Kunstig intelligens forventes at blive en transformationskraft på sundhedsområdet.Så hvordan drager læger og patienter fordel af virkningen af AI-drevne værktøjer?
Dagens sundhedsindustri er meget moden og kan foretage nogle store ændringer.Fra kroniske sygdomme og kræft til radiologi og risikovurdering synes sundhedsindustrien at have utallige muligheder for at bruge teknologi til at implementere mere præcise, effektive og effektive interventioner i patientbehandlingen.
Med udviklingen af teknologien stiller patienterne højere og højere krav til læger, og antallet af tilgængelige data fortsætter med at vokse med en alarmerende hastighed.Kunstig intelligens vil blive en motor til at fremme den løbende forbedring af lægebehandlingen.
Sammenlignet med traditionel analyse og klinisk beslutningstagningsteknologi har kunstig intelligens mange fordele.Når læringsalgoritmen interagerer med træningsdataene, kan den blive mere nøjagtig, hvilket gør det muligt for læger at få hidtil uset indsigt i diagnose, sygeplejeproces, behandlingsvariabilitet og patientresultater.
På 2018 World Artificial Intelligence Medical Innovation Forum (wmif) afholdt af Partners Healthcare uddybede medicinske forskere og kliniske eksperter de teknologier og områder inden for den medicinske industri, som med størst sandsynlighed vil have en væsentlig indflydelse på adoptionen af kunstig intelligens i den næste tid. årti.
Anne kiblanksi, MD, CO-formand for wmif i 2018, og Gregg Meyer, MD, Chief Academic Officer for Partners Healthcare, sagde, at denne form for "undergravning", der bringes til ethvert industriområde, har potentialet til at bringe betydelige fordele for patienterne og har bred forretningssuccespotentiale.
Med hjælp fra eksperter fra partnere i sundhedssektoren, herunder Dr. Keith Dreyer, professor ved Harvard Medical School (HMS), Chief Data Science Officer for partnere, og Dr. Katherine Andreole, direktør for forskningsstrategi og operationer ved Massachusetts General Hospital (MGH) , foreslået 12 måder, hvorpå kunstig intelligens vil revolutionere medicinske tjenester og videnskab.
1. Foren tænkning og maskine gennem hjernecomputergrænseflade
At bruge computer til at kommunikere er ikke en ny idé, men at skabe en direkte grænseflade mellem teknologi og menneskelig tænkning uden tastatur, mus og skærm er et frontlinjeforskningsfelt, som har vigtig anvendelse for nogle patienter.
Sygdomme og traumer i nervesystemet kan få nogle patienter til at miste evnen til meningsfuld samtale, bevægelse og interaktion med andre og deres omgivelser.Brain computer interface (BCI) understøttet af kunstig intelligens kan genoprette de grundlæggende oplevelser for patienter, der er bekymrede for at miste disse funktioner for altid.
"Hvis jeg ser en patient på den neurologiske intensivafdeling, som pludselig mister evnen til at handle eller tale, håber jeg at genoprette hans evne til at kommunikere næste dag," siger Leigh Hochberg, MD, leder af centeret for neuroteknologi og neurorehabilitering kl. Massachusetts General Hospital (MGH).Ved at bruge hjernecomputergrænseflade (BCI) og kunstig intelligens kan vi aktivere nerverne i forbindelse med håndbevægelser, og vi bør være i stand til at få patienten til at kommunikere med andre mindst fem gange under hele aktiviteten, såsom at bruge allestedsnærværende kommunikationsteknologier som f.eks. som tablet-computere eller mobiltelefoner."
Hjernecomputergrænseflade kan i høj grad forbedre livskvaliteten for patienter med amyotrofisk lateral sklerose (ALS), slagtilfælde eller atresisyndrom, såvel som 500.000 patienter med rygmarvsskade på verdensplan hvert år.
