习”，并做出预测、建议或分类（输出），从而为决策提供信息或推动决策。ML 的强大之处在于其巨大的灵活性。您可以构建一个模型来预测或推荐几乎任何事情，我们已经看到它改变了许多行业。
机器学习和相关技术在医疗保健领域的潜力令人兴奋。例如，美国国家医学院(NAM) 认为，机器学习和其他形式的人工智能有潜力代表使用医疗 IT 的“回报”，“通过促进每一位临床医生、患者和家属都希望完成的任务，而这些任务如果没有电子协助是不可能完成的。”
ONC 在实现这一“回报”方面发挥着积极作用。支持 ML 和 AI 应用程序的大部分健康数据均由经过认证的健康 IT 生成，并以 ONC 健康 IT 认证计划（“认证计划”）所要求的技术标准和规范为基础。我们对这些工具在改善医疗保健方面可能具有的巨大潜力感到兴奋，但我们也意识到潜在的风险、挑战和未满足的需求。
在最近举行的卫生信息技术咨询委员会关于“设计健康公平”的听证会上，利益相关方就一系列有关机器学习在医疗保健中的应用的问题发表了评论。我们听说，临床医生对信息和透明度的需求尚未得到满足，在这些需求得到满足之前，他们不太可能使用机器学习驱动的工具，也不太可能冒着将其误用于患者的风险。例如，小组成员指出，临床医生需要知道人工智能产品已在他们的护理环境中进行了评估，该技术是根据反映其实践人群的数据进行训练的，并且该产品将受到持续监控。利益相关方还指出，当预测性建议对患者不起作用时，临床医生希望能够与此类人工智能产品的开发人员沟通。我们还听到了普遍的担忧，即机器学习驱动的技术不会造成或重新造成因无法获得优质医疗保险和优质护理而产生的系统性不平等。
当 ONC 与行业、学术界和其他利益相关者一起考虑这一不断变化的形势时，我们面临的共同挑战很明确：我们如何才能有效地利用人工智能、机器学习和相关技术的潜力，利用技术预测结果的能力，同时避免与使用无效、不适当、不公平或不安全的预测相关的风险？
在考虑如何最好地应对这一挑战时，回顾过去的相似之处会很有帮助。ONC 明白，正如 NAM 报告所述，在短期内，人工智能“应该专注于推广、开发和评估支持人类的工具，而不是用完全自动化取代人类。”从这个角度来看，机器学习 餐厅电子邮件列表 这种技术称为预测决策支持。
ONC 在推动决策支持技
自认证计划成立以来，ONC 一直支持临床决策支持 (CDS) 认证标准。与其代表的技术一样，该标准也随着时间的推移而发展。
2010 年，ONC 首次认识到 CDS 不仅仅是一种“规则”或“警报”，而是由多种有助于改善临床表现和结果的功能组成。2012 年（作为 2014 年版规则制定的一部分），我们指出 CDS 干预措施应有更广义的解释，并制定了认证医疗 IT 的要求，以支持不同的“新类型”干预措施，包括“基于证据的决策支持干预措施”和“链接参考 CDS”。
我们还制定了要求，要求这些新的 CDS 干预类型提供“源属性”信息，例如书目信息，以提高透明度。这些源属性数据点允许用户评估干预措施，从而提高其对患者护理的效用。这一要求与前 ONC 咨询委员会提出的建议一致，而 NAM 后来将提供源属性信息供用户审查视为设计 CDS 的最佳实践。
ONC 的政策目标一直是并将继续以保证经过认证的医疗 IT 能够支持广泛的决策支持干预类型为中心，同时不考虑此类决策支持的预期目的。这种方法导致了决策支持技术的发展，其目的和范围各异，从患者安全和临床管理到行政和文档功能。
医疗保健领域机器学习的透明度
许多 利益相关方 呼吁对机器学习和相关预测模型（包括其在医疗保健领域的应用） 采取透明度举措。更高的透明度可以成为机器学习和相关技术在医疗保健领域巨大潜力的转折点，同时确保其公平、适当、有效、有效和安全的使用。
请继续关注，我们计划在未来的文章中讨论利益相关者在探索、支持和促进预测模型使用以及他们在医疗保健领域推动的决策支持干预方面的进步时需要考虑的某些潜在挑战（比如处理所谓的“黑箱”模型时的信息不对称）。
这是人工智能和机器学习博客系列的一部分。