12 způsobů, jak může AI ovlivnit zdravotnický průmysl

Očekává se, že se umělá inteligence stane transformační silou v oblasti zdravotní péče. Jak tedy lékaři a pacienti těží z dopadu nástrojů poháněných umělou inteligencí?
Dnešní zdravotnický průmysl je velmi vyspělý a může provést několik zásadních změn. Od chronických chorob a rakoviny až po radiologii a hodnocení rizik se zdá, že zdravotnický průmysl má nespočet příležitostí využít technologie k nasazení přesnějších, efektivnějších a účinnějších intervencí do péče o pacienty.
S rozvojem technologie mají pacienti stále vyšší požadavky na lékaře a počet dostupných údajů stále alarmujícím tempem stále roste. Umělá inteligence se stane motorem podpory neustálého zlepšování lékařské péče.
Ve srovnání s tradiční analýzou a technologií klinického rozhodování má umělá inteligence mnoho výhod. Když algoritmus učení interaguje s tréninkovými daty, může být přesnější a umožňuje lékařům získat nebývalé poznatky o diagnostice, ošetřovatelském procesu, variabilitě léčby a výsledcích pacientů.
Na Světovém fóru lékařské inovace umělé inteligence (wmif), které pořádá společnost Partners Healthcare, výzkumní pracovníci v oblasti medicíny a kliničtí odborníci, se zabývali technologiemi a obory lékařského průmyslu, které budou mít s největší pravděpodobností významný dopad na přijetí umělé inteligence v příštím roce. desetiletí.
Anne kiblanksi, MD, předsedkyně představenstva společnosti wmif v roce 2018, a Gregg Meyer, MD, hlavní akademický ředitel společnosti Partners Healthcare, uvedli, že tento druh „podvracení“ přinesený do každé průmyslové oblasti má potenciál přinést pacientům významné výhody a má široký potenciál obchodního úspěchu.
S pomocí odborníků z oblasti zdravotnictví partnerů, včetně Dr. Keitha Dreyera, profesora Harvardské lékařské fakulty (HMS), hlavního vedoucího datové vědy partnerů, a Dr. Katherine andreole, ředitelky výzkumné strategie a provozu General Hospital v Massachusetts (MGH) , navrhl 12 způsobů, jak AI způsobí revoluci v lékařských službách a vědě.
1. Sjednoťte myšlení a stroj prostřednictvím rozhraní mozku a počítače

Používání počítače ke komunikaci není nová myšlenka, ale vytvoření přímého rozhraní mezi technologií a lidským myšlením bez klávesnice, myši a displeje je oblast hraničního výzkumu, která má pro některé pacienty důležité uplatnění.
Nemoci a traumata nervového systému mohou u některých pacientů ztratit schopnost smysluplné konverzace, pohybu a interakce s ostatními a jejich prostředím. Rozhraní počítačového mozku (BCI) podporované umělou inteligencí může pacientům, kteří se obávají, že tyto funkce navždy ztratí, obnovit tyto základní zážitky.
„Pokud uvidím pacienta na jednotce intenzivní péče neurologie, který náhle ztratí schopnost jednat nebo mluvit, doufám, že mu druhý den obnovím schopnost komunikovat,“ řekl MD Leigh Hochberg, ředitel centra pro neurotechnologii a neurorehabilitaci na Massachusetts General Hospital (MGH). Pomocí rozhraní mozkového počítače (BCI) a umělé inteligence můžeme aktivovat nervy související s pohybem ruky a měli bychom být schopni přimět pacienta komunikovat s ostatními alespoň pětkrát během celé aktivity, například pomocí všudypřítomných komunikačních technologií, jako je jako tablety nebo mobilní telefony. "
Rozhraní mozku a počítače může každoročně celosvětově výrazně zlepšit kvalitu života pacientů s amyotrofickou laterální sklerózou (ALS), mrtvicí nebo syndromem atrézie a také 500 000 pacientů s poraněním míchy.
2. Vyvinout novou generaci radiačních nástrojů

