计算机系统能否比医生单独诊断更快、更公平地发现儿童生长问题？来自多个机构的研究人员通过创建一个名为智能营养监测模型(INMM)的人工智能工具来测试这个问题。该系统接受了来自两项大规模调查的健康数据训练——一项来自美国，一项来自印度——用于预测儿童是否存在发育迟缓现象，即由营养不良引起的异常缓慢生长。
发育迟缓在整个亚洲仍然是一个重大关切问题，影响儿童的发展和学业表现。在新加坡，虽然整体营养状况已有改善，但在低收入社区和移民家庭中仍存在脆弱环节。
人工智能系统学习人类可能忽视的模式
INMM的工作原理是分析常规检查中收集的基本测量数据：年龄、性别、身高、体重和身体质量指数。AI不是应用简单规则，而是识别这些测量数据彼此之间关系中的隐藏模式。例如，它自动理解正常身高和体重因年龄而异——这是时间紧张的人工筛查员可能会忽视的。
在与传统计算机程序和其他人工智能系统进行对比测试时，INMM表现出色。它更准确、更快速，所需的计算能力也更少。重要的是，研究人员在来自两个不同国家和人群的数据上进行了测试，它在两者上的表现都很可靠。
快速筛查无偏见，对资源紧张的诊所特别有价值
该系统在繁忙医疗环境中的主要优势是效率。社区卫生工作者和诊所员工可以使用它快速标记需要更密切关注的儿童，无需昂贵设备或专家知识。与人工判断不同，AI对每个儿童应用相同的标准，减少了由于无意识偏见而导致某些儿童被忽视的可能性。
对于新加坡和其他医疗资源紧张的亚洲地区，这可能意味着在所有社区进行更快、更一致的筛查。但是需要注意的是：这项研究是在来自两个国家的现有数据上测试AI的。在不同社区中的实际应用需要进一步测试，以确保它在新环境中同样有效。
您可以用这些信息做什么
- 在常规检查时询问孩子的医生他们的生长筛查程序；系统性跟踪比零散检查能更早发现问题。
- 保存孩子每次就诊的身高和体重测量记录，以便您能自己发现趋势，并与您的医疗保健提供者分享。
- 如果您的孩子就诊的诊所资源有限，询问他们是否使用筛查工具来识别营养风险儿童，因为AI辅助系统在未来几年可能会变得更加普遍。