Искусственный интеллект в здравоохранении уже способствует научным открытиям и активно его меняет. Использование ИИ становится обыденной реальностью во многих медицинских областях и специальностях (что быть голословным, почитайте новости). Искусственный интеллект помогает медицинским работникам намного быстрее и точнее принимать правильные решения в отношении пациентов, обрабатывая огромные объёмы данных. Ну а если быть конкретнее? Взгляните на 10 популярных примеров использования искусственного интеллекта в здравоохранении.
Как работает искусственный интеллект в здравоохранении
ИИ способен анализировать большие объемы данных, хранящихся в организациях здравоохранения в виде изображений, результатов клинических исследований и медицинских заявлений, а также может выявлять закономерности и идеи, которые часто невозможно обнаружить с помощью ручных навыков человека.
Алгоритмы ИИ «учат» идентифицировать и маркировать шаблоны данных, в то время как НЛП позволяет этим алгоритмам изолировать соответствующие данные. С DL данные анализируются и интерпретируются с помощью расширенных знаний компьютеров. Влияние этих инструментов огромно, учитывая, что анализ Frost & Sullivan показал , что искусственный интеллект и системы когнитивных вычислений в здравоохранении в этом году принесут с рынка 6,7 млрд долларов по сравнению с 811 млн долларов в 2015 году.
1. ИИ поддерживает анализ медицинских изображений
ИИ используется как инструмент для сортировки дел. Он поддерживает врача, просматривающего изображения и сканы. Это позволяет радиологам или кардиологам получать важную информацию для определения приоритетности критических случаев, избегать потенциальных ошибок при чтении электронных медицинских карт (EHR) и ставить более точные диагнозы.
Клиническое исследование может привести к огромным объемам данных и изображений, которые необходимо проверить. Алгоритмы ИИ могут анализировать эти наборы данных на высокой скорости и сравнивать их с другими исследованиями, чтобы выявлять закономерности и незаметные взаимосвязи. Этот процесс позволяет специалистам по медицинской визуализации быстро отслеживать важную информацию.
Например, компании Hardin Memorial Health (HMH) нужно было найти способ извлечения соответствующих данных из электронных медицинских карт в концентрированной форме для специалистов по визуализации. Отделение неотложной помощи больницы (ER) обслуживало более 70 000 пациентов в год и решило стать партнером IBM для реализации «The Patient Synopsis». Этот продукт идентифицирует информацию о пациенте, относящуюся к процедуре визуализации, проводимой на этом пациенте.
Patient Synopsis копается в прошлых диагностических и медицинских процедурах, результатах лабораторных исследований, истории болезни и существующих аллергиях, а также предоставляет рентгенологам и кардиологам сводку, в которой основное внимание уделяется контексту этих изображений. Продукт можно интегрировать в любую системную структуру медсанчасти, получить доступ с любой коммуникационной рабочей станции или устройства в сети и модернизировать, не влияя на повседневную деятельность медсанчасти.
Обнаружение соответствующих проблем и представление их рентгенологам в удобном сводном виде позволяет разработать более индивидуальный, целенаправленный и точный отчет, используемый в процессе принятия диагностических решений.
2. ИИ может снизить стоимость разработки лекарств
Суперкомпьютеры использовались для предсказания на основе баз данных молекулярных структур, какие потенциальные лекарства будут и не будут эффективны при различных заболеваниях. Используя сверточные нейронные сети, технологию, аналогичную той, которая заставляет автомобили двигаться сами по себе, AtomNet смогла предсказать связывание малых молекул с белками, анализируя подсказки из миллионов экспериментальных измерений и тысяч белковых структур.
Этот процесс позволил сверточным нейронным сетям идентифицировать безопасное и эффективное лекарство-кандидат из найденной базы данных, что снизило стоимость разработки лекарства.
В 2015 году во время вспышки вируса Эбола в Западной Африке компания Atomwise в партнерстве с IBM и Университетом Торонто провела скрининг основных соединений, способных связываться с гликопротеином, предотвращающим проникновение вируса Эбола в клетки in vivo (в живом организме животного). или растение) тест. Из протестированных соединений было выбрано одно, поскольку оно действовало на другие вирусы с аналогичным механизмом проникновения в клетку. Этот анализ ИИ был проведен менее чем за день, процесс, который обычно занимал бы месяцы или годы, что позволило разработать лечение вируса Эбола.
3. ИИ анализирует неструктурированные данные
Клиницисты часто изо всех сил пытаются быть в курсе последних медицинских достижений, обеспечивая при этом качественную помощь, ориентированную на пациента, из-за огромного количества медицинских данных и медицинских карт. Электронные медицинские карты и биомедицинские данные, собранные медицинскими подразделениями и медицинскими работниками, могут быть быстро просканированы с помощью технологий машинного обучения, чтобы предоставить врачам быстрые и надежные ответы.
