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 využití technologií k nasazení přesnějších, účinnějších a účinnějších intervencí v péči o pacienty.
S rozvojem technologií mají pacienti stále vyšší požadavky na lékaře a počet dostupných dat stále roste alarmujícím tempem.Umělá inteligence se stane motorem pro podporu 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, což umožňuje lékařům získat nebývalé poznatky o diagnóze, ošetřovatelském procesu, variabilitě léčby a výsledcích pacientů.
Na světovém fóru o lékařské inovaci umělé inteligence (wmif) 2018 pořádaném společností Partners Healthcare se výzkumní pracovníci a kliničtí odborníci 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, CO předsedkyně wmif v roce 2018, a Gregg Meyer, MD, hlavní akademický ředitel Partners Healthcare, uvedli, že tento druh „podvracení“ přivedený do každé průmyslové oblasti má potenciál přinést pacientům značné výhody a má široké potenciál obchodního úspěchu.
S pomocí odborníků z partnerské zdravotní péče, včetně Dr. Keitha Dreyera, profesora Harvardské lékařské fakulty (HMS), hlavního ředitele datové vědy partnerů, a Dr. Katherine andreole, ředitelky strategie výzkumu a operací v Massachusetts General Hospital (MGH) navrhl 12 způsobů, jak umělá inteligence způsobí revoluci v lékařských službách a vědě.
1.Sjednoťte myšlení a stroj prostřednictvím rozhraní mozku a počítače
Využití počítače ke komunikaci není nová myšlenka, ale vytvoření přímého rozhraní mezi technologií a lidským myšlením bez klávesnice, myši a displeje je hraniční výzkumná oblast, která má pro některé pacienty důležité uplatnění.
Nemoci nervového systému a traumata mohou způsobit, že někteří pacienti ztratí schopnost smysluplné konverzace, pohybu a interakce s ostatními a jejich prostředím.Mozkové počítačové rozhraní (BCI) podporované umělou inteligencí může obnovit tyto základní zkušenosti pacientům, kteří se obávají, že tyto funkce navždy ztratí.
"Pokud uvidím pacienta na jednotce intenzivní péče neurologie, který náhle ztratí schopnost jednat nebo mluvit, doufám, že mu příští den obnovím schopnost komunikovat," řekl Leigh Hochberg, MD, ředitel centra pro neurotechnologie a neurorehabilitaci Massachusetts General Hospital (MGH).Pomocí mozkového počítačového rozhraní (BCI) a umělé inteligence dokážeme aktivovat nervy související s pohybem ruky a měli bychom být schopni přimět pacienta, aby s ostatními komunikoval alespoň pětkrát během celé aktivity, např. pomocí všudypřítomných komunikačních technologií jako je např. jako tablety nebo mobilní telefony."
Mozkové počítačové rozhraní může výrazně zlepšit kvalitu života pacientů s amyotrofickou laterální sklerózou (ALS), mrtvicí nebo syndromem atrézie, stejně jako 500 000 pacientů s poraněním míchy na celém světě každý rok.
2. Vyvinout další generaci radiačních nástrojů
Radiační snímky získané magnetickou rezonancí (MRI), CT skenery a rentgenovými paprsky poskytují neinvazivní viditelnost do nitra lidského těla.Mnoho diagnostických postupů však stále závisí na fyzických vzorcích tkáně získaných biopsií, u kterých existuje riziko infekce.
Odborníci předpovídají, že v některých případech umožní umělá inteligence další generaci radiologických nástrojů, aby byly přesné a dostatečně podrobné, aby nahradily poptávku po vzorcích živých tkání.
Alexandra golby, MD, ředitelka obrazem řízené neurochirurgie v Brigham Women's Hospital (BWh), řekla: „Chceme přivést tým diagnostického zobrazování dohromady s chirurgy nebo intervenčními radiology a patology, ale pro různé týmy je to obrovská výzva dosáhnout spolupráce. a konzistentnost cílů. Pokud chceme, aby radiologie poskytovala informace aktuálně dostupné ze vzorků tkáně, pak budeme muset být schopni dosáhnout velmi blízkých standardů, abychom znali základní fakta o jakémkoli daném pixelu.“
Úspěch v tomto procesu může lékařům umožnit přesněji porozumět celkové výkonnosti nádoru, spíše než činit rozhodnutí o léčbě na základě 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 obrazech k charakterizaci fenotypových a genetických charakteristik nádorů.
3. Rozšířit lékařské služby v oblastech s nedostatečnou obsluhou 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 lékařů tím, že převezme některé z diagnostických povinností, které jsou běžně přisuzovány lidem.
