Saturs
- Medicīniskā attēlveidošana
- Elektroniskā medicīniskā dokumentācija (EMR)
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Klīnisko lēmumu atbalsts (CDS)
- Zāļu izstrāde
- Lēciens nākotnē
- Vārds gudrajam
Avots: video ārsts / iStockphoto
Izņemšana:
AI ļauj medicīnas tehnoloģijām progresēt arvien straujāk. Šeit ir daži no jaunākajiem atklājumiem.
Mākslīgais intelekts daudzos neiedomājamajos veidos revolūciju mūsu pasaulē. Uz ceturtās rūpnieciskās revolūcijas sliekšņa cilvēce šobrīd ir aculiecinieku pirmajiem soļiem, ko mašīnas veikušas, lai izgudrotu pasauli, kurā mēs dzīvojam. Un, kamēr mēs diskutējam par iespējamiem trūkumiem un priekšrocībām, ko cilvēkiem var aizstāt ar inteliģentām, pašmācības mašīnām, viena joma, kurā AI pozitīvā ietekme noteikti uzlabos mūsu dzīves kvalitāti: veselības aprūpes nozare.
Medicīniskā attēlveidošana
Mašīnmācīšanās algoritmi vienā mirklī var apstrādāt neiedomājamu informācijas daudzumu. Un tie var būt daudz precīzāki nekā cilvēki, nosakot pat vissīkākās detaļas medicīnas attēlu ziņojumos, piemēram, mammogrammās un CT skenēšanā.
Uzņēmums Zebra Medical Vision izstrādāja jaunu platformu ar nosaukumu Profound ar visu veidu medicīnisko attēlveidošanas pārskatu algoritmu balstītu analīzi, kas ar 90 procentiem spēj atrast visas potenciālo stāvokļu pazīmes, piemēram, osteoporozi, krūts vēzi, aortas aneirismas un daudz ko citu. precizitātes pakāpe. Un tās dziļās mācīšanās iespējas ir apmācītas, lai pārbaudītu citu slimību slēptos simptomus, kurus veselības aprūpes sniedzējs, iespējams, nav meklējis. Citi dziļās apmācības tīkli pat nopelnīja 100 procentu precizitātes punktu, atklājot dažu īpaši letālu krūts vēža formu klātbūtni biopsijas priekšmetstikliņos.
Datorizēta analīze ir tik daudz efektīvāka (un lētāka nekā) datu vai attēlu interpretācija nekā cilvēkiem, ka daži pat ir iebilduši, ka nākotnē varētu kļūt neētiski neaizstāt AI dažās profesijās, piemēram, radiologos un patologos! (Lai uzzinātu vairāk par IT medicīnā, skat. IT lomu medicīniskajā diagnostikā.)
Elektroniskā medicīniskā dokumentācija (EMR)
Elektronisko medicīnisko dokumentāciju (EMR) ietekme uz veselības informācijas tehnoloģijām ir viena no pretrunīgākajām diskusiju tēmām pēdējās desmitgades laikā. Saskaņā ar dažiem pētījumiem tie ir pagrieziena punkts aprūpes kvalitātes uzlabošanā, vienlaikus palielinot produktivitāti un savlaicīgumu. Tomēr daudziem veselības aprūpes pakalpojumu sniedzējiem tie bija apgrūtinoši un grūti izmantojami, izraisot ievērojamu tehnoloģiju pretestību un plaši izplatītu neefektivitāti. Vai jaunākā AI virzītā programmatūra varētu nonākt glābšanā daudzajiem ārstiem, medmāsām un farmaceitiem, kuri katru dienu nemierīgi izturas pret EMR nepatīkamo klupšanu?
Viena no lielākajām šīs jaunās veselības aprūpes tehnoloģijas problēmām ir tā, ka tā liek ārstiem tērēt pārāk daudz sava dārgā laika, veicot atkārtotus uzdevumus. AI tos var viegli automatizēt, piemēram, vizītes laikā izmantojot runas atpazīšanu, lai ierakstītu katru detaļu, kamēr ārsts sarunājas ar pacientu. Diagrammās var iekļaut un iekļaus daudz sīkāku informāciju, ko varētu savākt no dažādiem avotiem, piemēram, valkājamām ierīcēm un ārējiem sensoriem, un AI tos ievadīs tieši EMR.
Bet, pārejot no pirmā datu vākšanas posma, kad pietiekami būtiska informācija ir pareizi izprotama un ekstrapolēta ar dziļiem mācību algoritmiem, to var izmantot, lai daudzos veidos palīdzētu uzlabot aprūpes kvalitāti. Tas var uzlabot pacientu izturēšanos pret ārstēšanu un samazināt novēršamos gadījumus vai pat palīdzēt ārstiem, izmantojot paredzamo AI analītiku, ārstējot dārgas, dzīvībai bīstamas slimības. Vienkārši nosaucot praktisku piemēru, nesen JAMA tīklā publicētajā pētījumā tika atklāts, kā lielie dati, kas iegūti no EMR un kurus sagremoja AI Kalifornijas universitātē, Sanfrancisko veselības aprūpē, palīdzēja ārstēt potenciāli letālu Clostridium difficile (C. dif. ) infekcijas.
Un tas ir viegli pamanāms, cik daudz medicīnisko ierakstu ieguves būs nākamā “lielā lieta” veselības aprūpē, kad neviens cits kā Google uzsāka savu Google DeepMind Health projektu, lai uzlabotu aprūpes pieejamības ātrumu, kvalitāti un vienlīdzīgumu.
