Očekává se, že umělá inteligence se stane transformační silou v oblasti zdravotnictví.Jak tedy lékaři a pacienti těží z dopadu nástrojů řízených umělou inteligencí?
Dnešní zdravotnický průmysl je velmi vyspělý a může provést některé zásadní změny.Od chronických onemocnění a rakoviny po radiologii a hodnocení rizik se zdá, že zdravotnický průmysl má nespočet příležitostí k používání technologie k nasazení přesnějších, efektivnějších a účinných zásahů do péče o pacienty.
Při vývoji technologie mají pacienti vyšší a vyšší požadavky na lékaře a počet dostupných údajů stále roste alarmujícím tempem.Umělá inteligence se stane motorem na podporu neustálého zlepšování lékařské péče.
Ve srovnání s tradiční analýzou a technologií klinické rozhodování má umělá inteligence mnoho výhod.Když algoritmus učení interaguje s údaji o školení, může se stát přesnějším a umožňuje lékařům získat bezprecedentní poznatky o diagnostice, ošetřovatelském procesu, variabilitě léčby a výsledcích pacienta.
Na světovém fóru Světové umělé inteligence v roce 2018 (WMIF), které drží partneři v oblasti zdravotnictví, lékařských vědců a klinických odborníků, rozvinuli technologie a oblasti zdravotnického průmyslu, které mají s největší pravděpodobností významný dopad na přijetí umělé inteligence v příštím desetiletí.
Anne Kiblanksi, MD, předsedkyně WMIF v roce 2018, a Gregg Meyer, MD, hlavní akademický ředitel partnerské zdravotnické péče, uvedla, že tento druh „podvracení“ přinesl do každé oblasti odvětví potenciál přinést významné výhody pro pacienty a má široký potenciál a má široké výhody a má široké výhody a má široké přínosy a má široké výhody a má široký potenciál obchodního úspěchu.
S pomocí odborníků od Partners Healthcare, včetně Dr. Keitha Dreyera, profesora Harvard Medical School (HMS), hlavního ředitele pro vědu o datech a Dr. Katherine Andreole, ředitelka výzkumné strategie a operací v Massachusetts General Hospital (MGH) , navrhl 12 způsobů, jak AI revolucionizovat lékařské služby a vědu.
1.Unify myšlení a stroje prostřednictvím počítačového rozhraní mozku
Použití počítače ke komunikaci není nový nápad, ale vytvoření přímého rozhraní mezi technologií a lidským myšlením bez klávesnice je myš a displeje hraničním výzkumným polem, které má pro některé pacienty důležitou aplikaci.
Onemocnění a trauma nervového systému mohou přimět, aby někteří pacienti ztratili schopnost smysluplného rozhovoru, pohybu a interakce s ostatními a jejich prostředím.Mozkové počítačové rozhraní (BCI) podporované umělou inteligencí může obnovit tyto základní zkušenosti pro pacienty, kteří se obávají, že tyto funkce navždy ztratí.
„Pokud vidím pacienta v jednotce intenzivní péče o neurologii, který najednou ztratí schopnost jednat nebo mluvit, doufám, že obnoví jeho schopnost komunikovat další den,“ řekl Leigh Hochberg, ředitel Centra pro neurotechnologii a neurorehabilitaci na Massachusetts General Hospital (MGH).Použitím mozkového počítačového rozhraní (BCI) a umělé inteligence můžeme aktivovat nervy související s pohybem rukou a měli bychom být schopni přimět pacienta komunikovat s ostatními nejméně pětkrát během celé aktivity, jako je použití všudypřítomných komunikačních technologií jako takové jako tabletové počítače nebo mobilní telefony."
Mozkové počítačové rozhraní může výrazně zlepšit kvalitu života pacientů s amyotrofní laterální sklerózou (ALS), syndromem mrtvice nebo atresie a také 500 000 pacientů s poraněním míchy po celém světě.
2. Zajistěte příští generaci radiačních nástrojů
Radiační obrazy získané zobrazováním magnetické rezonance (MRI), CT skenery a rentgenovými paprsky poskytují neinvazivní viditelnost do vnitřku lidského těla.Mnoho diagnostických postupů se však stále spoléhá na vzorky fyzické tkáně získané biopsií, což má riziko infekce.
Odborníci předpovídají, že v některých případech umělá inteligence umožní, aby příští generace radiologických nástrojů byla dostatečně přesná a podrobná, aby nahradila poptávku po vzorcích živé tkáně.
