Η τεχνητή νοημοσύνη αναμένεται να γίνει μια δύναμη μετασχηματισμού στον τομέα της υγειονομικής περίθαλψης.Πώς επωφελούνται λοιπόν οι γιατροί και οι ασθενείς από τον αντίκτυπο των εργαλείων που βασίζονται στην τεχνητή νοημοσύνη;
Ο σημερινός κλάδος της υγείας είναι πολύ ώριμος και μπορεί να κάνει κάποιες σημαντικές αλλαγές.Από τις χρόνιες ασθένειες και τον καρκίνο μέχρι την ακτινολογία και την αξιολόγηση κινδύνου, η βιομηχανία υγειονομικής περίθαλψης φαίνεται να έχει αμέτρητες ευκαιρίες να χρησιμοποιήσει την τεχνολογία για να αναπτύξει πιο ακριβείς, αποτελεσματικές και αποτελεσματικές παρεμβάσεις στη φροντίδα των ασθενών.
Με την ανάπτυξη της τεχνολογίας, οι ασθενείς έχουν όλο και μεγαλύτερες απαιτήσεις από γιατρούς και ο αριθμός των διαθέσιμων δεδομένων συνεχίζει να αυξάνεται με ανησυχητικό ρυθμό.Η τεχνητή νοημοσύνη θα γίνει κινητήρας για την προώθηση της συνεχούς βελτίωσης της ιατρικής περίθαλψης.
Σε σύγκριση με την παραδοσιακή τεχνολογία ανάλυσης και κλινικής λήψης αποφάσεων, η τεχνητή νοημοσύνη έχει πολλά πλεονεκτήματα.Όταν ο αλγόριθμος μάθησης αλληλεπιδρά με τα δεδομένα εκπαίδευσης, μπορεί να γίνει πιο ακριβής, επιτρέποντας στους γιατρούς να αποκτήσουν πρωτοφανείς γνώσεις σχετικά με τη διάγνωση, τη νοσηλευτική διαδικασία, τη μεταβλητότητα της θεραπείας και τα αποτελέσματα των ασθενών.
Στο Παγκόσμιο φόρουμ ιατρικής καινοτομίας τεχνητής νοημοσύνης του 2018 (wmif) που πραγματοποιήθηκε από την Partners Healthcare, ιατρικοί ερευνητές και κλινικοί εμπειρογνώμονες ανέπτυξαν τις τεχνολογίες και τους τομείς της ιατρικής βιομηχανίας που είναι πιο πιθανό να έχουν σημαντικό αντίκτυπο στην υιοθέτηση της τεχνητής νοημοσύνης στο επόμενο δεκαετία.
Η Anne kiblanksi, MD, CO πρόεδρος του wmif το 2018, και ο Gregg Meyer, MD, επικεφαλής ακαδημαϊκός διευθυντής της Partners Healthcare, είπαν ότι αυτό το είδος «ανατροπής» που φέρεται σε κάθε τομέα της βιομηχανίας έχει τη δυνατότητα να αποφέρει σημαντικά οφέλη στους ασθενείς και έχει ευρεία δυνατότητες επιχειρηματικής επιτυχίας.
Με τη βοήθεια ειδικών από τους συνεργάτες της υγειονομικής περίθαλψης, συμπεριλαμβανομένου του Δρ. Keith Dreyer, Καθηγητή της Ιατρικής Σχολής του Χάρβαρντ (HMS), επικεφαλής της επιστήμης δεδομένων των συνεργατών, και της Δρ. Katherine andreole, διευθύντριας στρατηγικής και λειτουργιών έρευνας στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH) , πρότεινε 12 τρόπους με τους οποίους η τεχνητή νοημοσύνη θα φέρει επανάσταση στις ιατρικές υπηρεσίες και την επιστήμη.
1.Ενοποιήστε τη σκέψη και τη μηχανή μέσω της διεπαφής υπολογιστή του εγκεφάλου
Η χρήση υπολογιστή για επικοινωνία δεν είναι μια νέα ιδέα, αλλά η δημιουργία μιας άμεσης διεπαφής μεταξύ της τεχνολογίας και της ανθρώπινης σκέψης χωρίς πληκτρολόγιο, ποντίκι και οθόνη είναι ένα ερευνητικό πεδίο αιχμής, το οποίο έχει σημαντική εφαρμογή για ορισμένους ασθενείς.
Οι ασθένειες και το τραύμα του νευρικού συστήματος μπορεί να κάνουν ορισμένους ασθενείς να χάσουν την ικανότητα ουσιαστικής συνομιλίας, κίνησης και αλληλεπίδρασης με άλλους και το περιβάλλον τους.Η διεπαφή υπολογιστή εγκεφάλου (BCI) που υποστηρίζεται από τεχνητή νοημοσύνη μπορεί να αποκαταστήσει αυτές τις βασικές εμπειρίες για ασθενείς που ανησυχούν ότι θα χάσουν για πάντα αυτές τις λειτουργίες.