Zobrazovací nástroj AI může například pomocí rentgenu hrudníku zkoumat příznaky tuberkulózy, obvykle se stejnou přesností jako lékař.Tuto funkci lze nasadit prostřednictvím aplikace pro poskytovatele v oblastech s nedostatkem zdrojů, což snižuje potřebu zkušených diagnostických radiologů.
"Tato technologie má velký potenciál zlepšit zdravotní péči," řekl Dr. jayashree kalpathy Cramer, asistent neurovědy a docent radiologie ve Všeobecné nemocnici v Massachusetts (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 průběh onemocnění.
"Například populace postižená nemocí v Indii se může velmi lišit od populace ve Spojených státech," řekla.Když vyvíjíme tyto algoritmy, je velmi důležité zajistit, aby data reprezentovala prezentaci onemocnění a rozmanitost populace.Můžeme nejen vyvíjet algoritmy založené na jedné populaci, ale také doufat, že může hrát roli v jiných populacích."
4. Snížit zátěž používání elektronických zdravotních záznamů
Elektronický zdravotní záznam (její) hrál důležitou roli na digitální cestě zdravotnického průmyslu, ale tato transformace přinesla řadu problémů souvisejících s kognitivním přetížením, nekonečnými dokumenty a únavou uživatelů.
Vývojáři elektronických zdravotních záznamů (její) nyní používají umělou inteligenci k vytvoření intuitivnějšího rozhraní a automatizaci rutin, které uživateli zabírají spoustu času.
Dr. Adam Landman, viceprezident a hlavní informační ředitel společnosti Brigham Health, řekl, že uživatelé tráví většinu času třemi úkoly: klinickou dokumentací, zadáváním objednávek a tříděním schránek.Rozpoznávání řeči a diktování může pomoci zlepšit zpracování klinických dokumentů, ale nástroje pro zpracování přirozeného jazyka (NLP) nemusí stačit.
"Myslím, že bude možná nutné být odvážnější a zvážit některé změny, jako je použití videozáznamu 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 lékařům umožní používat vestavěnou inteligenci k zadávání lékařských příkazů."
Umělá inteligence může také pomoci zvládnout rutinní požadavky z doručených zpráv, jako jsou doplňky léků a oznámení o výsledcích.Může také pomoci upřednostnit úkoly, které skutečně vyžadují pozornost lékařů, což pacientům usnadní zpracování jejich seznamů úkolů, dodal Landman.
5. Riziko antibiotické rezistence
Rezistence na antibiotika je pro lidi stále větší hrozbou, protože nadměrné užívání těchto klíčových léků může vést k vývoji superbakterií, které již nereagují na léčbu.Bakterie odolné vůči více lékům mohou způsobit vážné škody v nemocničním prostředí a každoročně zabíjet desítky tisíc pacientů.Samotné Clostridium difficile stojí americký systém zdravotní péče asi 5 miliard dolarů ročně a způsobuje více než 30 000 úmrtí.
Údaje EHR pomáhají identifikovat vzorce infekce a upozornit na 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 ohledně kontroly infekcí a odolnosti vůči antibiotikům," řekla Dr. Erica Shenoy, zástupkyně ředitele pro kontrolu infekcí v Massachusetts General Hospital (MGH).Pokud to neudělají, všichni selžou.Protože nemocnice mají spoustu dat EHR, pokud je plně nevyužívají, pokud nevytvářejí průmyslová odvětví, která jsou chytřejší a rychlejší v designu klinických studií, a pokud nepoužívají EHR, která tato data vytvářejí, budou čelit neúspěchu."
6. Vytvořte přesnější analýzu patologických obrazů
Dr. Jeffrey golden, vedoucí oddělení patologie v Brigham Women's Hospital (BWh) a profesor patologie na HMS, řekl, že patologové poskytují jeden z nejdůležitějších zdrojů diagnostických dat pro celou řadu poskytovatelů lékařských služeb.
"70 % rozhodnutí o zdravotní péči je založeno na patologických výsledcích a 70 až 75 % všech údajů v EHR pochází z patologických výsledků," řekl.A čím přesnější výsledky budou, tím dříve bude stanovena správná diagnóza.To je cíl, kterého má digitální patologie a umělá inteligence šanci dosáhnout."
Hluboká analýza úrovně pixelů na velkých digitálních snímcích 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 spíše než na základě klinických stádií nebo histopatologického gradingu," řekl Golden.Bude to obrovský krok vpřed."