Alexandra Golby, MD, ředitelka neurochirurgií řízených obrazem v Brigham Women Hospital (BWH), řekla: „Chceme spojit diagnostický zobrazovací tým spolu s chirurgy nebo intervenčními radiology a patology, ale je to obrovská výzva k dosažení spolupráce a konzistence cílů. Pokud chceme, aby radiologie poskytla informace, které jsou v současné době dostupné ve vzorcích tkání, budeme muset být schopni dosáhnout velmi blízkých standardů, abychom poznali základní skutečnosti jakéhokoli daného pixelu. “
Úspěch v tomto procesu může lékařům umožnit přesněji porozumět celkovému výkonu nádoru, spíše než při rozhodování o léčbě založené na malé části atributů maligního nádoru.
AI může také lépe definovat invazivitu rakoviny a vhodněji určit cíl léčby.Kromě toho umělá inteligence pomáhá realizovat „virtuální biopsii“ a podporuje inovace v oblasti radiologie, která se zavázala používat algoritmy založené na obrazu k charakterizaci fenotypových a genetických charakteristik nádorů.
3. Expand lékařské služby v nedostatečně obsluhovaných nebo rozvojových oblastech
Nedostatek vyškolených poskytovatelů zdravotní péče v rozvojových zemích, včetně ultrazvukových techniků a radiologů, výrazně sníží šance na využití lékařských služeb k záchraně životů pacientů.
Setkání poukázalo na to, že v šesti nemocnicích v Bostonu pracuje více radiologů se slavnou Longwood Avenue než ve všech nemocnicích v západní Africe.
Umělá inteligence může pomoci zmírnit dopad kritického nedostatku lékařů převzetím některých diagnostických povinností, které jsou obvykle přiděleny lidem.
Například zobrazovací nástroj AI může použít rentgenové paprsky hrudníku k prozkoumání příznaků tuberkulózy, obvykle se stejnou přesností jako lékař.Tato funkce může být nasazena prostřednictvím aplikace pro poskytovatele v oblastech chudých na zdroje, což snižuje potřebu zkušených diagnostických radiologů.
„Tato technologie má velký potenciál ke zlepšení zdravotní péče,“ řekl Dr. Jayashree Kalpathy Cramer, asistent neurovědy a docent radiologie v Massachusetts General Hospital (MGH)
Vývojáři algoritmů AI však musí pečlivě zvážit skutečnost, že lidé různých národností nebo regionů mohou mít jedinečné fyziologické a environmentální faktory, které mohou ovlivnit výkon nemoci.
„Například populace postižená nemocí v Indii se může velmi lišit od populace ve Spojených státech,“ řekla.Když tyto algoritmy vyvíjíme, je velmi důležité zajistit, aby data představovala prezentaci onemocnění a rozmanitost populace.Můžeme nejen vyvinout algoritmy založené na jedné populaci, ale také doufáme, že může hrát roli v jiných populacích."
4. Redukujte použití záznamů elektronických zdravotních záznamů
Elektronický zdravotní záznam (HER) hrál důležitou roli v digitální cestě zdravotnického průmyslu, ale tato transformace přinesla řadu problémů souvisejících s kognitivním přetížením, nekonečnými dokumenty a únavou uživatele.
Vývojáři Electronic Health Record (HER) nyní používají umělou inteligenci k vytvoření intuitivnějšího rozhraní a automatizaci rutin, které zabere hodně času uživatele.
Dr. Adam Landman, viceprezident a hlavní informační ředitel společnosti Brigham Health, uvedl, že uživatelé tráví většinu času na třech úkolech: klinická dokumentace, vstup objednávek a třídění jejich doručených poště.Rozpoznávání a diktát řeči může pomoci zlepšit zpracování klinických dokumentů, ale nástroje pro zpracování přirozeného jazyka (NLP) nemusí stačit.
"Myslím, že může být nutné být odvážnější a zvážit některé změny, jako je použití nahrávání videa pro klinické ošetření, stejně jako policie na sobě kamery," řekl Landman.Umělá inteligence a strojové učení pak lze použít k indexování těchto videí pro budoucí vyhledávání.Stejně jako Siri a Alexa, kteří používají doma umělé inteligence, budou virtuální asistenti v budoucnu přivedeni k lůžku pacientů, což klinickým lékařům umožní používat zabudovanou inteligenci k vstupu do lékařských řádů."
AI může také pomoci zvládnout rutinní požadavky z doručených poště, jako jsou doplňky léků a oznámení o výsledcích.Může také pomoci upřednostňovat úkoly, které skutečně vyžadují pozornost kliniků, což pacientům usnadňuje zpracování jejich seznamů úkolů, dodal Landman.