«Αν δω έναν ασθενή στη μονάδα εντατικής θεραπείας νευρολογίας που χάνει ξαφνικά την ικανότητα να ενεργεί ή να μιλάει, ελπίζω να αποκαταστήσω την ικανότητά του να επικοινωνεί την επόμενη μέρα», δήλωσε ο Leigh Hochberg, MD, διευθυντής του κέντρου νευροτεχνολογίας και νευροαποκατάστασης στο Γενικό Νοσοκομείο Μασαχουσέτης (MGH).Χρησιμοποιώντας τη διεπαφή εγκεφάλου υπολογιστή (BCI) και την τεχνητή νοημοσύνη, μπορούμε να ενεργοποιήσουμε τα νεύρα που σχετίζονται με την κίνηση των χεριών και θα πρέπει να μπορούμε να κάνουμε τον ασθενή να επικοινωνεί με άλλους τουλάχιστον πέντε φορές κατά τη διάρκεια ολόκληρης της δραστηριότητας, όπως η χρήση πανταχού παρών τεχνολογιών επικοινωνίας, όπως π. ως υπολογιστές tablet ή κινητά τηλέφωνα."
Η διεπαφή εγκεφάλου με υπολογιστή μπορεί να βελτιώσει σημαντικά την ποιότητα ζωής ασθενών με αμυοτροφική πλευρική σκλήρυνση (ALS), εγκεφαλικό επεισόδιο ή σύνδρομο ατρησίας, καθώς και 500.000 ασθενών με τραυματισμό του νωτιαίου μυελού παγκοσμίως κάθε χρόνο.
2. Αναπτύξτε την επόμενη γενιά εργαλείων ακτινοβολίας
Οι εικόνες ακτινοβολίας που λαμβάνονται με μαγνητική τομογραφία (MRI), αξονικοί τομογράφοι και ακτίνες Χ παρέχουν μη επεμβατική ορατότητα στο εσωτερικό του ανθρώπινου σώματος.Ωστόσο, πολλές διαγνωστικές διαδικασίες εξακολουθούν να βασίζονται σε δείγματα φυσικού ιστού που λαμβάνονται με βιοψία, η οποία ενέχει τον κίνδυνο μόλυνσης.
Οι ειδικοί προβλέπουν ότι σε ορισμένες περιπτώσεις, η τεχνητή νοημοσύνη θα επιτρέψει στην επόμενη γενιά εργαλείων Ακτινολογίας να είναι αρκετά ακριβή και λεπτομερή ώστε να αντικαταστήσουν τη ζήτηση για δείγματα ζωντανού ιστού.
Η Alexandra golby, MD, διευθύντρια νευροχειρουργικής με καθοδήγηση εικόνας στο Brigham Women's Hospital (BWh), είπε, «θέλουμε να φέρουμε την ομάδα διαγνωστικής απεικόνισης μαζί με χειρουργούς ή επεμβατικούς ακτινολόγους και παθολόγους, αλλά είναι μια τεράστια πρόκληση για διαφορετικές ομάδες να επιτύχουν συνεργασία Αν θέλουμε η ακτινολογία να παρέχει τις πληροφορίες που είναι διαθέσιμες αυτήν τη στιγμή από δείγματα ιστών, τότε θα πρέπει να είμαστε σε θέση να επιτύχουμε πολύ στενά πρότυπα για να γνωρίζουμε τα βασικά δεδομένα οποιουδήποτε δεδομένου pixel."
Η επιτυχία σε αυτή τη διαδικασία μπορεί να επιτρέψει στους κλινικούς γιατρούς να κατανοήσουν με μεγαλύτερη ακρίβεια τη συνολική απόδοση του όγκου, αντί να λαμβάνουν αποφάσεις θεραπείας με βάση ένα μικρό μέρος των χαρακτηριστικών του κακοήθους όγκου.
Η τεχνητή νοημοσύνη μπορεί επίσης να καθορίσει καλύτερα τη διεισδυτικότητα του καρκίνου και να καθορίσει καταλληλότερα τον στόχο θεραπείας.Επιπλέον, η τεχνητή νοημοσύνη συμβάλλει στην πραγματοποίηση της «εικονικής βιοψίας» και στην προώθηση της καινοτομίας στον τομέα της Ακτινολογίας, η οποία δεσμεύεται να χρησιμοποιεί αλγόριθμους βασισμένους σε εικόνες για να χαρακτηρίζει τα φαινοτυπικά και γενετικά χαρακτηριστικά των όγκων.
3. Επέκταση των ιατρικών υπηρεσιών σε υποεξυπηρετούμενες ή αναπτυσσόμενες περιοχές
Η έλλειψη εκπαιδευμένων παρόχων υγειονομικής περίθαλψης στις αναπτυσσόμενες χώρες, συμπεριλαμβανομένων τεχνικών υπερήχων και ακτινολόγων, θα μειώσει σημαντικά τις πιθανότητες χρήσης ιατρικών υπηρεσιών για να σωθούν οι ζωές των ασθενών.