Radiační snímky získané magnetickou rezonancí (MRI), CT skenery a rentgenové paprsky poskytují neinvazivní viditelnost do nitra lidského těla. Mnoho diagnostických postupů však stále spoléhá na vzorky fyzické tkáně získané biopsií, u nichž existuje riziko infekce.
Odborníci předpovídají, že v některých případech umělá inteligence umožní, aby další generace radiologických nástrojů byla dostatečně přesná a podrobná, aby nahradila poptávku po živých tkáňových vzorcích.
Alexandra Golby, MD, ředitelka neurochirurgie vedené pomocí obrazu v Brighamské ženské nemocnici (BWh), řekla: „Chceme spojit tým diagnostických zobrazovatelů s chirurgy nebo intervenčními radiology a patology, ale je to obrovská výzva pro různé týmy dosáhnout spolupráce a konzistence cílů. Pokud chceme, aby radiologie poskytovala informace, které jsou v současné době k dispozici ze vzorků tkání, pak budeme muset být schopni dosáhnout velmi blízkých standardů, abychom poznali základní fakta daného pixelu. “
Úspěch v tomto procesu může klinickým lékařům umožnit přesněji porozumět celkovému výkonu nádoru, místo aby se rozhodovali o léčbě na základě malé části atributů maligního nádoru.
AI může také lépe definovat invazivitu rakoviny a vhodněji určit cíl léčby. Umělá inteligence navíc pomáhá realizovat „virtuální biopsii“ a podporovat inovace v oblasti radiologie, která se zavázala používat algoritmy založené na obrazu k charakterizaci fenotypových a genetických charakteristik nádorů.
3. Rozbalte lékařské služby v oblastech s nedostatkem služeb nebo v 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 se slavnou Longwood Avenue pracuje více radiologů než ve všech nemocnicích v západní Africe.
Umělá inteligence může pomoci zmírnit dopad kritického nedostatku klinik tím, že převezme některé diagnostické povinnosti, které jsou běžně přisuzovány lidem.
Například zobrazovací nástroj AI může pomocí rentgenových snímků hrudníku zkoumat příznaky tuberkulózy, obvykle se stejnou přesností jako lékař. Tuto funkci lze nasadit prostřednictvím aplikace pro poskytovatele v oblastech chudých na zdroje, což snižuje potřebu zkušených diagnostických radiologů.
„Tato technologie má velký potenciál pro 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 oblastí mohou mít jedinečné fyziologické a environmentální faktory, které mohou ovlivnit výkon onemocnění.
„Například populace postižená nemocí v Indii se může velmi lišit od populace ve Spojených státech,“ řekla. Při vývoji těchto algoritmů je velmi důležité zajistit, aby data představovala prezentaci onemocnění a rozmanitost populace. Můžeme nejen vyvíjet algoritmy založené na jedné populaci, ale také doufat, že může hrát roli v jiných populacích. "
4. Snižte zátěž související s používáním elektronických zdravotních záznamů

Elektronický zdravotní záznam (ona) hrál důležitou roli v digitální cestě zdravotnického průmyslu, ale tato transformace přinesla řadu problémů souvisejících s kognitivním přetížením, nekonečnými dokumenty a únavou uživatelů.
Vývojáři elektronických zdravotních záznamů nyní pomocí umělé inteligence vytvářejí intuitivnější rozhraní a automatizují rutiny, které zabírají spoustu času uživateli.
Dr. Adam Landman, viceprezident a hlavní informační ředitel společnosti Brigham Health, uvedl, že uživatelé tráví většinu času třemi úkoly: klinickou dokumentací, zadáváním objednávek a tříděním doručené pošty. Rozpoznávání řeči a diktování mohou pomoci zlepšit zpracování klinických dokumentů, ale nástroje pro zpracování přirozeného jazyka (NLP) nemusí stačit.
„Myslím si, že může být nutné být odvážnější a zvážit některé změny, například používání videonahrávky pro klinickou léčbu, stejně jako policie nosí kamery,“ řekl Landman. Umělá inteligence a strojové učení pak mohou být použity k indexování těchto videí pro budoucí vyhledávání. Stejně jako Siri a Alexa, kteří doma používají asistenty umělé inteligence, budou virtuální asistenti v budoucnu přivedeni k lůžku pacientů, což klinickým lékařům umožní využívat integrovanou inteligenci k zadávání lékařských příkazů. "

Umělá inteligence může také pomoci vyřídit rutinní požadavky z doručené pošty, například doplňky léků a oznámení výsledků. Může také pomoci upřednostnit úkoly, které skutečně vyžadují pozornost lékařů, a usnadnit pacientům zpracování jejich seznamů úkolů, dodal Landman.
5. Riziko antibiotické rezistence