2.Udvikle næste generation af strålingsværktøjer
Strålingsbilleder opnået ved magnetisk resonansbilleddannelse (MRI), CT-scannere og røntgenstråler giver ikke-invasiv synlighed i det indre af den menneskelige krop.Imidlertid er mange diagnostiske procedurer stadig afhængige af fysiske vævsprøver opnået ved biopsi, som har risiko for infektion.
Eksperter forudser, at kunstig intelligens i nogle tilfælde vil gøre det muligt for næste generation af radiologiværktøjer at være nøjagtige og detaljerede nok til at erstatte efterspørgslen efter levende vævsprøver.
Alexandra golby, MD, direktør for billedstyret neurokirurgi på Brigham Women's Hospital (BWh), sagde, "vi ønsker at bringe det billeddiagnostiske team sammen med kirurger eller interventionelle radiologer og patologer, men det er en stor udfordring for forskellige teams at opnå samarbejde og konsistens af mål. Hvis vi ønsker, at radiologi skal levere den information, der i øjeblikket er tilgængelig fra vævsprøver, så bliver vi nødt til at være i stand til at opnå meget tætte standarder for at kende de grundlæggende fakta om en given pixel."
Succes med denne proces kan sætte klinikere i stand til mere præcist at forstå tumorens overordnede ydeevne i stedet for at træffe behandlingsbeslutninger baseret på en lille del af den ondartede tumors egenskaber.
AI kan også bedre definere kræftens invasivitet og mere hensigtsmæssigt bestemme behandlingsmålet.Derudover er kunstig intelligens med til at realisere "virtuel biopsi" og fremme innovation inden for radiologi, som er forpligtet til at bruge billedbaserede algoritmer til at karakterisere tumorers fænotypiske og genetiske karakteristika.
3. Udvid medicinske tjenester i undertjente områder eller områder i udvikling
Manglen på uddannede sundhedsudbydere i udviklingslandene, herunder ultralydsteknikere og radiologer, vil i høj grad reducere chancerne for at bruge medicinske tjenester til at redde patienters liv.
Mødet påpegede, at der er flere radiologer, der arbejder på seks hospitaler i Boston med den berømte Longwood Avenue end på alle hospitaler i Vestafrika.
Kunstig intelligens kan hjælpe med at afbøde virkningen af en kritisk mangel på klinikere ved at overtage nogle af de diagnostiske ansvarsområder, der normalt tildeles mennesker.
For eksempel kan et AI-billeddannelsesværktøj bruge røntgenstråler af thorax til at undersøge symptomerne på tuberkulose, normalt med samme nøjagtighed som en læge.Denne funktion kan implementeres gennem en applikation til udbydere i ressourcefattige områder, hvilket reducerer behovet for erfarne diagnostiske radiologer.
"Denne teknologi har et stort potentiale til at forbedre sundhedsvæsenet," sagde Dr. jayashree kalpathy Cramer, assisterende neurovidenskab og lektor i radiologi ved Massachusetts General Hospital (MGH)
Imidlertid skal AI-algoritmeudviklere nøje overveje det faktum, at mennesker af forskellige nationaliteter eller regioner kan have unikke fysiologiske og miljømæssige faktorer, som kan påvirke sygdommens ydeevne.
"For eksempel kan befolkningen, der er ramt af sygdom i Indien, være meget forskellig fra den i USA," sagde hun.Når vi udvikler disse algoritmer, er det meget vigtigt at sikre, at dataene repræsenterer sygdomspræsentationen og befolkningens mangfoldighed.Vi kan ikke kun udvikle algoritmer baseret på en enkelt population, men også håbe på, at den kan spille en rolle i andre populationer."
4.Reducer brugsbyrden af elektroniske sundhedsjournaler
Elektronisk sundhedsjournal (hende) har spillet en vigtig rolle i sundhedsindustriens digitale rejse, men denne transformation har medført adskillige problemer relateret til kognitiv overbelastning, endeløse dokumenter og brugertræthed.