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
Klīnisko lēmumu atbalsts (CDS)
Vēl viens interesants dziļās mācīšanās piemērs var palīdzēt mašīnām pieņemt labākus lēmumus nekā viņu kolēģi cilvēkam ir klīnisko lēmumu atbalsta (CDS) rīku izplatīšana.
Šie rīki parasti tiek iebūvēti EMR sistēmā, lai palīdzētu ārstiem viņu darbā, iesakot labāko ārstēšanas kursu, brīdinot par iespējamām briesmām, piemēram, farmakoloģisko mijiedarbību vai iepriekšējiem stāvokļiem, un analizējot pat vissīkākās detaļas pacienta veselības vēsturē.
Interesants piemērs ir MatrixCare, programmatūras māja, kas spēja integrēt Microsofts slaveno AI Cortana savā rīkā, ko izmanto pansionātu pārvaldīšanai. Mašīnmācīšanās dzinēja spēcīgās analīzes iespējas nesamērīgi stiprināja atbalsta rīku lēmumu pieņemšanas spējas.
“Viens ārsts var lasīt medicīnas žurnālu varbūt divas reizes mēnesī,” skaidroja izpilddirektors Džons Damgaards. “Cortana var izlasīt katru vēža pētījumu, kas publicēts vēsturē pirms pusdienlaika un līdz plkst. 15:00. sniedz pacientiem specifiskus ieteikumus par aprūpes plāniem un uzlabo rezultātus. ”
CDS izvirza arī argumentu, ka mašīnas spēj savstarpēji sazināties daudz labāk nekā cilvēki. Proti, visas medicīnas ierīces var savienot ar internetu tāpat kā jebkuru citu lietu interneta (IoT) ierīci (valkājamas lietas, monitorus, gultas sensorus utt.), Kā arī ar EMR programmatūru. Savietojamība ir kritisks mūsdienu veselības aprūpes jautājums, jo aprūpes sadrumstalotības nodrošināšana ir galvenais neatbilstošas ārstēšanas un palielinātas hospitalizācijas iemesls. Ja viedo AI vada, dažādās EMR platformas var “sarunāties” savā starpā ar interneta starpniecību, palielinot sadarbību un sadarbību starp dažādām palātām un pat dažādām veselības aprūpes iestādēm.
Zāļu izstrāde
Jaunu zāļu izstrāde, izmantojot klīniskos pētījumus, bieži ir ļoti dārga lieta. Ne tikai laika (runājot par gadu desmitiem) un ieguldīto dolāru izteiksmē (izmaksas var viegli sasniegt pat vairākus miljardus dolāru), bet arī cilvēku dzīvības. Daudziem jauniem medikamentiem faktiski ir vajadzīgi daudzu gadu papildu pārbaudījumi reālās pasaules pacientiem tā dēvētajā pēcreģistrācijas periodā, un tas nav tik reti, ka daudzas nopietnas (vai pat nāvējošas) blakusparādības tiek atklātas daudzus gadus pēc medikamenta ievadīšanas. palaists.
Atkal efektīva ar superdatoru darbināma AI var iznīdēt jaunas zāles no molekulāro struktūru datu bāzes, kuras neviens cilvēks nekad neuzdrošinājās analizēt. Izcils piemērs ir Atomwises AI, kas spēja paredzēt divas zāles, kas varētu apturēt Ebolas vīrusa epidēmiju. Nepilnas dienas laikā viņu virtuālajā meklēšanā izdevās atrast divas drošas, jau esošas zāles, kuras varēja pārpludināt, lai apkarotu nāvējošo vīrusu. Vislabākais ir tas, ka viņi atrada veidu, kā efektīvi reaģēt uz pandēmijas ārkārtas situāciju, vienkārši skenējot ar zālēm, kuras jau gadiem ilgi tika pārdotas pacientiem, pierādot viņu drošību. (Lai uzzinātu vairāk par to, kā tehnoloģija virza zāļu attīstību, skatiet sadaļu Lielo datu ietekme medicīnā un farmācijā.)
Lēciens nākotnē
Dažas no pārsteidzošākajām tehnoloģijām vēl nav gatavas, tās nav nekas vairāk kā tikai prototipi, taču to nozīme ir tik elpu aizraujoša, ka tās joprojām ir pieminēšanas vērtas.
Viens no tiem ir precīzās medicīnas nozare, kas ir patiešām ambicioza disciplīna, kurā tiek izmantoti dziļi genomikas algoritmi, lai skenētu pacienta DNS, meklējot mutācijas un anomālijas, kas varētu būt saistītas ar tādām slimībām kā vēzis. Cilvēki, piemēram, Kreigs Venters, viens no Cilvēka genoma projekta tēviem, šobrīd strādā pie jaunas paaudzes skaitļošanas tehnoloģijām, kas var paredzēt jebkādas ģenētiskas izmaiņas, bruģējot ceļu uz individualizētu ārstēšanu un daudzu novēršamu slimību agrīnu atklāšanu.
Vārds gudrajam
Lai cik satraukti mēs varētu būt AI ieviešanas veselības aprūpē milzīgās iespējas, ir svarīgi saprast tās ierobežojumus. Izmantojot AI medicīnā, nepastāv riski, lai gan daudzus no tiem viegli pārvarēsim, kad būsim pieraduši.
Maksimums “nekaitēt” ir kritiski svarīgs, lai noteiktu dažus ētikas standartus, kas darbotos kā robežas. Šodien tika ieguldīts atbildībā par struktūras izveidi, uz kuras pamata nākamās paaudzes pieņems lēmumus.