Во многих случаях медицинские данные и медицинские записи пациентов хранятся в виде сложных неструктурированных данных, что затрудняет их интерпретацию и доступ к ним. ИИ может искать, собирать, хранить и стандартизировать медицинские данные независимо от формата, помогая повторяющимся задачам и поддерживая клиницистов быстрыми, точными, индивидуальными планами лечения и лекарствами для своих пациентов, вместо того, чтобы быть погребенным под тяжестью поиска, идентификации, сбора и расшифровки. решения, которые им нужны, из кучи бумажных форматированных электронных медицинских карт.
4. ИИ создает сложные и консолидированные платформы для открытия лекарств.
Алгоритмы ИИ способны выявлять применение новых лекарств, отслеживая их токсический потенциал, а также механизмы их действия. Эта технология привела к созданию платформы для разработки лекарств , которая позволяет компании перепрофилировать существующие лекарства и биологически активные соединения.
Сочетая лучшие элементы биологии, науки о данных и химии с автоматизацией и последними достижениями в области искусственного интеллекта, компания-основатель этой платформы может генерировать около 80 терабайт биологических данных, которые еженедельно обрабатываются инструментами искусственного интеллекта в рамках 1,5 миллионов экспериментов.
Инструменты машинного обучения созданы для извлечения информации из наборов биологических данных, которые слишком сложны для интерпретации человеком, что снижает риск человеческой предвзятости. Выявление новых способов использования известных лекарств является привлекательной стратегией для крупных фармацевтических компаний, поскольку перепрофилировать и перепозиционировать существующие лекарства дешевле, чем создавать их с нуля.
5. ИИ может прогнозировать заболевание почек
Острое повреждение почек (ОПП) может быть трудно обнаружить клиницистам, но оно может привести к очень быстрому ухудшению состояния пациентов и стать опасным для жизни. По оценкам, 11% смертей в больницах происходят из-за неспособности выявить и вылечить пациентов, поэтому раннее прогнозирование и лечение этих случаев может иметь огромное значение для сокращения продолжительности лечения и стоимости диализа почек.
В 2019 году Департамент по делам ветеранов (VA) и DeepMind Health создали инструмент машинного обучения, который может прогнозировать ОПП на 48 часов вперед. Инструмент ИИ смог выявить более 90% случаев острого ОПП на 48 часов раньше, чем при использовании традиционных методов лечения.
Партнерство между VA и DeepMind Health продолжается. Его следующая цель — определить, как этот инструмент машинного обучения можно установить в медицинских учреждениях. Удобная платформа также предназначена для поддержки клиницистов в принятии решений о лечении, которые улучшат качество жизни ветеранов, страдающих ОПП.
6. ИИ оказывает ценную помощь персоналу скорой медицинской помощи
Во время внезапного сердечного приступа время между звонком 911 и прибытием скорой помощи имеет решающее значение для выздоровления. Для повышения шансов на выживание диспетчеры скорой помощи должны уметь распознавать симптомы остановки сердца, чтобы принять соответствующие меры. ИИ может анализировать как вербальные, так и невербальные подсказки, чтобы поставить диагноз на расстоянии.
Corti — это инструмент искусственного интеллекта, который помогает персоналу скорой помощи. Анализируя голос звонящего, фоновый шум и соответствующие данные из истории болезни пациента, Corti предупреждает персонал скорой помощи, если обнаруживает сердечный приступ. Как и другие технологии машинного обучения, Corti не ищет определенные сигналы, а обучается , прослушивая множество вызовов, чтобы обнаружить важные факторы.
Основываясь на этих знаниях, Corti совершенствует свою модель как непрерывный процесс. Технология, которой оснащена Corti, может обнаруживать разницу между фоновым шумом, таким как сирены, и подсказками от звонящего или звуками пациента на заднем плане.
В Копенгагене диспетчеры скорой помощи могут идентифицировать остановку сердца на основе описания, предоставленного звонившим, примерно в 73% случаев . Но ИИ может лучше. Небольшое исследование , проведенное в 2019 году, показало, что модели ML могли распознавать вызовы об остановке сердца лучше, чем диспетчеры-люди, с помощью программного обеспечения для распознавания речи, ML и других фоновых подсказок.
Машинное обучение может сыграть важную роль в поддержке персонала скорой медицинской помощи. В будущем медицинские подразделения могут использовать эту технологию для реагирования на экстренные вызовы с помощью дронов, оснащенных автоматическими дефибрилляторами, или добровольцев, прошедших обучение сердечно-легочной реанимации, что повысит шансы на выживание в случаях остановки сердца, происходящих в сообществе.
7. ИИ способствует исследованию и лечению рака, особенно в лучевой терапии.
В некоторых случаях при лучевой терапии может отсутствовать цифровая база данных для сбора и систематизации электронных медицинских карт, что затрудняет исследование и лечение рака. Чтобы помочь клиницистам принимать обоснованные решения относительно лучевой терапии онкологических больных, Oncora Medical предоставила платформу , которая собирает соответствующие медицинские данные пациентов, оценивает качество оказываемой помощи, оптимизирует лечение и предоставляет подробные онкологические результаты, данные и изображения.
Автоматическое создание клинических заметок, интегрированных с электронными картами, привело к сокращению времени, затрачиваемого врачами на управление документацией пациентов, что улучшает медицинские операции и результаты лечения.