5.risk rezistence na antibiotika
Antibiotická rezistence je pro člověka rostoucí hrozbou, protože nadměrné užívání těchto klíčových léků může vést k vývoji superbakterií, které již na léčbu nereagují.Bakterie rezistentních na léčivo mohou způsobit vážné poškození v nemocničním prostředí a každý rok zabíjet desítky tisíc pacientů.Samotný Cloutridium difficile stojí asi 5 miliard dolarů ročně pro americký systém zdravotní péče a způsobuje více než 30000 úmrtí.
Data EHR pomáhají identifikovat vzorce infekce a zdůraznit riziko dříve, než pacient začne vykazovat příznaky.Použití nástrojů pro strojové učení a nástroje umělé inteligence k řízení těchto analýz může zlepšit jejich přesnost a vytvářet rychlejší a přesnější upozornění pro poskytovatele zdravotní péče.
„Nástroje pro umělou inteligenci mohou splnit očekávání pro kontrolu infekce a rezistenci na antibiotika,“ řekla Dr. Erica Shenoyová, zástupkyně ředitelky kontroly infekce v Massachusetts General Hospital (MGH).Pokud tak neučiní, pak každý selže.Protože nemocnice mají mnoho údajů EHR, pokud je plně nevyužívají, pokud nevytvářejí průmyslová odvětví, která jsou chytřejší a rychlejší při navrhování klinických hodnocení, a pokud nepoužívají EHR, které tyto údaje vytvářejí. Budou čelit selhání."
6. Vytvořte přesnější analýzu pro patologické obrazy
Dr. Jeffrey Golden, vedoucí oddělení patologie v Brigham Women Hospital (BWH) a profesor patologie v HMS, uvedl, že patologové poskytují jeden z nejdůležitějších zdrojů diagnostických údajů pro celou řadu poskytovatelů lékařských služeb.
„70% rozhodnutí o zdravotní péči je založeno na patologických výsledcích a mezi 70% a 75% všech údajů v EHR pochází z patologických výsledků,“ uvedl.A čím přesnější jsou výsledky, tím dříve bude provedena správná diagnóza.To je cíl, které mají digitální patologie a umělá inteligence šanci dosáhnout."
Hluboká analýza úrovně pixelů na velkých digitálních obrázcích umožňuje lékařům rozpoznat jemné rozdíly, které mohou uniknout lidským očím.
"Nyní jsme dospěli k bodu, kdy můžeme lépe posoudit, zda se rakovina vyvíjí rychle nebo pomalu a jak změnit léčbu pacientů na základě algoritmů spíše než na klinických stádiích nebo histopatologickém třídění," řekl Golden.Bude to obrovský krok vpřed."
Dodal: „AI může také zlepšit produktivitu identifikací vlastností zájmu o snímky, než lékaři zkontrolují data. Účinnost používání patologů a zvyšuje hodnotu jejich studia každého případu. “
Přineste inteligenci na zdravotnické prostředky a stroje
Inteligentní zařízení přebírají spotřebitelská prostředí a poskytují zařízení od videa v reálném čase uvnitř chladničky až po auta, která detekují rozptýlení ovladačů.
V lékařském prostředí jsou inteligentní zařízení nezbytná pro monitorování pacientů na JIP a jinde.Použití umělé inteligence ke zvýšení schopnosti identifikovat zhoršení stavu, jako je naznačování, že se sepse vyvíjí, nebo vnímání komplikací může výrazně zlepšit výsledky a může snížit náklady na léčbu.
"Když mluvíme o integraci různých dat v celém systému zdravotní péče, musíme integrovat a varovat lékaře ICU, aby zasáhli co nejdříve a že agregace těchto údajů není dobrá věc, kterou mohou lidští lékaři udělat," řekl Mark Michalski , výkonný ředitel Centra pro klinické údaje v BWH.Vložení inteligentních algoritmů do těchto zařízení snižuje kognitivní zátěž u lékařů a zajišťuje, že pacienti jsou léčeni co nejrychleji."
8. Promoce imunoterapie léčby rakoviny
Imunoterapie je jedním z nejslibnějších způsobů léčby rakoviny.Použitím vlastního imunitního systému těla k útoku na maligní nádory mohou být pacienti schopni překonat tvrdohlavé nádory.Pouze několik pacientů však reaguje na současný imunoterapeutický režim a onkologové stále nemají přesnou a spolehlivou metodu, aby určili, kteří pacienti budou mít prospěch z režimu.
Algoritmy strojového učení a jejich schopnost syntetizovat vysoce složité datové soubory mohou být schopny objasnit jedinečné genové složení jednotlivců a poskytnout nové možnosti pro cílenou terapii.