Dodal: "AI může také zvýšit produktivitu tím, že identifikuje funkce, které nás zajímají, ještě předtím, než lékaři prozkoumají data. Umělá inteligence může filtrovat snímky a vést nás, abychom viděli správný obsah, abychom mohli posoudit, co je důležité a co ne. To zlepšuje účinnost využití patologů a zvyšuje hodnotu jejich studie každého případu."
Přineste inteligenci do lékařských přístrojů a strojů
Chytrá zařízení přebírají spotřebitelská prostředí a poskytují zařízení od videa v reálném čase uvnitř chladničky až po auta, která detekují rozptýlení řidiče.
V lékařském prostředí jsou inteligentní zařízení nezbytná pro monitorování pacientů na JIP i jinde.Použití umělé inteligence ke zvýšení schopnosti identifikovat zhoršení stavu, jako je indikace rozvoje sepse nebo vnímání komplikací, může výrazně zlepšit výsledky a může snížit náklady na léčbu.
"Když mluvíme o integraci různých dat v rámci zdravotnického systému, musíme integrovat a upozornit lékaře na JIP, aby zasáhli co nejdříve, a že agregace těchto dat není dobrá věc, kterou mohou lidští lékaři udělat," řekl Mark Michalski. , výkonný ředitel Clinical Data Science Center ve společnosti BWh.Vložení inteligentních algoritmů do těchto zařízení snižuje kognitivní zátěž lékařů a zajišťuje, že pacienti budou léčeni co nejrychleji."
8. podpora imunoterapie pro léčbu rakoviny
Imunoterapie je jedním z nejslibnějších způsobů léčby rakoviny.Použitím vlastního imunitního systému k napadení zhoubných nádorů mohou být pacienti schopni překonat tvrdohlavé nádory.Na současný režim imunoterapie však reaguje jen málo pacientů a onkologové stále nemají přesnou a spolehlivou metodu, jak určit, pro které pacienty bude režim přínosem.
Algoritmy strojového učení a jejich schopnost syntetizovat vysoce komplexní soubory dat mohou být schopny objasnit jedinečné genové složení jednotlivců a poskytnout nové možnosti pro cílenou terapii.
"V poslední době byly 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).Stále ale nerozumíme všem problémům, což je velmi složité.Rozhodně potřebujeme více údajů o pacientech.Tyto léčebné postupy jsou relativně nové, takže je ve skutečnosti nevyužívá mnoho pacientů.Ať už tedy potřebujeme integrovat data v rámci organizace nebo napříč více organizacemi, bude to klíčový faktor pro zvýšení počtu pacientů, kteří budou řídit proces modelování."
9. Proměňte elektronické zdravotní záznamy na spolehlivé prediktory rizik
Elektronický zdravotní záznam (ona) je pokladem dat pacientů, 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 záměnou formátu dat, strukturovaným a nestrukturovaným vstupem a neúplnými záznamy ztěžují lidem, aby přesně porozuměli tomu, jak provádět smysluplnou stratifikaci rizik, prediktivní analýzu a podporu klinického rozhodování.
Dr. Ziad OBERMEYER, odborný asistent urgentní medicíny v Brigham Women's Hospital (BWh) a odborný asistent na Harvard Medical School (HMS), řekl: "Je třeba vykonat kus tvrdé práce, abychom integrovali data na jedno místo. Ale dalším problémem je pochopit co lidé dostanou, když předpovídají nemoc v elektronickém zdravotním záznamu (ona). Lidé mohou slyšet, že algoritmy umělé inteligence mohou předpovídat depresi nebo mrtvici, ale zjistí, že ve skutečnosti předpovídají zvýšení nákladů na mrtvici. Je to velmi odlišné od pohladit sám sebe."
Pokračoval: "Zdá se, že spoléhání se na výsledky MRI poskytuje konkrétnější soubor dat. Ale teď musíme přemýšlet o tom, kdo si může MRI 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.
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 ujistit se, že přesně víme, co jsme předpověděli, než začneme otevírat černou skříňku a podíváme se, jak předvídat,“ řekl.
10.Monitorování zdravotního stavu prostřednictvím nositelných zařízení a osobních zařízení
Téměř všichni spotřebitelé mohou nyní používat senzory ke sběru dat o zdravotní hodnotě.Od chytrých telefonů se sledováním kroků až po nositelná zařízení, která sledují srdeční frekvenci po celý den, lze kdykoli generovat stále více dat souvisejících se zdravím.
Shromažďování a analýza těchto dat a doplňování informací poskytovaných pacienty prostřednictvím aplikací a dalších domácích monitorovacích zařízení může poskytnout jedinečný pohled na zdraví jednotlivců i davu.
