甚至有人暗示机器将引领医疗的未来。但是由于错误风险仍然很高，并且covid19强调了我们需要人为干预的程度，所以人工智能的未来会致病而不是致病吗?

1979年，医学社会学家阿隆·安东诺夫斯基(Aron Antonovsky)提出了一种称为“营养形成”的方法，该方法是关于某些人如何以及为什么保持健康的理论。“ salutogenesis”一词来自拉丁语salus(意为健康)和希腊语Genesis(意为起源)。作为医学方法，它着重于支持人类健康和福祉的因素，而不是引起疾病(发病机制)的因素。

更具体地说，致健康模型与健康，压力和应对之间的关​​系有关。现在，我们发现自己处在一个人们产生大量自身数据的世界中，是时候医疗保健公司停止关注病情治疗并开始查看我们的数据以帮助我们对生活方式进行功能调整以停止疾病而不是治疗它。

称呼发生的有趣发现是，压力无处不在，但并非所有人都能对压力产生不良的健康后果。取而代之的是，有些人尽管暴露于潜在的致残压力因素，但仍获得了积极的健康。那么，怎样将那些遭受压力的人和那些能够控制压力的人区分开呢?

通过创建“连贯感(SOC)”来了解影响我们的因素，对于初级医疗保健来说是巨大的机会。在任何情况下保持一致是成功应对挑战的关键。连贯性意味着世界是可以理解，可管理和有意义的。使用算法为所有人提供对其数据和结果的控制级别，将是人类的巨大胜利。如果我们将我们创造的技术用于确定导致压力的途径和机制，那么我们真的可以减少人们对病原体治疗的需求。

因此，致健康的技术意味着着重于健康维持过程而不是疾病过程。处理原因，而不是条件。

医疗保健连续体

有了新近确定的连贯性，人类就能了解世界，使用所需的资源来应对这一问题，并感到这些反应是有意义的，并且在情感上有意义。连贯感具有三个要素：可理解性，这是一种认知要素，与人如何看待世界，可管理性，工具性要素和意义有关，指的是人被激励去思考和行动的方式。

如果我们的医疗保健位于连续体的两端;借助AI的Salutogenic技术可以轻松地实现健康与疾病，可以建立将人们带向健康之极或使其保持健康的过程。建立可理解性，可管理性和意义。

Ai在称呼发生中的3个用例

使用我们的数据和Ai进行分析，组织，排序和提供见解是一个不错的起点。如果我们使数据可见，则个人可以使用其数据来了解负面行为及其对他们未来健康的影响。这种方法可以帮助人们预测，预测并在他们知道需要之前提供帮助。

生产力和绩效提升

我们所有人都过着忙碌的生活，我们常常为了短期利益而牺牲长期健康。我们工作时间很长，偶尔吃东西，不定期锻炼。控制这些不良行为通常涉及许多手动和重复性干预，这些干扰会分散您的注意力，使您从您认为是高价值的任务(例如，支付账单和为客户交付)中分心。现在完全有可能的是，Ai系统可以分析您的历史决策数据，以使提示和技巧自动化，这些提示和技巧可能会促使您优先考虑最终情况的原因。

例如，如果通过可穿戴设备和电话了解您的睡眠方式，我们可以开始帮助您获得更多的睡眠，或者推荐产品来改善或鼓励更好的睡眠。

个性化建议

寻求营销灵感的大多数消费者表示，他们愿意分享个人信息，以换取个性化的优惠或折扣，或者获得满足其需求的产品推荐。

创建个性化的生活方式调整的有效Ai算法对于任何一对一的长期健康策略都是有益的。Salutogenic Ai作为一种策略，侧重于个性化的经验​​，并根据可能被视为对我们的长期健康有害的模式提出建议。

作为一项策略，即使他们没有积极寻找所需的内容，它也可以帮助人们找到所需的内容。例如，在零售业中，亚马逊近35%的销售额来自产品推荐。Ai只会在推荐事物方面变得更好，因为这些算法从反馈数据中学习。因此，也许可以通过在聊天界面上放置诸如聊天之类的界面来确保人们可以与有益的算法进行协作，这可能是成功实现针对性的健康和生活压力调整的关键。