Στη συνάντηση επισημάνθηκε ότι υπάρχουν περισσότεροι ακτινολόγοι που εργάζονται σε έξι νοσοκομεία της Βοστώνης με τη διάσημη λεωφόρο Longwood από ό,τι σε όλα τα νοσοκομεία στη Δυτική Αφρική.
Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στον μετριασμό των επιπτώσεων μιας κρίσιμης έλλειψης κλινικών γιατρών αναλαμβάνοντας ορισμένες από τις διαγνωστικές ευθύνες που συνήθως ανατίθενται στους ανθρώπους.
Για παράδειγμα, ένα εργαλείο απεικόνισης τεχνητής νοημοσύνης μπορεί να χρησιμοποιήσει ακτινογραφίες θώρακα για να εξετάσει τα συμπτώματα της φυματίωσης, συνήθως με την ίδια ακρίβεια όπως ένας γιατρός.Αυτή η δυνατότητα μπορεί να αναπτυχθεί μέσω μιας εφαρμογής για παρόχους σε περιοχές με φτωχούς πόρους, μειώνοντας την ανάγκη για έμπειρους διαγνωστικούς ακτινολόγους.
"Αυτή η τεχνολογία έχει μεγάλες δυνατότητες να βελτιώσει την υγειονομική περίθαλψη", δήλωσε ο Δρ. jayashree kalpathy Cramer, βοηθός νευροεπιστήμης και αναπληρωτής καθηγητής Ακτινολογίας στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH)
Ωστόσο, οι προγραμματιστές αλγορίθμων AI πρέπει να εξετάσουν προσεκτικά το γεγονός ότι άτομα διαφορετικών εθνικοτήτων ή περιοχών μπορεί να έχουν μοναδικούς φυσιολογικούς και περιβαλλοντικούς παράγοντες, οι οποίοι μπορούν να επηρεάσουν την απόδοση της νόσου.
«Για παράδειγμα, ο πληθυσμός που πλήττεται από ασθένειες στην Ινδία μπορεί να είναι πολύ διαφορετικός από αυτόν στις Ηνωμένες Πολιτείες», είπε.Όταν αναπτύσσουμε αυτούς τους αλγόριθμους, είναι πολύ σημαντικό να διασφαλίσουμε ότι τα δεδομένα αντιπροσωπεύουν την παρουσίαση της νόσου και την ποικιλομορφία του πληθυσμού.Μπορούμε όχι μόνο να αναπτύξουμε αλγόριθμους που βασίζονται σε έναν μόνο πληθυσμό, αλλά και να ελπίζουμε ότι μπορεί να παίξει ρόλο σε άλλους πληθυσμούς."
4.Μείωση του φόρτου χρήσης των ηλεκτρονικών αρχείων υγείας
Ο ηλεκτρονικός φάκελος υγείας (αυτή) έπαιξε σημαντικό ρόλο στο ψηφιακό ταξίδι της βιομηχανίας υγειονομικής περίθαλψης, αλλά αυτός ο μετασχηματισμός έφερε πολλά προβλήματα που σχετίζονται με τη γνωστική υπερφόρτωση, τα ατελείωτα έγγραφα και την κόπωση των χρηστών.
Οι προγραμματιστές του ηλεκτρονικού αρχείου υγείας (της) χρησιμοποιούν τώρα τεχνητή νοημοσύνη για να δημιουργήσουν μια πιο διαισθητική διεπαφή και να αυτοματοποιήσουν τις ρουτίνες που απαιτούν πολύ χρόνο από τον χρήστη.
Ο Δρ Adam Landman, αντιπρόεδρος και επικεφαλής πληροφοριών της Brigham Health, είπε ότι οι χρήστες αφιερώνουν τον περισσότερο χρόνο τους σε τρεις εργασίες: κλινική τεκμηρίωση, εισαγωγή παραγγελιών και ταξινόμηση των εισερχομένων τους.Η αναγνώριση και η υπαγόρευση ομιλίας μπορούν να βοηθήσουν στη βελτίωση της επεξεργασίας κλινικών εγγράφων, αλλά τα εργαλεία επεξεργασίας φυσικής γλώσσας (NLP) μπορεί να μην είναι αρκετά.
«Πιστεύω ότι μπορεί να είναι απαραίτητο να είμαστε πιο τολμηροί και να λάβουμε υπόψη κάποιες αλλαγές, όπως η χρήση βιντεοσκόπησης για κλινική θεραπεία, όπως ακριβώς η αστυνομία φοράει κάμερες», είπε ο Landman.Στη συνέχεια, η τεχνητή νοημοσύνη και η μηχανική μάθηση μπορούν να χρησιμοποιηθούν για την ευρετηρίαση αυτών των βίντεο για μελλοντική ανάκτηση.Ακριβώς όπως η Siri και η Alexa, που χρησιμοποιούν βοηθούς τεχνητής νοημοσύνης στο σπίτι, οι εικονικοί βοηθοί θα έρχονται στο κρεβάτι των ασθενών στο μέλλον, επιτρέποντας στους κλινικούς ιατρούς να χρησιμοποιούν ενσωματωμένη νοημοσύνη για να εισάγουν ιατρικές εντολές."