Elektroniske sundhedsjournaler (hendes) udviklere bruger nu kunstig intelligens til at skabe en mere intuitiv grænseflade og automatisere rutiner, der tager meget brugertid.
Dr. Adam Landman, vicepræsident og informationschef for Brigham Health, sagde, at brugerne bruger det meste af deres tid på tre opgaver: klinisk dokumentation, ordreindtastning og sortering af deres indbakker.Talegenkendelse og diktering kan hjælpe med at forbedre klinisk dokumentbehandling, men NLP-værktøjer (natural language processing) er muligvis ikke nok.
"Jeg tror, det kan være nødvendigt at være mere modig og overveje nogle ændringer, såsom at bruge videooptagelse til klinisk behandling, ligesom politiet bærer kameraer," sagde Landman.Kunstig intelligens og maskinlæring kan derefter bruges til at indeksere disse videoer til fremtidig genfinding.Ligesom Siri og Alexa, der bruger kunstig intelligens-assistenter derhjemme, vil virtuelle assistenter blive bragt til patienternes seng i fremtiden, hvilket giver klinikere mulighed for at bruge indlejret intelligens til at indtaste medicinske ordrer."
AI kan også hjælpe med at håndtere rutinemæssige anmodninger fra indbakker, såsom lægemiddeltilskud og meddelelse om resultater.Det kan også hjælpe med at prioritere opgaver, der virkelig kræver klinikeres opmærksomhed, hvilket gør det lettere for patienterne at behandle deres to-do-lister, tilføjede Landman.
5.Risiko for antibiotikaresistens
Antibiotikaresistens er en voksende trussel mod mennesker, fordi overforbrug af disse nøglelægemidler kan føre til udviklingen af superbakterier, der ikke længere reagerer på behandlingen.Multiresistente bakterier kan forårsage alvorlig skade i hospitalsmiljøet og dræbe titusindvis af patienter hvert år.Alene Clostridium difficile koster omkring 5 milliarder dollars om året for det amerikanske sundhedssystem og forårsager mere end 30.000 dødsfald.
EPJ-data hjælper med at identificere infektionsmønstre og fremhæve risikoen, før patienten begynder at vise symptomer.Brug af maskinlærings- og kunstig intelligensværktøjer til at drive disse analyser kan forbedre deres nøjagtighed og skabe hurtigere og mere præcise advarsler til sundhedsudbydere.
"Værktøjer til kunstig intelligens kan opfylde forventningerne til infektionskontrol og antibiotikaresistens," sagde Dr. Erica Shenoy, vicedirektør for infektionskontrol på Massachusetts General Hospital (MGH).Hvis de ikke gør det, så vil alle fejle.Fordi hospitaler har en masse EPJ-data, hvis de ikke gør fuld brug af dem, hvis de ikke skaber industrier, der er smartere og hurtigere i design af kliniske forsøg, og hvis de ikke bruger EPJ'er, der skaber disse data, de vil møde fiasko."
6.Create mere nøjagtig analyse for patologiske billeder
Dr. Jeffrey golden, leder af patologisk afdeling på Brigham Women's Hospital (BWh) og professor i patologi ved HMS, sagde, at patologer leverer en af de vigtigste kilder til diagnostiske data for et komplet udvalg af medicinske tjenesteudbydere.
"70% af sundhedsvæsenets beslutninger er baseret på patologiske resultater, og mellem 70% og 75% af alle data i EPJ'er kommer fra patologiske resultater," sagde han.Og jo mere nøjagtige resultaterne er, jo hurtigere vil den korrekte diagnose blive stillet.Dette er målet, som digital patologi og kunstig intelligens har en chance for at opnå."
Dyb pixelniveauanalyse på store digitale billeder gør det muligt for læger at genkende subtile forskelle, der kan undslippe menneskelige øjne.
