没有钱ova3《柳叶刀-糖尿病与内分泌学》（The Lancet Diabetes & Endocrinology）最新社论指出，AI在糖尿病管理方面机遇与风险并存，我们应对AI纳入卫生保健系统保持谨慎，仔细审查，与其他新的卫生保健技术和药物进展一视同仁。

　　糖尿病管理是一项压力大、令人难以应付的工作，不断开发的新技术可以帮助减少这种负担。人工智能（artificial intelligence, AI）和机器学习可以为糖尿病管理这一卫生保健领域提供大量的新机会，如糖尿病视网膜病变的高效检测，先进的葡萄糖监测设备，还有可能预测糖尿病发病。然而，机遇也与风险并存。

　　在糖尿病照护中，AI最初的用途之一是根据实时监测的葡萄糖水平提供治疗调整的个性化建议。可穿戴式连续血糖监测（continuous glucose monitoring, CGM）设备2005年首次在临床使用，2016年被美国食品和药物管理局（FDA）批准用于商业用途，这种设备彻底改变了血糖数据的监测方式，被证明有可能改善HbA1c水平，减少低血糖持续的时间。加入了CGM设备的胰岛素泵闭环系统向前迈进了一步，其控制算法能够参照葡萄糖浓度的测量结果，自动调整递送的胰岛素剂量。

　　然而，我们不能忽视这种快速发展可能带来的负面影响。非洲黑人、非洲加勒比地区人群和南亚人群的糖尿病及其并发症负担已经较重，而由于社会经济或种族背景，优质照护和糖尿病技术的获取不平等已经成为现实。在美国和英国，由于各种原因（包括卫生服务提供者可能存在的无意识偏见），黑人成年人和黑人儿童的胰岛素泵和CGM使用率往往低于其他种族的人群。此外，在没有为CGM设备提供部分或全部报销的国家，许多人无法承担这类设备为个人及家庭带来的经济负担。

　　糖尿病视网膜病变是患有长期糖尿病的劳动人群失明的主要原因，在中东和北非以及西太平洋地区的国家负担最大。早期检测和各种深度学习模型措施可以避免糖尿病并发症。深度学习模型使用大量经过注释的视网膜图像进行训练，从而让开发人员能在图像和临床及人口数据之间建立一个复杂的关系模型，这种技术已试用于检测糖尿病视网膜病变的早期迹象。迄今为止，有两个模型已经获得了FDA批准，在中低收入国家这种平台有很大应用前景，但许多国家缺乏部署和使用这些平台的卫生保健基础设施。

　　机器学习需要使用大型数据库作为训练集和验证集，已经有多个模型被开发出来，使用基因组数据和电子健康记录数据来预测糖尿病或糖尿病相关并发症的风险。然而，AI系统只对来源范围内的数据有良好效果。目前的糖尿病数据储存库的数据不能代表全球糖尿病人群的数据，有许多少数民族和部分地区的数据被忽视或排除在外。这种不平衡可能会导致对某些患者群体的误诊，从而进一步放大健康不平等的现象。此外，健康结果不仅受到临床治疗的影响，还受到复杂的多层因素的影响，如遗传易感性、共病、生活方式和健康的社会决定因素，不幸的是，AI系统目前仍然缺乏这些因素的数据。不能解决这些数据缺口，我们在采用新的系统时，就冒着数据不准确、代表性不足的风险。

　　将AI尽可能纳入医疗保健体系中的各个方面，会有相当大的公共和商业利益。然而，这种热情不应妨碍我们对其保持谨慎，仔细审查，与其他新的卫生保健技术和药物进展一视同仁。人工智能安全中心（Centre for AI Safety）数十位顶级AI科学家签署了一份新声明，将AI对社会的潜在危害比作大流行病和核战争。世界卫生组织也发表了一份关于不当使用AI生成的大型语言模型工具的声明。如果我们在AI从诞生到分配的发展过程中不考虑所有人，今日已经根深蒂固的系统性偏见和社会偏见无疑会持续下去。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。