Η τεχνητή νοημοσύνη μπορεί επίσης να βοηθήσει στη διαχείριση αιτημάτων ρουτίνας από εισερχόμενα, όπως συμπληρώματα φαρμάκων και ειδοποίηση αποτελεσμάτων.Μπορεί επίσης να βοηθήσει στην ιεράρχηση εργασιών που χρειάζονται πραγματικά την προσοχή των γιατρών, διευκολύνοντας τους ασθενείς να επεξεργάζονται τις λίστες υποχρεώσεών τους, πρόσθεσε ο Landman.
5.Κίνδυνος ανθεκτικότητας στα αντιβιοτικά
Η αντίσταση στα αντιβιοτικά είναι μια αυξανόμενη απειλή για τον άνθρωπο, επειδή η υπερβολική χρήση αυτών των βασικών φαρμάκων μπορεί να οδηγήσει στην εξέλιξη των υπερβακτηρίων που δεν ανταποκρίνονται πλέον στη θεραπεία.Τα πολυανθεκτικά βακτήρια μπορεί να προκαλέσουν σοβαρή βλάβη στο νοσοκομειακό περιβάλλον, σκοτώνοντας δεκάδες χιλιάδες ασθενείς κάθε χρόνο.Μόνο το Clostridium difficile κοστίζει περίπου 5 δισεκατομμύρια δολάρια το χρόνο στο σύστημα υγείας των ΗΠΑ και προκαλεί περισσότερους από 30.000 θανάτους.
Τα δεδομένα EHR βοηθούν στον εντοπισμό προτύπων λοίμωξης και τονίζουν τον κίνδυνο πριν ο ασθενής αρχίσει να εμφανίζει συμπτώματα.Η χρήση εργαλείων μηχανικής μάθησης και τεχνητής νοημοσύνης για την προώθηση αυτών των αναλύσεων μπορεί να βελτιώσει την ακρίβειά τους και να δημιουργήσει ταχύτερες και ακριβέστερες ειδοποιήσεις για τους παρόχους υγειονομικής περίθαλψης.
«Τα εργαλεία τεχνητής νοημοσύνης μπορούν να ανταποκριθούν στις προσδοκίες για τον έλεγχο των λοιμώξεων και την αντοχή στα αντιβιοτικά», δήλωσε η Δρ Erica Shenoy, αναπληρώτρια διευθύντρια ελέγχου λοιμώξεων στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH).Αν δεν το κάνουν, τότε όλοι θα αποτύχουν.Επειδή τα νοσοκομεία διαθέτουν πολλά δεδομένα EHR, εάν δεν τα αξιοποιήσουν πλήρως, εάν δεν δημιουργήσουν βιομηχανίες που είναι πιο έξυπνες και ταχύτερες στο σχεδιασμό κλινικών δοκιμών και εάν δεν χρησιμοποιούν EHR που δημιουργούν αυτά τα δεδομένα, θα αντιμετωπίσουν αποτυχία."
6.Δημιουργήστε ακριβέστερη ανάλυση για παθολογικές εικόνες
Ο Δρ Jeffrey Golden, επικεφαλής του τμήματος παθολογίας στο Brigham Women's Hospital (BWh) και καθηγητής παθολογίας στο HMS, είπε ότι οι παθολόγοι παρέχουν μία από τις πιο σημαντικές πηγές διαγνωστικών δεδομένων για ένα πλήρες φάσμα παρόχων ιατρικών υπηρεσιών.
«Το 70% των αποφάσεων για την υγειονομική περίθαλψη βασίζονται σε παθολογικά αποτελέσματα και μεταξύ 70% και 75% όλων των δεδομένων στα ΗΜΥ προέρχονται από παθολογικά αποτελέσματα», είπε.Και όσο πιο ακριβή είναι τα αποτελέσματα, τόσο πιο γρήγορα θα γίνει η σωστή διάγνωση.Αυτός είναι ο στόχος που η ψηφιακή παθολογία και η τεχνητή νοημοσύνη έχουν την ευκαιρία να επιτύχουν."
Η ανάλυση σε βάθος σε επίπεδο pixel σε μεγάλες ψηφιακές εικόνες επιτρέπει στους γιατρούς να αναγνωρίζουν λεπτές διαφορές που μπορεί να διαφεύγουν από τα ανθρώπινα μάτια.
"Έχουμε φτάσει τώρα στο σημείο όπου μπορούμε να αξιολογήσουμε καλύτερα εάν ο καρκίνος θα αναπτυχθεί γρήγορα ή αργά και πώς να αλλάξουμε τη θεραπεία των ασθενών με βάση αλγόριθμους και όχι κλινικά στάδια ή ιστοπαθολογική βαθμολόγηση", δήλωσε ο Golden.Θα είναι ένα τεράστιο βήμα προς τα εμπρός."