"Vi er nu kommet til det punkt, hvor vi bedre kan vurdere, om kræft vil udvikle sig hurtigt eller langsomt, og hvordan man kan ændre behandlingen af patienter baseret på algoritmer snarere end kliniske stadier eller histopatologisk gradering," sagde golden.Det bliver et kæmpe skridt fremad."
Han tilføjede, "AI kan også forbedre produktiviteten ved at identificere funktioner af interesse i dias, før klinikere gennemgår dataene. AI kan filtrere gennem dias og guide os til at se det rigtige indhold, så vi kan vurdere, hvad der er vigtigt, og hvad der ikke er. Dette forbedrer effektiviteten af brugen af patologer og øger værdien af deres undersøgelse af hvert enkelt tilfælde."
Bring intelligens til medicinsk udstyr og maskiner
Smarte enheder overtager forbrugermiljøer og leverer enheder lige fra video i realtid inde i køleskabet til biler, der registrerer førerens distraktion.
I et medicinsk miljø er intelligente enheder afgørende for overvågning af patienter på intensivafdelinger og andre steder.Brugen af kunstig intelligens til at forbedre evnen til at identificere forværring af tilstanden, såsom at indikere, at sepsis er ved at udvikle sig, eller opfattelsen af komplikationer kan forbedre resultaterne betydeligt og kan reducere behandlingsomkostningerne.
"Når vi taler om at integrere forskellige data på tværs af sundhedssystemet, er vi nødt til at integrere og advare ICU-læger om at gribe ind så tidligt som muligt, og at aggregeringen af disse data ikke er en god ting, som menneskelige læger kan gøre," sagde Mark Michalski , administrerende direktør for Clinical Data Science Center på BWh.Indsættelse af smarte algoritmer i disse enheder reducerer den kognitive byrde for læger og sikrer, at patienter behandles så hurtigt som muligt."
8.fremme immunterapi til kræftbehandling
Immunterapi er en af de mest lovende måder at behandle kræft på.Ved at bruge kroppens eget immunsystem til at angribe ondartede tumorer, kan patienterne muligvis overvinde genstridige tumorer.Det er dog kun få patienter, der reagerer på det nuværende immunterapiregime, og onkologer har stadig ikke en præcis og pålidelig metode til at afgøre, hvilke patienter der vil have gavn af kuren.
Maskinlæringsalgoritmer og deres evne til at syntetisere meget komplekse datasæt kan være i stand til at belyse individers unikke gensammensætning og give nye muligheder for målrettet terapi.
"For nylig har den mest spændende udvikling været checkpoint-hæmmere, som blokerer proteiner produceret af visse immunceller," forklarer Dr. long Le, direktør for computerpatologi og teknologiudvikling ved Massachusetts General Hospital (MGH) omfattende diagnostiske center.Men vi forstår stadig ikke alle problemerne, hvilket er meget kompliceret.Vi har bestemt brug for flere patientdata.Disse behandlinger er relativt nye, så der er ikke mange patienter, der rent faktisk tager dem.Uanset om vi skal integrere data i en organisation eller på tværs af flere organisationer, vil det derfor være en nøglefaktor i at øge antallet af patienter til at drive modelleringsprocessen."
9. Gør elektroniske sundhedsjournaler til pålidelige risikoforudsigere
Elektronisk sundhedsjournal (hende) er en skat af patientdata, men det er en konstant udfordring for udbydere og udviklere at udtrække og analysere en stor mængde information på en nøjagtig, rettidig og pålidelig måde.
Problemer med datakvalitet og integritet, kombineret med dataformatforvirring, struktureret og ustruktureret input og ufuldstændige registreringer, gør det vanskeligt for folk præcist at forstå, hvordan man udfører meningsfuld risikostratificering, forudsigende analyse og klinisk beslutningsstøtte.
