在英格兰东南部，一批服务于50万人的医院正在为出院的患者配备一个具有Wi-Fi功能的臂带，可以远程监测一些生命体征，如呼吸频率、含氧水平、脉搏、血压和体温。

　　作为国家卫生服务试点计划的一部分，该项目现在采用人工智能实时分析所有患者的数据，医院再入院率下降了，急诊室就诊次数也减少了。更重要的是，开销高昂的家庭出诊需求下降了22％。从长远来看，坚持治疗计划的人数增加到96％，而行业平均水平则为50％。

　　人工智能试点的目标是哈佛商学院教授和Innosight联合创始人克里斯·克里斯滕森称之为“消费无力（Nonconsumption）”的概念。它指的是那些消费者有所求，但是目前尚无实惠且方便的解决方案的机会领域。

　　例如，英国在涉及达特福德和格拉夫舍姆医院的试点之前，完成患者家庭监测需要派遣医院工作人员每周前往患者家中作检查，路上往返时间长达90分钟。但是，随着算法持续不断地搜索数据中的警告信号，并立即向患者和专业人员发出警报，从而诞生了一种新的功能：向患者适时提供医疗保健服务，甚至在患者自己意识到有这种需求之前。

　　人工智能的最大优点在于，可以用接近零的边际成本进行准确的预测，理所当然地激起了人们将AI技术应用到医疗健康的几乎所有领域巨大的兴趣。但并非人工智能在医疗保健中的所有应用都能获得同等的收益。此外，很少应用能够在战略上恰当地回应困扰几乎所有健康医疗系统的最大问题：患者分散和利润压力。

　　以医学成像AI工具为例，医院在未来四年内预计每年将在此项目上花费20亿美元。准确诊断从癌症到白内障的一系列疾病是一项复杂的任务，难以量化但通常会产生重大后果。然而，该任务目前通常是大型工作流程的一部分，且由受过广泛训练、高度专业化的医生执行，而这些医生是世界上最聪明的那部分人。

　　这些医生可能需要一些额外的帮助，但是现在这个问题已经解决了。这些因素使得疾病诊断成为AI很难产生创造性变革的一个领域。因此，人工智能在这种环境中的应用，即使对患者的治疗结果有益，也不可能从根本上改善医疗保健的实施方式，也不可能在短期内大幅降低成本。

　　然而，一些正在寻求医护分散化实施的领先的医疗组织，通过部署AI技术可以做到一些以前从没做到的事情。例如，消费者每天都会做出各种各样的非紧急的关于健康的决定。这些决定并不值得资深临床医生去关注，但最终在确定患者健康方面发挥着重要作用，并最终影响医疗保健的成本。

　　根据世界卫生组织的数据，和个人健康和生活质量息息相关的因素中有60％与选择的生活方式有关，包括遵循正确服用血压药物的处方、锻炼和减压等。在AI驱动模型的帮助下，现在可以根据患者生命体征的变化，在患者整个日常过程中为其提供干预和提醒。

　　在家庭进行健康监测本身并不新鲜。包括Partners Healthcare、United Healthcare和Johns Hopkins医学院在内的一些领先机构正在开展一些活跃的项目和试点研究，并取得了积极成果。但这些尝试尚未利用人工智能来实时地做出更好的判断和建议。由于涉及了大量数据，机器学习算法特别适合于针对大量人群来扩展该任务的执行。毕竟，是通过大量的数据来让算法更加智能，从而支撑AI技术。