Πρόσθεσε, "Η τεχνητή νοημοσύνη μπορεί επίσης να βελτιώσει την παραγωγικότητα εντοπίζοντας χαρακτηριστικά ενδιαφέροντος στις διαφάνειες πριν οι κλινικοί γιατροί εξετάσουν τα δεδομένα. Η τεχνητή νοημοσύνη μπορεί να φιλτράρει τις διαφάνειες και να μας καθοδηγήσει να δούμε το σωστό περιεχόμενο, ώστε να μπορούμε να αξιολογήσουμε τι είναι σημαντικό και τι όχι. Αυτό βελτιώνει την αποτελεσματικότητα της χρήσης των Παθολόγων και αυξάνει την αξία της μελέτης τους για κάθε περίπτωση».
Φέρτε νοημοσύνη σε ιατρικές συσκευές και μηχανήματα
Οι έξυπνες συσκευές καταλαμβάνουν καταναλωτικά περιβάλλοντα και παρέχουν συσκευές που κυμαίνονται από βίντεο σε πραγματικό χρόνο μέσα στο ψυγείο μέχρι αυτοκίνητα που ανιχνεύουν την απόσπαση της προσοχής του οδηγού.
Σε ένα ιατρικό περιβάλλον, οι έξυπνες συσκευές είναι απαραίτητες για την παρακολούθηση ασθενών σε ΜΕΘ και αλλού.Η χρήση τεχνητής νοημοσύνης για την ενίσχυση της ικανότητας αναγνώρισης της επιδείνωσης της κατάστασης, όπως η ένδειξη ότι αναπτύσσεται σήψη ή η αντίληψη των επιπλοκών μπορεί να βελτιώσει σημαντικά τα αποτελέσματα και μπορεί να μειώσει το κόστος θεραπείας.
«Όταν μιλάμε για ενσωμάτωση διαφορετικών δεδομένων στο σύστημα υγειονομικής περίθαλψης, πρέπει να ενσωματώσουμε και να ειδοποιήσουμε τους γιατρούς της ΜΕΘ να επέμβουν όσο το δυνατόν νωρίτερα και ότι η συγκέντρωση αυτών των δεδομένων δεν είναι καλό που μπορούν να κάνουν οι άνθρωποι γιατροί», δήλωσε ο Mark Michalski. , εκτελεστικός διευθυντής του Επιστημονικού Κέντρου κλινικών δεδομένων στο BWh.Η εισαγωγή έξυπνων αλγορίθμων σε αυτές τις συσκευές μειώνει τη γνωστική επιβάρυνση των γιατρών και διασφαλίζει ότι οι ασθενείς αντιμετωπίζονται όσο το δυνατόν έγκαιρα."
8. προώθηση της ανοσοθεραπείας για τη θεραπεία του καρκίνου
Η ανοσοθεραπεία είναι ένας από τους πιο πολλά υποσχόμενους τρόπους αντιμετώπισης του καρκίνου.Χρησιμοποιώντας το ανοσοποιητικό σύστημα του ίδιου του σώματος για να επιτεθεί σε κακοήθεις όγκους, οι ασθενείς μπορεί να είναι σε θέση να ξεπεράσουν τους επίμονους όγκους.Ωστόσο, μόνο λίγοι ασθενείς ανταποκρίνονται στο τρέχον σχήμα ανοσοθεραπείας και οι ογκολόγοι εξακολουθούν να μην έχουν μια ακριβή και αξιόπιστη μέθοδο για να καθορίσουν ποιοι ασθενείς θα ωφεληθούν από το σχήμα.
Οι αλγόριθμοι μηχανικής μάθησης και η ικανότητά τους να συνθέτουν εξαιρετικά πολύπλοκα σύνολα δεδομένων μπορεί να είναι σε θέση να αποσαφηνίσουν τη μοναδική γονιδιακή σύνθεση των ατόμων και να παρέχουν νέες επιλογές για στοχευμένη θεραπεία.
«Πρόσφατα, η πιο συναρπαστική εξέλιξη ήταν οι αναστολείς σημείων ελέγχου, οι οποίοι μπλοκάρουν τις πρωτεΐνες που παράγονται από ορισμένα κύτταρα του ανοσοποιητικού», εξηγεί ο Δρ Λονγκ Λε, διευθυντής υπολογιστικής παθολογίας και ανάπτυξης τεχνολογίας στο ολοκληρωμένο διαγνωστικό κέντρο του Γενικού Νοσοκομείου της Μασαχουσέτης (MGH).Αλλά ακόμα δεν καταλαβαίνουμε όλα τα προβλήματα, κάτι που είναι πολύ περίπλοκο.Χρειαζόμαστε σίγουρα περισσότερα δεδομένα ασθενών.Αυτές οι θεραπείες είναι σχετικά νέες, επομένως δεν τις λαμβάνουν πολλοί ασθενείς.Επομένως, είτε χρειάζεται να ενσωματώσουμε δεδομένα σε έναν οργανισμό είτε σε πολλούς οργανισμούς, θα είναι βασικός παράγοντας για την αύξηση του αριθμού των ασθενών που θα οδηγήσουν τη διαδικασία μοντελοποίησης."