„Nedávno nejzajímavějším vývojem byly inhibitory kontrolního bodu, které blokují proteiny produkované určitými imunitními buňkami,“ vysvětluje Dr. Long Le, ředitel vývoje výpočetní patologie a technologie v komplexním diagnostickém centru Massachusetts General Hospital (MGH).Ale stále nerozumíme všem problémům, což je velmi komplikované.Rozhodně potřebujeme více údajů o pacientech.Tato léčba jsou relativně nová, takže je ne mnoho pacientů skutečně bere.Proto, zda potřebujeme integrovat data do organizace nebo napříč více organizací, bude to klíčový faktor při zvyšování počtu pacientů k řízení procesu modelování."
9.Turn elektronických zdravotních záznamů do spolehlivých prediktorů rizika
Elektronický zdravotní záznam (HER) je poklad údajů o pacientech, ale pro poskytovatele a vývojáře je stálou výzvou extrahovat a analyzovat velké množství informací přesným, včasným a spolehlivým způsobem.
Problémy s kvalitou a integritou dat, spojené se zmateními formátu dat, strukturovanými a nestrukturovanými vstupními a neúplnými záznamy, ztěžují lidem přesně pochopit, jak provádět smysluplnou stratifikaci rizik, prediktivní analýzu a podporu klinického rozhodování.
Dr. Ziad Obermeyer, odborný asistent pohotovostní medicíny v ženské nemocnici Brigham (BWH) a asistent profesora na Harvard Medical School (HMS), řekl: „Je tu nějaká těžká práce pro integraci údajů na jedno místo. Dalším problémem je porozumět porozumění. Co lidé dostávají, když předpovídají nemoc v elektronickém zdravotním záznamu (její). tah sám. “
Pokračoval: „Zdá se, že spoléhání na výsledky MRI poskytuje konkrétnější soubor dat. Nyní však musíme přemýšlet o tom, kdo si může dovolit MRI? Konečná predikce tedy není očekávaným výsledkem.“
Analýza NMR vytvořila mnoho úspěšných nástrojů pro bodování a stratifikaci rizik, zejména pokud vědci používají techniky hlubokého učení k identifikaci nových spojení mezi zdánlivě nesouvisejícími soubory dat.
Obermeyer se však domnívá, že zajištění toho, aby tyto algoritmy neidentifikovaly zkreslení skryté v datech, je zásadní pro nasazení nástrojů, které mohou skutečně zlepšit klinickou péči.
"Největší výzvou je zajistit, abychom přesně víme, co jsme předpovídali, než začneme otevírat černou skříňku a dívat se na to, jak předvídat," řekl
10. Monitoring zdravotní stav prostřednictvím nositelných zařízení a osobních zařízení
Téměř všichni spotřebitelé mohou nyní používat senzory ke shromažďování údajů o hodnotě zdraví.Od chytrých telefonů s krokovým sledovačem až po nositelná zařízení, která sledují srdeční frekvenci po celý den, lze kdykoli generovat více a více údajů o zdraví.
Shromažďování a analýzu těchto údajů a doplňování informací poskytnutých pacienty prostřednictvím aplikací a dalších zařízení pro monitorování domů může poskytnout jedinečnou perspektivu pro zdraví individuálního a davu.
AI bude hrát důležitou roli při získávání akčních poznatků z této velké a rozmanité databáze.
Ale Dr. Omar Arnout, neurochirurg v ženské nemocnici Brigham (BWH), ředitel CO Centra pro výpočetní výsledky neurovědy, uvedl, že může trvat další práci, aby se pacientům pomohlo přizpůsobit se těmto intimním a probíhajícím monitorovacím údajům.
"Bývali jsme docela volní ke zpracování digitálních dat," řekl.Ale protože úniky dat se vyskytují na Cambridge Analytics a Facebooku, lidé budou stále opatrnější o tom, kdo sdílet, jaké údaje sdílejí."
Pacienti mají tendenci důvěřovat svým lékařům více než velké společnosti, jako je Facebook, dodal, což by mohlo pomoci zmírnit nepohodlí poskytování dat pro rozsáhlé výzkumné programy.
"Je pravděpodobné, že nositelné údaje budou mít významný dopad, protože pozornost lidí je velmi náhodná a shromážděná data jsou velmi drsná," řekl Arnout.Neustálým shromažďováním granulárních dat je údaje s větší pravděpodobností pomoci lékařům lepší péči o pacienty."