Rezistence na antibiotika je pro lidi rostoucí hrozbou, protože nadměrné používání těchto klíčových léků může vést k vývoji superbakterií, které již nereagují na léčbu. Bakterie rezistentní na více léčiv mohou způsobit vážné poškození v nemocničním prostředí a každoročně zabít desítky tisíc pacientů. Clostridium difficile stojí americký zdravotnický systém asi 5 miliard dolarů ročně a způsobuje více než 30 000 úmrtí.
Údaje EHR pomáhají identifikovat vzory infekce a zdůraznit riziko dříve, než se u pacienta začnou projevovat příznaky. Použití nástrojů strojového učení a umělé inteligence k řízení těchto analýz může zlepšit jejich přesnost a vytvářet rychlejší a přesnější upozornění pro poskytovatele zdravotní péče.
„Nástroje umělé inteligence mohou splnit očekávání v oblasti kontroly infekcí a odolnosti vůči antibiotikům,“ říká doktorka Erica Shenoy, zástupkyně ředitele pro kontrolu infekcí ve všeobecné nemocnici v Massachusetts (MGH). Pokud tak neučiní, všichni selžou. Protože nemocnice mají mnoho údajů EHR, pokud je plně nevyužijí, pokud nevytvoří odvětví, která jsou chytřejší a rychlejší při navrhování klinických studií, a pokud nepoužívají EHR, která tato data vytvářejí, budou čelit selhání. "
6. Vytvořte přesnější analýzu patologických obrazů

Dr. Jeffrey Golden, vedoucí oddělení patologie v Brighamské ženské nemocnici (BWh) a profesor patologie na HMS, uvedl, že patologové poskytují jeden z nejdůležitějších zdrojů diagnostických dat pro celou řadu poskytovatelů lékařských služeb.
„70% zdravotnických rozhodnutí je založeno na patologických výsledcích a mezi 70% a 75% všech údajů v EHR pochází z patologických výsledků,“ řekl. A čím přesnější jsou výsledky, tím dříve bude stanovena správná diagnóza. To je cíl, kterého 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 se dostali do bodu, kdy můžeme lépe posoudit, zda se rakovina bude vyvíjet rychle nebo pomalu, a jak změnit léčbu pacientů na základě algoritmů, nikoli na základě klinického stadia nebo histopatologického hodnocení,“ řekl Golden. Bude to obrovský krok vpřed. "
Dodal: „AI může také zvýšit produktivitu tím, že identifikuje rysy zájmu na diapozitorech, než lékaři zkontrolují data. AI může filtrovat snímky a vést nás k zobrazení správného obsahu, abychom mohli posoudit, co je důležité a co ne. Tím se zlepšuje účinnost využití patologů a zvyšuje hodnotu jejich studia každého případu. “
Přineste inteligenci do lékařských zařízení a strojů

Chytrá zařízení přebírají spotřebitelská prostředí a poskytují zařízení od videa v reálném čase uvnitř chladničky až po auta, která detekují rozptýlení řidičů.
V lékařském prostředí jsou inteligentní zařízení nezbytná pro monitorování pacientů na JIP a jinde. Využití umělé inteligence k posílení schopnosti identifikovat zhoršení stavu, jako je indikace vývoje sepse nebo vnímání komplikací může výrazně zlepšit výsledky a může snížit náklady na léčbu.
„Když mluvíme o integraci různých dat napříč zdravotnickým systémem, musíme integrovat a upozornit lékaře JIP, aby zasáhli co nejdříve, a že agregace těchto dat není dobrá věc, kterou mohou lidští lékaři dělat,“ řekl Mark Michalski , výkonný ředitel Centra pro klinická data ve společnosti BWh. Vkládání chytrých algoritmů do těchto zařízení snižuje kognitivní zátěž lékařů a zajišťuje, aby s pacienty bylo zacházeno co nejrychleji. "
8. podpora imunoterapie pro léčbu rakoviny

Imunoterapie je jedním z nejslibnějších způsobů léčby rakoviny. Využitím vlastního imunitního systému těla k napadení zhoubných nádorů mohou pacienti překonat úporné nádory. Na současný režim imunoterapie však reaguje jen několik pacientů a onkologové stále nemají přesnou a spolehlivou metodu, jak určit, kteří pacienti budou mít z režimu prospěch.
Algoritmy strojového učení a jejich schopnost syntetizovat vysoce komplexní soubory dat mohou být schopny objasnit jedinečné genové složení jednotlivců a poskytnout nové možnosti cílené terapie.
„V poslední době jsou nejzajímavějším vývojem inhibitory kontrolních bodů, které blokují proteiny produkované určitými imunitními buňkami,“ vysvětluje Dr. Long Le, ředitel výpočetní patologie a vývoje technologií v komplexním diagnostickém centru Massachusetts General Hospital (MGH). Ale stále nerozumíme všem problémům, což je velmi komplikované. Rozhodně potřebujeme více údajů o pacientech. Tyto léčby jsou relativně nové, takže je ve skutečnosti neužívá mnoho pacientů. Ať už tedy potřebujeme integrovat data v rámci organizace nebo ve více organizacích, bude to klíčový faktor při zvyšování počtu pacientů, kteří budou řídit proces modelování. "
9. Proměňte elektronické zdravotní záznamy na spolehlivé prediktory rizik

