做出的决定：比如他们是否准确地将电影评论分为正面或负面。在所有三局比赛中，MDE-HYB都击败了所有挑战者。

• 与其他算法相比，其错误率降低了95%。

• 与人类相比，它们的智商要低72%。

研究人员还测试了MDE-HYB对Saar-Tsechansky最初关注的问题：根据医生的正确诊断历史来选择医生。与另一种算法选择的医生相比，MDE-HYB的平均误诊率降低了41%。

她说，在实际应用中，这种差异可以转化为更好的患者治疗效果和更低的成本。

她警告说，MDE-HYB在投入实际应用之前还需要做更多的工作。她说：“这篇论文的主要目的是让人们知道这个想法，让人们去思考它，希望人们能改进这种方法。”

但她希望有一天，它能帮助管理人员和监管机构监控专业工人的准确性，并在需要改进时决定何时进行干预。此外，它还可以帮助消费者选择医生等服务提供者。

Saar-Tsechansky说：“在每个需要做出这类决策的职业中，评估决策的质量是很有价值的。”“我认为我们中的任何人都不应该逃脱责任，尤其是在我们做出重大决定的时候。”