8. ИИ использует собранные данные для прогнозной аналитики
Превращение электронных медицинских карт в прогностический инструмент на основе ИИ позволяет врачам более эффективно управлять своими рабочими процессами, принимать медицинские решения и планировать лечение. НЛП и МО могут прочитать всю историю болезни пациента в режиме реального времени, связать ее с симптомами, хроническими заболеваниями или болезнью, поражающей других членов семьи. Они могут превратить результат в инструмент прогнозной аналитики, который может выявить и вылечить болезнь до того, как она станет опасной для жизни.
По сути, можно прогнозировать хронические заболевания и отслеживать скорость их прогрессирования. CloudMedX — это компания, которая занимается декодированием неструктурированных данных — данных, хранящихся в виде заметок (заметки врача, сводки выписки, заметки о диагнозе и госпитализации и т. д.).
Эти заметки используются вместе с EHR в качестве источника для получения клинических идей для медицинских работников, что позволяет принимать решения на основе данных для улучшения результатов лечения пациентов. Решения CloudMedX уже применялись для лечения ряда заболеваний с высоким риском, таких как почечная недостаточность, пневмония, застойная сердечная недостаточность, гипертония, рак печени, диабет, ортопедическая хирургия и инсульт, с заявленной целью снижения затрат для пациентов и клиницистов путем оказания помощи на ранних стадиях. и точной диагностики пациентов.
9. ИИ ускоряет открытие и развитие генетической медицины
ИИ также используется для быстрого открытия и разработки медицины с высокой вероятностью успеха. Генетические заболевания вызываются измененными молекулярными фенотипами, такими как связывание белков. Прогнозирование этих изменений означает прогнозирование вероятности возникновения генетических заболеваний. Это возможно путем сбора данных обо всех идентифицированных соединениях и биомаркерах, имеющих отношение к определенным клиническим испытаниям.
Эти данные обрабатываются, например, системой ИИ Deep Genomics . Компания разрабатывает запатентованный искусственный интеллект и использует его для открытия новых методов устранения последствий генетических мутаций, а также для разработки индивидуальных методов лечения людей, страдающих редкими менделевскими и сложными заболеваниями.
Компания тестирует идентифицированные соединения, чтобы разработать более быструю генетическую медицину для состояний с высокой неудовлетворенной потребностью. Эксперты компании работают над « Проектом Сатурн », лекарственной системой, основанной на молекулярной биологии ИИ, которая оценивает более 69 миллиардов молекул олигонуклеотидов in silico (проведенных или полученных с помощью компьютерного моделирования или компьютерного моделирования) в сравнении с 1 миллионом целевых участков для того, чтобы контролировать клеточную биологию, чтобы раскрыть больший потенциал лечения и терапии.
Открытие и развитие генетической медицины приносит пользу пациентам и клиницистам за счет снижения затрат, связанных с лечением редких заболеваний.
10. ИИ поддерживает справедливость в отношении здоровья
Индустрия искусственного интеллекта и машинного обучения несет ответственность за разработку систем и инструментов здравоохранения, обеспечивающих справедливость и равенство как в науке о данных, так и в клинических исследованиях, чтобы обеспечить наилучшие возможные результаты для здоровья. При более широком использовании алгоритмов машинного обучения в различных областях медицины может возникнуть риск неравенства в отношении здоровья.
Те, кто отвечает за применение ИИ в здравоохранении, должны обеспечить не только точность алгоритмов ИИ, но и их объективность и справедливость. Поскольку многие руководства по клиническим испытаниям и диагностические тесты учитывают расу и этническую принадлежность пациента, возникли споры:
Основан ли выбор этих факторов на фактических данных? Могут ли данные о расовой и этнической принадлежности решить проблему всеобщего неравенства в отношении здоровья или увеличить ее? Установлено, что машинное обучение включает в себя набор методов, позволяющих компьютерам учиться на обрабатываемых ими данных. Это означает, что, по крайней мере в принципе, ML может давать объективные прогнозы, основанные только на беспристрастном анализе базовых данных.
Алгоритмы ИИ и МО можно обучить уменьшать или устранять предвзятость, способствуя прозрачности и разнообразию данных для уменьшения несправедливости в отношении здоровья. Медицинские исследования в области искусственного интеллекта и машинного обучения могут устранить различия в результатах для здоровья в зависимости от расы, этнической принадлежности или пола.
ВЫВОД
Внедрение ИИ в здравоохранение по-прежнему сталкивается с проблемами, такими как недоверие к результатам, предоставляемым системой машинного обучения, и необходимость выполнения определенных требований. Однако использование ИИ в здравоохранении уже принесло множество преимуществ заинтересованным сторонам здравоохранения.
Улучшая рабочие процессы и операции, помогая медицинскому и немедицинскому персоналу выполнять повторяющиеся задачи, помогая пользователям быстрее находить ответы на запросы и разрабатывая инновационные методы лечения и терапии, пациенты, плательщики, исследователи и клиницисты могут извлечь выгоду из использования ИИ в здравоохранении.