Elektronický zdravotní záznam (ona) je pokladem údajů o pacientech, ale pro poskytovatele a vývojáře je neustálou výzvou extrahovat a analyzovat velké množství informací přesným, včasným a spolehlivým způsobem.
Problémy s kvalitou a integritou dat spolu se zmatky ve formátu dat, strukturovanými a nestrukturovanými vstupy a neúplnými záznamy znesnadňují lidem přesné pochopení toho, jak provádět smysluplnou stratifikaci rizik, prediktivní analýzu a podporu klinického rozhodování.
Dr. Ziad OBERMEYER, odborný asistent urgentní medicíny v nemocnici Brigham Women’s Hospital (BWh) a odborný asistent na Harvardské lékařské škole (HMS), řekl: „Je třeba vynaložit spoustu práce na integraci dat na jedno místo. Dalším problémem je však porozumět co lidé získají, když předpovídají nemoc v elektronickém zdravotním záznamu (ona). Lidé mohou slyšet, že algoritmy umělé inteligence dokážou předpovědět depresi nebo cévní mozkovou příhodu, ale zjistí, že ve skutečnosti předpovídají zvýšení nákladů na mrtvici. Je to velmi odlišné od samotná mrtvice. "

Pokračoval: "Zdá se, že spoléhání se na výsledky magnetické rezonance poskytuje konkrétnější soubor dat. Nyní se však musíme zamyslet nad tím, kdo si magnetickou rezonanci může dovolit? Takže konečná předpověď není očekávaným výsledkem."
Analýza NMR přinesla mnoho úspěšných nástrojů pro hodnocení rizik a stratifikaci, zvláště když výzkumníci používají techniky hlubokého učení k identifikaci nových spojení mezi zdánlivě nesouvisejícími soubory dat.
Společnost OBERMEYER se však domnívá, že zajištění toho, aby tyto algoritmy neidentifikovaly zkreslení skryté v datech, je klíčové pro nasazení nástrojů, které mohou skutečně zlepšit klinickou péči.
„Největší výzvou je zajistit, abychom přesně věděli, co jsme předpovídali, než začneme otevírat černou skříňku a dívat se, jak předvídat,“ řekl
10. Monitorování zdravotního stavu pomocí nositelných zařízení a osobních zařízení

Téměř všichni spotřebitelé nyní mohou používat senzory ke shromažďování údajů o zdravotní hodnotě. Od smartphonů s krokovým sledovačem až po nositelná zařízení, která sledují srdeční frekvenci po celý den, lze kdykoli generovat stále více údajů týkajících se zdraví.
Shromažďování a analýza těchto dat a doplňování informací poskytovaných pacienty prostřednictvím aplikací a dalších domácích monitorovacích zařízení může poskytnout jedinečnou perspektivu pro zdraví jednotlivců i lidí.
AI bude hrát důležitou roli při získávání použitelných poznatků z této velké a rozmanité databáze.
Ale doktor Omar arnout, neurochirurg v Brighamské ženské nemocnici (BWh), ředitel CO centra pro výsledky výpočetní neurovědy, řekl, že to může vyžadovat další práci, která by pacientům pomohla přizpůsobit se těmto intimním, průběžným monitorovacím datům.
„Bývali jsme docela svobodní při zpracování digitálních dat,“ řekl. Vzhledem k tomu, že k únikům dat dochází v analytikách Cambridge a na Facebooku, budou lidé stále opatrnější v otázce, kdo jaká data sdílí. "
Pacienti mají tendenci věřit svým lékařům více než velkým společnostem, jako je Facebook, dodal, což by mohlo pomoci zmírnit nepohodlí při poskytování dat pro rozsáhlé výzkumné programy.
„Je pravděpodobné, že nositelná data budou mít významný dopad, protože pozornost lidí je velmi náhodná a shromážděná data jsou velmi hrubá,“ řekl arnout. Díky neustálému shromažďování podrobných údajů pravděpodobně pomohou lékaři lepší péči o pacienty. "
11. Udělejte ze smartphonů účinný diagnostický nástroj