11. Vytvořte chytré telefony výkonný diagnostický nástroj
Odborníci se domnívají, že obrázky získané z chytrých telefonů a jiných zdrojů spotřebitelské úrovně se stanou důležitým doplňkem zobrazování klinické kvality, zejména v oblasti nedostatečně obsluhovaných nebo rozvojových zemí, pokračováním využívajících silné funkce přenosných zařízení.
Kvalita mobilní kamery se každý rok zlepšuje a může generovat obrázky, které lze použít pro analýzu algoritmů AI.Dermatologie a oftalmologie jsou prvními příjemci tohoto trendu.
Britští vědci dokonce vyvinuli nástroj k identifikaci vývojových onemocnění analýzou obrazů dětských tváří.Algoritmus může detekovat diskrétní rysy, jako je čelitelná linie dětí, poloha očí a nosu a další atributy, které mohou naznačovat abnormality obličeje.V současné době může tento nástroj porovnat běžné obrazy s více než 90 nemocemi, aby poskytoval podporu klinického rozhodování.
Dr. Hadi Shafieee, ředitel Micro / Nano Medicine and Digital Health Laboratory v Brigham Women Hospital (BWH), řekl: „Většina lidí je vybavena výkonnými mobilními telefony s mnoha různými senzory zabudovanými. Je to skvělá příležitost. Téměř všichni. Průmysloví hráči začali ve svých zařízeních stavět software AI a hardware. Není to náhoda. V našem digitálním světě se každý den generuje více než 2,5 milionu terabajtů dat. V oblasti mobilních telefonů se domnívají, že to mohou použít Data pro umělou inteligenci, která poskytuje více přizpůsobené, rychlejší a inteligentnější služby. “
Použití chytrých telefonů ke shromažďování obrazů očí pacientů, kožních lézí, ran, infekcí, drog nebo jiných subjektů může pomoci řešit nedostatek odborníků v nedostatečně obsluhovaných oblastech a zároveň zkrátit čas na diagnostiku určitých stížností.
"V budoucnu mohou existovat některé významné události a my můžeme využít této příležitosti k vyřešení některých důležitých problémů řízení nemocí v bodě péče," řekl Shafieee
12. INNAVING CLINICAL LOCTION S BEDSIDE AI
Vzhledem k tomu, že se zdravotnický průmysl mění na služby založené na poplatcích, je stále více daleko od pasivní zdravotní péče.Cílem každého poskytovatele je prevence před chronickým onemocněním, událostmi akutních onemocnění a náhlého zhoršení a struktura kompenzace jim nakonec umožňuje vyvinout procesy, které mohou dosáhnout aktivního a prediktivního zásahu.
Umělá inteligence poskytne pro tento vývoj mnoho základních technologií podporou prediktivní analýzy a nástrojů pro podporu klinického rozhodování, aby vyřešily problémy, než si poskytovatelé uvědomí, že je třeba jednat.Umělá inteligence může poskytnout včasné varování pro epilepsii nebo sepse, která obvykle vyžaduje hloubkovou analýzu vysoce složitých souborů dat.
Brandon Westover, MD, ředitel klinických údajů v Massachusetts General Hospital (MGH), uvedl, že strojové učení může také pomoci podpořit pokračující poskytování péče o kriticky nemocné pacienty, jako jsou například v kómatu po srdeční zástavě.
Vysvětlil, že za normálních okolností musí lékaři zkontrolovat údaje o EEG těchto pacientů.Tento proces je časově náročný a subjektivní a výsledky se mohou lišit podle dovedností a zkušeností kliniků.
Řekl: „U těchto pacientů může být trend pomalý.Někdy, když lékaři chtějí zjistit, zda se někdo zotavuje, mohou se podívat na data monitorovaná jednou za 10 sekund.Abychom však zjistili, zda se změnil z 10 sekund dat shromážděných za 24 hodin, je jako se podívat, zda se vlasy mezitím rozrostly.Pokud se však používají algoritmy umělé inteligence a velké množství dat od mnoha pacientů, bude snazší odpovídat tomu, co lidé vidí s dlouhodobými vzory, a lze najít některá jemná zlepšení, což ovlivní rozhodování lékařů v ošetřovatelství ."
Použití technologie umělé inteligence pro podporu klinického rozhodování, bodování rizik a včasné varování je jednou z nejslibnějších oblastí rozvoje této metody analýzy dat.
Poskytováním síly nové generace nástrojů a systémů mohou lékaři lépe porozumět nuancím nemoci, poskytovat ošetřovatelské služby efektivněji a vyřešit problémy předem.Umělá inteligence bude uvedena v nové éře zlepšení kvality klinické léčby a provede vzrušující průlomy v péči o pacienty.
Čas odeslání: srpen-06-2021
