在今天的醫療保健中，人工智能最常見的用途是依次搜索、分類和推理。

IBM Watson Health醫療和生命科學研究副總裁Ajay Royyuru表示，“人工智能能夠利用文本分析和自然語言處理等技術攝取大量數據。這樣，人工智能系統就能夠探測到數據中的模式和相似之處，從而為臨床醫生和科學家提供新的見解。一個系統不僅可以起到識別的作用，而且可以根據其訓練的參數提出建議或建議。”

進入2018年，從事AI工作的醫療保健專業人員將面臨許多挑戰。目前在其組織的人工智能項目方面的專家指出了許多需要人類克服的情況。

Geisinger Health正在從事一些機器學習項目，企業架構的業務架構師Elizabeth Clements表示2018年醫院和醫療系統從事人工智能工作面臨的一個主要挑戰，那就是在面臨多重競爭的IT優先項目時，優先考慮機器學習項目的發展。

她解釋說：“我們的IT和分析部門通常很難找到帶寬來開發這些更尖端的解決方案，而不僅僅是研發。”

“機器學習的美妙之處在于它的效用可以通過使用開源應用程序的最小、最補救的用例來說明問題。如果一個小團隊能夠取得成功，未來的資金和優先級可能就可以提供，這些團隊只需要確定一個基本的方法來開始工作。”

醫學博士Vibin Roy是Parkland臨床創新中心的醫學主任。 Parkland中心開發、驗證并實施了一個自動化的、實時的，由AI支持的預警系統模型，用于預測重癥監護病房非計劃轉移或ICU外心肺驟停的風險。自動化模型勝過非自動化模型和臨床醫生的獨立觀察，有可能能夠改善護理和患者的安全。

Roy表示，到2018年，醫療知識和醫療數據的指數級增長將使護理人員提供最佳護理的挑戰日益增加。

“例如，大多數EHR數據組織不好，或者不能很快解釋，用于記錄或試圖理解EHR數據的時間可能會直接影響病人的護理，并導致供應商的倦怠。人工智能和機器學習有巨大的潛力提供實時和相關信息，這樣就可以提高護理質量，也可以減少護理團隊成員的認知負荷。醫療系統也有義務與醫學院校合作，確保下一代提供者能夠在日常病人護理中解釋和應用AI和機器學習的見解。”

然而，與其他行業相比，醫療保健仍處于相對較早的階段，將人工智能融入到當前的工作流程和電子健康檔案中是接下來需要繼續努力的方向。 Roy表示，圍繞預測建立一個連續的、整合和透明的流程是提高采用率的關鍵。

據他的說法，“盡管宣傳肆虐，人工智能并不會取代醫生，但擁有人工智能的醫師最終將取代醫生，而人工智能的醫療系統也最終將取代醫療系統。”

他補充表示，“醫療系統也有義務與醫學院校和高等教育機構合作，確保下一代提供者能夠在日常的病人護理中解釋和應用人工智能和機器學習的見解。醫療機構在2018年為他們做了一些工作，以便為行業內更多，更好的人工智能鋪平道路。醫院和衛生系統的首席信息官們應該把重點放在確保他們的系統具有提供定制和智能使用、收集電子病歷數據所需的信息技術和資源支持。這樣會使更多的工作人員在工作流程中使用更加高效的領域和工具，并直接幫助工作人員可以在不增加實踐工作的情況下提供更好的工作效果。