9. Μετατρέψτε τα ηλεκτρονικά αρχεία υγείας σε αξιόπιστους προγνωστικούς κινδύνους
Ο ηλεκτρονικός φάκελος υγείας (αυτή) είναι ένας θησαυρός δεδομένων ασθενών, αλλά είναι μια συνεχής πρόκληση για τους παρόχους και τους προγραμματιστές να εξάγουν και να αναλύουν μεγάλο όγκο πληροφοριών με ακριβή, έγκαιρο και αξιόπιστο τρόπο.
Τα προβλήματα ποιότητας και ακεραιότητας δεδομένων, σε συνδυασμό με σύγχυση μορφής δεδομένων, δομημένη και αδόμητη εισαγωγή και ελλιπή αρχεία, καθιστούν δύσκολο για τους ανθρώπους να κατανοήσουν με ακρίβεια πώς να πραγματοποιήσουν ουσιαστική διαστρωμάτωση κινδύνου, προγνωστική ανάλυση και υποστήριξη κλινικών αποφάσεων.
Ο Δρ Ziad OBERMEYER, επίκουρος καθηγητής επείγουσας ιατρικής στο Brigham Women's Hospital (BWh) και επίκουρος καθηγητής στην Ιατρική Σχολή του Χάρβαρντ (HMS), είπε, "υπάρχει σκληρή δουλειά να γίνει για να ενσωματωθούν δεδομένα σε ένα μέρος. Αλλά ένα άλλο πρόβλημα είναι να κατανοήσουμε τι παίρνουν οι άνθρωποι όταν προβλέπουν μια ασθένεια στο ηλεκτρονικό αρχείο υγείας (αυτήν). Οι άνθρωποι μπορεί να ακούσουν ότι οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να προβλέψουν την κατάθλιψη ή το εγκεφαλικό, αλλά διαπιστώνουν ότι στην πραγματικότητα προβλέπουν αύξηση του κόστους του εγκεφαλικού. Είναι πολύ διαφορετικό από το εγκεφαλικό ίδιο».
Συνέχισε, "η βάση των αποτελεσμάτων της μαγνητικής τομογραφίας φαίνεται να παρέχει ένα πιο συγκεκριμένο σύνολο δεδομένων. Αλλά τώρα πρέπει να σκεφτούμε ποιος μπορεί να αντέξει οικονομικά την μαγνητική τομογραφία; Άρα η τελική πρόβλεψη δεν είναι το αναμενόμενο αποτέλεσμα".
Η ανάλυση NMR έχει δημιουργήσει πολλά επιτυχημένα εργαλεία βαθμολόγησης κινδύνου και διαστρωμάτωσης, ειδικά όταν οι ερευνητές χρησιμοποιούν τεχνικές βαθιάς μάθησης για να εντοπίσουν νέες συνδέσεις μεταξύ φαινομενικά άσχετων συνόλων δεδομένων.
Ωστόσο, η OBERMEYER πιστεύει ότι η διασφάλιση ότι αυτοί οι αλγόριθμοι δεν εντοπίζουν τις προκαταλήψεις που κρύβονται στα δεδομένα είναι ζωτικής σημασίας για την ανάπτυξη εργαλείων που μπορούν πραγματικά να βελτιώσουν την κλινική φροντίδα.
«Η μεγαλύτερη πρόκληση είναι να βεβαιωθούμε ότι γνωρίζουμε ακριβώς τι είχαμε προβλέψει πριν αρχίσουμε να ανοίγουμε το μαύρο κουτί και να δούμε πώς να προβλέψουμε», είπε.
10.Παρακολούθηση της κατάστασης της υγείας μέσω φορητών συσκευών και προσωπικών συσκευών
Σχεδόν όλοι οι καταναλωτές μπορούν πλέον να χρησιμοποιούν αισθητήρες για τη συλλογή δεδομένων σχετικά με την αξία της υγείας.Από smartphone με step tracker έως φορητές συσκευές που παρακολουθούν τον καρδιακό ρυθμό όλη μέρα, μπορούν να δημιουργηθούν όλο και περισσότερα δεδομένα σχετικά με την υγεία ανά πάσα στιγμή.
Η συλλογή και η ανάλυση αυτών των δεδομένων και η συμπλήρωση των πληροφοριών που παρέχονται από τους ασθενείς μέσω εφαρμογών και άλλων συσκευών παρακολούθησης στο σπίτι μπορεί να προσφέρει μια μοναδική προοπτική για την υγεία του ατόμου και του πλήθους.
Η τεχνητή νοημοσύνη θα παίξει σημαντικό ρόλο στην εξαγωγή πρακτικών πληροφοριών από αυτήν τη μεγάλη και ποικιλόμορφη βάση δεδομένων.