Odborníci se domnívají, že obrázky získané z chytrých telefonů a dalších zdrojů na úrovni spotřebitelů se stanou důležitým doplňkem zobrazování v klinické kvalitě, zejména v oblastech s nedostatečnou obsluhou nebo v rozvojových zemích, a to pokračováním v používání výkonných funkcí přenosných zařízení.
Kvalita mobilních kamer se každým rokem zlepšuje a může generovat obrázky, které lze použít pro analýzu algoritmů AI. Dermatologie a oftalmologie jsou časnými příjemci tohoto trendu.
Britští vědci dokonce vyvinuli nástroj k identifikaci vývojových chorob pomocí analýzy obrazů dětských tváří. Algoritmus dokáže detekovat diskrétní rysy, jako je dětská dolní čelist, poloha očí a nosu a další atributy, které mohou naznačovat abnormality obličeje. V současné době tento nástroj dokáže spojit běžné obrazy s více než 90 nemocemi a poskytnout tak podporu klinického rozhodování.
Dr. Hadi shafiee, ředitel laboratoře mikro / nano medicíny a digitálního zdraví v Brigham Women's Hospital (BWh), řekl: „Většina lidí je vybavena výkonnými mobilními telefony s vestavěnými mnoha různými senzory. Je to pro nás skvělá příležitost. Téměř všechny průmysloví hráči začali ve svých zařízeních stavět software a hardware Ai. Není to náhoda. V našem digitálním světě se každý den vygeneruje více než 2,5 milionu terabajtů dat. V oblasti mobilních telefonů výrobci věří, že toho mohou využít data pro umělou inteligenci k poskytování personalizovanějších, rychlejších a inteligentnějších služeb. “
Používání chytrých telefonů ke shromažďování snímků očí pacientů, kožních lézí, ran, infekcí, drog nebo jiných subjektů může pomoci vyřešit nedostatek odborníků v oblastech s nedostatečnou obsluhou a zároveň zkrátit čas na diagnostiku určitých stížností.
„V budoucnu může dojít k několika zásadním událostem a my můžeme využít této příležitosti k vyřešení některých důležitých problémů správy nemocí v místě péče,“ řekl shafiee
12. Inovace klinického rozhodování pomocí AI u lůžka

Jak se zdravotnický průmysl obrací k poplatkovým službám, stále více se vzdaluje pasivní zdravotní péči. Cílem každého poskytovatele je prevence před chronickými nemocemi, akutními chorobnými událostmi a náhlým zhoršením stavu a struktura kompenzace jim nakonec umožňuje vyvinout procesy, kterými lze dosáhnout aktivní a prediktivní intervence.
Umělá inteligence poskytne pro tuto evoluci mnoho základních technologií, a to podporou prediktivní analýzy a nástrojů podpory klinického rozhodování k řešení problémů dříve, než si poskytovatelé uvědomí, že je třeba jednat. Umělá inteligence může poskytnout včasné varování před epilepsií nebo sepsí, což obvykle vyžaduje hloubkovou analýzu vysoce komplexních datových souborů.
Brandon Westover, MD, ředitel klinických dat v Massachusetts General Hospital (MGH), uvedl, že strojové učení by také mohlo pomoci podpořit pokračující poskytování péče o kriticky nemocné pacienty, jako jsou pacienti v kómatu po zástavě srdce.
Vysvětlil, že za normálních okolností musí lékaři zkontrolovat údaje 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. Chcete -li však zjistit, zda se to změnilo z 10 sekund dat shromážděných za 24 hodin, je to jako podívat se, zda vlasy mezitím rostly. Pokud však budou použity algoritmy umělé inteligence a velké množství dat od mnoha pacientů, bude snazší sladit to, co lidé vidí s dlouhodobými schématy, a lze nalézt některá jemná vylepšení, která ovlivní rozhodování lékařů v ošetřovatelství . "
Používání technologie umělé inteligence pro podporu klinického rozhodování, vyhodnocování rizik a včasného varování je jednou z nejslibnějších oblastí vývoje této revoluční metody analýzy dat.
Poskytnutím energie pro novou generaci nástrojů a systémů mohou lékaři lépe porozumět nuancím nemoci, efektivněji poskytovat ošetřovatelské služby a řešit problémy předem. Umělá inteligence zahájí novou éru zlepšování kvality klinické léčby a bude znamenat vzrušující průlomy v péči o pacienty.


Čas odeslání: 06. 06. 2021