Umělá inteligence bude hrát důležitou roli při získávání užitečných poznatků z této velké a rozmanité databáze.
Ale Dr. Omar arnout, neurochirurg z Brigham Women's Hospital (BWh), CO ředitel centra pro výsledky výpočetní neurovědy, řekl, že to může vyžadovat další práci, aby pomohla pacientům přizpůsobit se těmto intimním, průběžným monitorovacím údajům.
"Dříve jsme mohli zcela svobodně zpracovávat digitální data," řekl.Ale jak dochází k únikům dat v Cambridge analytics a na Facebooku, lidé budou stále opatrnější, s kým sdílet, jaká data sdílejí."
Pacienti mají tendenci důvěřovat 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 průběžnému shromažďování podrobných dat je pravděpodobnější, že data pomohou lékařům lépe pečovat o pacienty."
11.udělejte z chytrých telefonů výkonný diagnostický nástroj
Odborníci se domnívají, že snímky 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, protože budou nadále využívat výkonné funkce přenosných zařízení.
Kvalita mobilního fotoaparátu se každým rokem zlepšuje a dokáže generovat snímky, které lze použít pro analýzu algoritmů AI.Dermatologie a oftalmologie jsou prvními příjemci tohoto trendu.
Britští vědci dokonce vyvinuli nástroj k identifikaci vývojových onemocnění pomocí analýzy snímků dětských tváří.Algoritmus dokáže detekovat diskrétní rysy, jako je dětská čára dolní čelisti, poloha očí a nosu a další atributy, které mohou naznačovat abnormality obličeje.V současné době dokáže tento nástroj porovnat běžné snímky s více než 90 nemocemi a poskytnout tak klinickou podporu při 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 mnoha různými zabudovanými senzory. Je to pro nás skvělá příležitost. průmysloví hráči začali ve svých zařízeních budovat 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 toto mohou využít data pro umělou inteligenci k poskytování personalizovanějších, rychlejších a inteligentnějších služeb."
Používání chytrých telefonů ke shromažďování snímků pacientových očí, kožních lézí, ran, infekcí, léků nebo jiných předmětů může pomoci vyřešit nedostatek odborníků v nedostatečně obsluhovaných oblastech a zároveň zkrátit čas na diagnostiku určitých stížností.
"V budoucnu mohou nastat nějaké významné události a my můžeme využít této příležitosti k vyřešení některých důležitých problémů managementu nemocí v místě péče," řekl shafiee.
12. Inovace klinického rozhodování s AI u lůžka
Jak se zdravotnický průmysl obrací k placeným službám, stále více se vzdaluje pasivní zdravotní péči.Prevence před chronickým onemocněním, akutními příhodami onemocnění a náhlým zhoršením je cílem každého poskytovatele a kompenzační struktura mu v konečném důsledku umožňuje vyvinout procesy, kterými lze dosáhnout aktivní a prediktivní intervence.
Umělá inteligence poskytne mnoho základních technologií pro tento vývoj tím, že podpoří prediktivní analýzu a nástroje na podporu klinického rozhodování, aby vyřešila problémy 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 složitých souborů dat.
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 kontrolovat EEG data těchto pacientů.Tento proces je časově náročný a subjektivní a výsledky se mohou lišit v závislosti na dovednostech a zkušenostech lékařů.
Řekl: „U těchto pacientů může být trend pomalý.Někdy, když chtějí lékaři zjistit, zda se někdo zotavuje, mohou se podívat na data monitorovaná každých 10 sekund.Zjistit, zda se změnilo z 10 sekund dat shromážděných za 24 hodin, je jako dívat se na to, zda mezitím vlasy vyrostly.Pokud se však použijí algoritmy umělé inteligence a velké množství dat od mnoha pacientů, bude snazší porovnat to, co lidé vidí, s dlouhodobými vzory a lze nalézt některá jemná vylepšení, která ovlivní rozhodování lékařů v ošetřovatelství. ."
Použití technologie umělé inteligence pro podporu klinického rozhodování, hodnocení rizik a včasné varování je jednou z nejslibnějších oblastí vývoje této revoluční metody analýzy dat.
Poskytnutím výkonu pro novou generaci nástrojů a systémů mohou lékaři lépe porozumět nuancím onemocnění, efektivněji poskytovat ošetřovatelské služby a řešit problémy s předstihem.Umělá inteligence zahájí novou éru zlepšování kvality klinické léčby a přinese vzrušující průlomy v péči o pacienty.
Čas odeslání: srpen-06-2021