Dr. Ziad OBERMEYER, assisterende professor i akutmedicin ved Brigham Women's Hospital (BWh) og assisterende professor ved Harvard Medical School (HMS), sagde, "der er noget hårdt arbejde at gøre for at integrere data på ét sted. Men et andet problem er at forstå hvad folk får, når de forudsiger en sygdom i den elektroniske patientjournal (hende). Folk hører måske, at kunstig intelligens-algoritmer kan forudsige depression eller slagtilfælde, men finder ud af, at de faktisk forudsiger en stigning i omkostningerne ved slagtilfælde. Det er meget anderledes end slagtilfælde selv."
Han fortsatte, "at stole på MRI-resultater ser ud til at give et mere specifikt datasæt. Men nu skal vi tænke på, hvem der har råd til MRI? Så den endelige forudsigelse er ikke det forventede resultat."
NMR-analyse har produceret mange vellykkede risikoscorings- og stratificeringsværktøjer, især når forskere bruger dyb læringsteknikker til at identificere nye forbindelser mellem tilsyneladende urelaterede datasæt.
OBERMEYER mener dog, at det er afgørende at sikre, at disse algoritmer ikke identificerer de skævheder, der er gemt i dataene, for at implementere værktøjer, der virkelig kan forbedre den kliniske pleje.
"Den største udfordring er at sikre, at vi ved præcis, hvad vi forudsagde, før vi begynder at åbne den sorte boks og se på, hvordan vi kan forudsige," sagde han
10. Overvågning af helbredsstatus gennem bærbare enheder og personlige enheder
Næsten alle forbrugere kan nu bruge sensorer til at indsamle data om sundhedsværdi.Fra smartphones med step tracker til bærbare enheder, der sporer puls hele dagen, kan der til enhver tid genereres flere og flere sundhedsrelaterede data.
Indsamling og analyse af disse data og supplering af informationen fra patienterne gennem applikationer og andre hjemmeovervågningsenheder kan give et unikt perspektiv for individets og folkemængdens sundhed.
AI vil spille en vigtig rolle i at udtrække handlingsorienteret indsigt fra denne store og mangfoldige database.
Men Dr. Omar arnout, en neurokirurg ved Brigham Women's Hospital (BWh), CO-direktør for centret for beregningsmæssige neurovidenskabelige resultater, sagde, at det kan kræve yderligere arbejde at hjælpe patienter med at tilpasse sig disse intime, løbende overvågningsdata.
"Vi plejede at være ret frie til at behandle digitale data," sagde han.Men efterhånden som datalækker opstår hos Cambridge analytics og Facebook, vil folk være mere og mere forsigtige med, hvem de skal dele, hvilke data de deler."
Patienter har en tendens til at stole mere på deres læger end store virksomheder som Facebook, tilføjede han, hvilket kunne hjælpe med at lette ubehaget ved at levere data til store forskningsprogrammer.
"Det er sandsynligt, at bærbare data vil have en betydelig indvirkning, fordi folks opmærksomhed er meget tilfældig, og de indsamlede data er meget grove," sagde arnout.Ved løbende at indsamle granulære data er det mere sandsynligt, at data hjælper læger med at tage sig bedre af patienterne."
11.gør smartphones til et kraftfuldt diagnoseværktøj
Eksperter mener, at billeder opnået fra smartphones og andre ressourcer på forbrugerniveau vil blive et vigtigt supplement til klinisk kvalitetsbilleddannelse, især i dårligt stillede områder eller udviklingslande, ved at fortsætte med at bruge de stærke funktioner i bærbare enheder.
Kvaliteten af mobilkameraet forbedres hvert år, og det kan generere billeder, der kan bruges til AI-algoritmeanalyse.Dermatologi og oftalmologi er tidlige modtagere af denne tendens.
Britiske forskere har endda udviklet et værktøj til at identificere udviklingssygdomme ved at analysere billeder af børns ansigter.Algoritmen kan detektere diskrete funktioner, såsom børns underkæbelinje, positionen af øjne og næse og andre attributter, der kan indikere ansigtsabnormiteter.På nuværende tidspunkt kan værktøjet matche almindelige billeder med mere end 90 sygdomme for at give klinisk beslutningsstøtte.