Όμως ο Δρ. Omar Arnout, νευροχειρουργός στο Brigham Women's Hospital (BWh), διευθυντής CO του κέντρου υπολογιστικών αποτελεσμάτων νευροεπιστήμης, είπε ότι μπορεί να χρειαστεί πρόσθετη δουλειά για να βοηθηθούν οι ασθενείς να προσαρμοστούν σε αυτά τα οικεία, συνεχή δεδομένα παρακολούθησης.
«Ήμασταν αρκετά ελεύθεροι να επεξεργαζόμαστε ψηφιακά δεδομένα», είπε.Καθώς όμως συμβαίνουν διαρροές δεδομένων στο Cambridge analytics και στο Facebook, οι άνθρωποι θα είναι όλο και πιο προσεκτικοί σχετικά με το ποιος θα μοιραστεί τα δεδομένα που μοιράζονται."
Οι ασθενείς τείνουν να εμπιστεύονται τους γιατρούς τους περισσότερο από μεγάλες εταιρείες όπως το Facebook, πρόσθεσε, κάτι που θα μπορούσε να βοηθήσει στην ανακούφιση της ταλαιπωρίας της παροχής δεδομένων για ερευνητικά προγράμματα μεγάλης κλίμακας.
"Είναι πιθανό ότι τα φορητά δεδομένα θα έχουν σημαντικό αντίκτυπο επειδή η προσοχή των ανθρώπων είναι πολύ τυχαία και τα δεδομένα που συλλέγονται είναι πολύ χονδροειδή", είπε ο Arnout.Με τη συνεχή συλλογή αναλυτικών δεδομένων, τα δεδομένα είναι πιο πιθανό να βοηθήσουν τους γιατρούς να φροντίζουν καλύτερα τους ασθενείς."
11.κάντε τα έξυπνα τηλέφωνα ένα ισχυρό διαγνωστικό εργαλείο
Οι ειδικοί πιστεύουν ότι οι εικόνες που λαμβάνονται από έξυπνα τηλέφωνα και άλλους πόρους σε επίπεδο καταναλωτή θα γίνουν ένα σημαντικό συμπλήρωμα στην κλινική ποιοτική απεικόνιση, ειδικά σε υποεξυπηρετούμενες περιοχές ή αναπτυσσόμενες χώρες, συνεχίζοντας να χρησιμοποιούν τις ισχυρές λειτουργίες των φορητών συσκευών.
Η ποιότητα της κινητής κάμερας βελτιώνεται κάθε χρόνο και μπορεί να δημιουργήσει εικόνες που μπορούν να χρησιμοποιηθούν για ανάλυση αλγορίθμου AI.Η δερματολογία και η οφθαλμολογία είναι πρώιμοι ωφελούμενοι αυτής της τάσης.
Βρετανοί ερευνητές έχουν αναπτύξει ακόμη και ένα εργαλείο για τον εντοπισμό των αναπτυξιακών ασθενειών αναλύοντας εικόνες παιδικών προσώπων.Ο αλγόριθμος μπορεί να ανιχνεύσει διακριτά χαρακτηριστικά, όπως η γραμμή της κάτω γνάθου των παιδιών, η θέση των ματιών και της μύτης και άλλα χαρακτηριστικά που μπορεί να υποδηλώνουν ανωμαλίες του προσώπου.Προς το παρόν, το εργαλείο μπορεί να ταιριάξει κοινές εικόνες με περισσότερες από 90 ασθένειες για να παρέχει υποστήριξη κλινικών αποφάσεων.
Ο Δρ Hadi Shafiee, διευθυντής του εργαστηρίου μικρο/νανοϊατρικής και ψηφιακής υγείας στο Brigham Women's Hospital (BWh), δήλωσε: "Οι περισσότεροι άνθρωποι είναι εξοπλισμένοι με ισχυρά κινητά τηλέφωνα με πολλούς διαφορετικούς ενσωματωμένους αισθητήρες. Είναι μια εξαιρετική ευκαιρία για εμάς. Σχεδόν όλοι Οι παίκτες της βιομηχανίας έχουν αρχίσει να κατασκευάζουν λογισμικό και υλικό Ai στις συσκευές τους. Δεν είναι τυχαίο. Στον ψηφιακό μας κόσμο, παράγονται περισσότερα από 2,5 εκατομμύρια terabyte δεδομένων κάθε μέρα. Στον τομέα των κινητών τηλεφώνων, οι κατασκευαστές πιστεύουν ότι μπορούν να το χρησιμοποιήσουν δεδομένα για την τεχνητή νοημοσύνη για την παροχή πιο εξατομικευμένων, ταχύτερων και πιο έξυπνων υπηρεσιών».
Η χρήση έξυπνων τηλεφώνων για τη συλλογή εικόνων ματιών ασθενών, δερματικών βλαβών, τραυμάτων, λοιμώξεων, φαρμάκων ή άλλων θεμάτων μπορεί να βοηθήσει στην αντιμετώπιση της έλλειψης ειδικών σε υποεξυπηρετούμενες περιοχές, μειώνοντας παράλληλα τον χρόνο για τη διάγνωση ορισμένων παραπόνων.
«Μπορεί να υπάρξουν κάποια σημαντικά γεγονότα στο μέλλον και μπορούμε να εκμεταλλευτούμε αυτήν την ευκαιρία για να λύσουμε ορισμένα σημαντικά προβλήματα διαχείρισης ασθενειών στο σημείο περίθαλψης», είπε ο Shafiee
12. Καινοτόμος λήψη κλινικών αποφάσεων με AI δίπλα στο κρεβάτι
Καθώς ο κλάδος της υγειονομικής περίθαλψης στρέφεται σε υπηρεσίες με χρέωση, απομακρύνεται όλο και περισσότερο από την παθητική υγειονομική περίθαλψη.Η πρόληψη πριν από χρόνια νόσο, οξείες ασθένειες και ξαφνική επιδείνωση είναι ο στόχος κάθε παρόχου και η δομή αποζημίωσης του επιτρέπει τελικά να αναπτύξει διαδικασίες που μπορούν να επιτύχουν ενεργή και προγνωστική παρέμβαση.
Η τεχνητή νοημοσύνη θα παρέχει πολλές βασικές τεχνολογίες για αυτήν την εξέλιξη, υποστηρίζοντας προγνωστική ανάλυση και εργαλεία υποστήριξης κλινικών αποφάσεων, για την επίλυση προβλημάτων προτού οι πάροχοι συνειδητοποιήσουν την ανάγκη να αναλάβουν δράση.Η τεχνητή νοημοσύνη μπορεί να παρέχει έγκαιρη προειδοποίηση για επιληψία ή σήψη, η οποία συνήθως απαιτεί εις βάθος ανάλυση εξαιρετικά πολύπλοκων συνόλων δεδομένων.
Ο Brandon Westover, MD, διευθυντής κλινικών δεδομένων στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH), είπε ότι η μηχανική μάθηση θα μπορούσε επίσης να βοηθήσει στη στήριξη της συνεχούς παροχής περίθαλψης σε βαρέως πάσχοντες ασθενείς, όπως εκείνους που βρίσκονται σε κώμα μετά από καρδιακή ανακοπή.
Εξήγησε ότι υπό κανονικές συνθήκες, οι γιατροί πρέπει να ελέγχουν τα δεδομένα ηλεκτροεγκεφαλογραφήματος αυτών των ασθενών.Αυτή η διαδικασία είναι χρονοβόρα και υποκειμενική και τα αποτελέσματα μπορεί να διαφέρουν ανάλογα με τις δεξιότητες και την εμπειρία των κλινικών γιατρών.
Είπε: «Σε αυτούς τους ασθενείς, η τάση μπορεί να είναι αργή.Μερικές φορές, όταν οι γιατροί θέλουν να δουν εάν κάποιος αναρρώνει, μπορεί να εξετάσουν τα δεδομένα που παρακολουθούνται μία φορά κάθε 10 δευτερόλεπτα.Ωστόσο, για να δούμε αν έχει αλλάξει από 10 δευτερόλεπτα δεδομένων που συλλέχθηκαν σε 24 ώρες είναι σαν να κοιτάμε αν στο μεταξύ έχουν μεγαλώσει τα μαλλιά.Ωστόσο, εάν χρησιμοποιηθούν αλγόριθμοι τεχνητής νοημοσύνης και μεγάλος όγκος δεδομένων από πολλούς ασθενείς, θα είναι ευκολότερο να αντιστοιχιστεί αυτό που βλέπουν οι άνθρωποι με μακροπρόθεσμα πρότυπα και ενδέχεται να βρεθούν κάποιες ανεπαίσθητες βελτιώσεις, οι οποίες θα επηρεάσουν τη λήψη αποφάσεων των γιατρών στη νοσηλευτική ."
Η χρήση τεχνολογίας τεχνητής νοημοσύνης για υποστήριξη κλινικών αποφάσεων, βαθμολόγηση κινδύνου και έγκαιρη προειδοποίηση είναι ένας από τους πιο πολλά υποσχόμενους τομείς ανάπτυξης αυτής της επαναστατικής μεθόδου ανάλυσης δεδομένων.
Παρέχοντας δύναμη για μια νέα γενιά εργαλείων και συστημάτων, οι κλινικοί γιατροί μπορούν να κατανοήσουν καλύτερα τις αποχρώσεις της ασθένειας, να παρέχουν νοσηλευτικές υπηρεσίες πιο αποτελεσματικά και να λύσουν προβλήματα εκ των προτέρων.Η τεχνητή νοημοσύνη θα εγκαινιάσει μια νέα εποχή βελτίωσης της ποιότητας της κλινικής θεραπείας και θα κάνει συναρπαστικές ανακαλύψεις στη φροντίδα των ασθενών.
Ώρα δημοσίευσης: Αύγ-06-2021