Dr. Hadi shafiee, direktør for mikro/nanomedicin og digitalt sundhedslaboratorium på Brigham Women's Hospital (BWh), sagde: "de fleste mennesker er udstyret med kraftige mobiltelefoner med mange forskellige sensorer indbygget. Det er en fantastisk mulighed for os. Næsten alle Brancheaktører er begyndt at bygge Ai-software og -hardware i deres enheder. Det er ikke en tilfældighed. I vores digitale verden genereres der mere end 2,5 millioner terabyte data hver dag. Inden for mobiltelefoner mener producenterne, at de kan bruge dette data til kunstig intelligens for at levere mere personlige, hurtigere og mere intelligente tjenester."
Brug af smartphones til at indsamle billeder af patienters øjne, hudlæsioner, sår, infektioner, medicin eller andre emner kan hjælpe med at afhjælpe manglen på eksperter i underbetjente områder, samtidig med at det reducerer tiden til at diagnosticere visse klager.
"Der kan være nogle større begivenheder i fremtiden, og vi kan udnytte denne mulighed til at løse nogle vigtige problemer med sygdomshåndtering i plejestedet," sagde shafiee
12.Innovation i klinisk beslutningstagning med AI ved sengekanten
Efterhånden som sundhedsindustrien vender sig til gebyrbaserede tjenester, er den i stigende grad væk fra passiv sundhedspleje.Forebyggelse før kronisk sygdom, akutte sygdomsbegivenheder og pludselig forværring er målet for hver enkelt udbyder, og kompensationsstrukturen giver dem i sidste ende mulighed for at udvikle processer, der kan opnå aktiv og prædiktiv intervention.
Kunstig intelligens vil give mange grundlæggende teknologier til denne udvikling, ved at understøtte forudsigende analyse og kliniske beslutningsstøtteværktøjer, for at løse problemer, før udbydere indser behovet for at gribe ind.Kunstig intelligens kan give tidlig advarsel om epilepsi eller sepsis, som normalt kræver dybdegående analyse af meget komplekse datasæt.
Brandon Westover, MD, direktør for kliniske data ved Massachusetts General Hospital (MGH), sagde, at maskinlæring også kunne hjælpe med at understøtte den fortsatte ydelse af pleje til kritisk syge patienter, såsom dem i koma efter hjertestop.
Han forklarede, at læger under normale omstændigheder er nødt til at kontrollere disse patienters EEG-data.Denne proces er tidskrævende og subjektiv, og resultaterne kan variere med klinikernes færdigheder og erfaring.
Han sagde "Hos disse patienter kan tendensen være langsom.Nogle gange, når læger ønsker at se, om nogen er ved at komme sig, kan de se på data, der overvåges en gang hvert 10. sekund.Men at se, om det har ændret sig fra 10 sekunders data indsamlet på 24 timer, er som at se på, om håret er vokset i mellemtiden.Men hvis der bruges kunstig intelligens algoritmer og store mængder data fra mange patienter, vil det være lettere at matche, hvad folk ser med langsigtede mønstre, og der kan findes nogle subtile forbedringer, som vil påvirke lægers beslutningstagning i sygeplejen ."
Brug af kunstig intelligens-teknologi til klinisk beslutningsstøtte, risikoscoring og tidlig advarsel er et af de mest lovende udviklingsområder for denne revolutionerende dataanalysemetode.
Ved at levere strøm til en ny generation af værktøjer og systemer kan klinikere bedre forstå nuancerne af sygdom, yde sygeplejerskeydelser mere effektivt og løse problemer på forhånd.Kunstig intelligens vil indlede en ny æra med at forbedre kvaliteten af klinisk behandling og skabe spændende gennembrud inden for patientbehandling.
Indlægstid: Aug-06-2021
