Artificiell intelligens förväntas bli en transformationskraft inom hälso- och sjukvårdsområdet.Så hur drar läkare och patienter nytta av effekten av AI-drivna verktyg?
Dagens sjukvårdsindustri är väldigt mogen och kan göra stora förändringar.Från kroniska sjukdomar och cancer till radiologi och riskbedömning, tycks hälso- och sjukvårdsbranschen ha otaliga möjligheter att använda teknik för att implementera mer exakta, effektiva och effektiva insatser i patientvården.
Med teknikens utveckling ställer patienterna allt högre krav på läkare och antalet tillgängliga data fortsätter att växa i en alarmerande takt.Artificiell intelligens kommer att bli en motor för att främja kontinuerlig förbättring av sjukvården.
Jämfört med traditionell analys och klinisk beslutsteknik har artificiell intelligens många fördelar.När inlärningsalgoritmen interagerar med träningsdata kan den bli mer exakt, vilket gör det möjligt för läkare att få oöverträffade insikter om diagnos, omvårdnadsprocess, behandlingsvariabilitet och patientresultat.
Vid 2018 World Artificial Intelligence Medical innovation Forum (wmif) som hölls av Partners Healthcare, utvecklade medicinska forskare och kliniska experter de teknologier och områden inom den medicinska industrin som sannolikt kommer att ha en betydande inverkan på införandet av artificiell intelligens i nästa årtionde.
Anne kiblanksi, MD, CO-ordförande för wmif 2018, och Gregg Meyer, MD, akademisk chef för Partners Healthcare, sa att denna typ av "omstörtning" som förs till varje branschområde har potential att ge betydande fördelar för patienter och har bred affärsframgångspotential.
Med hjälp av experter från partners hälso- och sjukvård, inklusive Dr Keith Dreyer, professor vid Harvard Medical School (HMS), chief data science officer för partners, och Dr Katherine andreole, chef för forskningsstrategi och verksamhet vid Massachusetts General Hospital (MGH) , föreslog 12 sätt som AI kommer att revolutionera medicinska tjänster och vetenskap.
1. Förena tänkande och maskin genom hjärnans datorgränssnitt
Att använda dator för att kommunicera är inte en ny idé, men att skapa ett direkt gränssnitt mellan teknik och mänskligt tänkande utan tangentbord, mus och skärm är ett frontlinjeforskningsområde, som har en viktig tillämpning för vissa patienter.
Nervsystemets sjukdomar och trauma kan göra att vissa patienter förlorar förmågan till meningsfulla samtal, rörelser och interaktion med andra och sin omgivning.Brain Computer Interface (BCI) som stöds av artificiell intelligens kan återställa de grundläggande upplevelserna för patienter som är oroliga för att förlora dessa funktioner för alltid.
"Om jag ser en patient på neurologisk intensivvårdsavdelning som plötsligt förlorar förmågan att agera eller tala, hoppas jag kunna återställa hans förmåga att kommunicera nästa dag", säger Leigh Hochberg, MD, chef för centrum för neuroteknik och neurorehabilitering vid Massachusetts General Hospital (MGH).Genom att använda hjärnans datorgränssnitt (BCI) och artificiell intelligens kan vi aktivera nerverna relaterade till handrörelser, och vi bör kunna få patienten att kommunicera med andra minst fem gånger under hela aktiviteten, som att använda allestädes närvarande kommunikationstekniker som t.ex. som surfplattor eller mobiltelefoner."
Hjärnans datorgränssnitt kan avsevärt förbättra livskvaliteten för patienter med amyotrofisk lateralskleros (ALS), stroke eller atresisyndrom, såväl som 500 000 patienter med ryggmärgsskada över hela världen varje år.
2. Utveckla nästa generation av strålningsverktyg
Strålningsbilder erhållna med magnetisk resonanstomografi (MRI), CT-skannrar och röntgenstrålar ger icke-invasiv insyn i människokroppens inre.Men många diagnostiska procedurer förlitar sig fortfarande på fysiska vävnadsprover som erhållits genom biopsi, vilket medför risk för infektion.
Experter förutspår att artificiell intelligens i vissa fall kommer att göra det möjligt för nästa generation av radiologiverktyg att vara tillräckligt exakta och detaljerade för att ersätta efterfrågan på levande vävnadsprover.
Alexandra golby, MD, chef för bildstyrd neurokirurgi vid Brigham Women's Hospital (BWh), sa, "vi vill sammanföra det diagnostiska avbildningsteamet med kirurger eller interventionsradiologer och patologer, men det är en enorm utmaning för olika team att uppnå samarbete och konsekventa mål. Om vi vill att röntgen ska ge den information som för närvarande är tillgänglig från vävnadsprover, måste vi kunna uppnå mycket nära standarder för att känna till de grundläggande fakta om en given pixel."
Framgång i denna process kan göra det möjligt för läkare att mer exakt förstå tumörens övergripande prestanda, snarare än att fatta behandlingsbeslut baserat på en liten del av den maligna tumörens egenskaper.
AI kan också bättre definiera cancerns invasivitet och mer lämpligt bestämma behandlingsmålet.Dessutom hjälper artificiell intelligens till att förverkliga "virtuell biopsi" och främja innovation inom radiologiområdet, som har åtagit sig att använda bildbaserade algoritmer för att karakterisera de fenotypiska och genetiska egenskaperna hos tumörer.
3.Utöka medicinska tjänster i underbetjänade eller utvecklande områden
Bristen på utbildade vårdgivare i utvecklingsländer, inklusive ultraljudstekniker och radiologer, kommer avsevärt att minska chanserna att använda medicinska tjänster för att rädda patienternas liv.
Mötet påpekade att det finns fler radiologer som arbetar på sex sjukhus i Boston med den berömda Longwood Avenue än på alla sjukhus i Västafrika.
Artificiell intelligens kan hjälpa till att mildra effekterna av en kritisk brist på läkare genom att ta över en del av det diagnostiska ansvar som normalt tilldelas människor.
Till exempel kan ett AI-avbildningsverktyg använda lungröntgen för att undersöka symtomen på tuberkulos, vanligtvis med samma noggrannhet som en läkare.Den här funktionen kan distribueras genom en applikation för leverantörer i resursfattiga områden, vilket minskar behovet av erfarna diagnostiska radiologer.
"Denna teknik har stor potential att förbättra vården", säger Dr. jayashree kalpathy Cramer, biträdande neurovetenskap och docent i radiologi vid Massachusetts General Hospital (MGH)
Utvecklare av AI-algoritmer måste dock noga överväga det faktum att människor av olika nationaliteter eller regioner kan ha unika fysiologiska och miljömässiga faktorer, som kan påverka sjukdomens prestanda.
"Till exempel kan befolkningen som drabbas av sjukdom i Indien vara mycket annorlunda än den i USA," sa hon.När vi utvecklar dessa algoritmer är det mycket viktigt att säkerställa att data representerar sjukdomspresentationen och mångfalden i befolkningen.Vi kan inte bara utveckla algoritmer baserade på en enda population, utan också hoppas att den kan spela en roll i andra populationer."
4. Minska användningsbördan för elektroniska journaler
Elektronisk journal (henne) har spelat en viktig roll i sjukvårdsindustrins digitala resa, men denna transformation har medfört många problem relaterade till kognitiv överbelastning, oändliga dokument och användartrötthet.
Utvecklare av elektroniska journaler (hennes) använder nu artificiell intelligens för att skapa ett mer intuitivt gränssnitt och automatisera rutiner som tar mycket tid för användaren.
Dr. Adam Landman, vicepresident och informationschef för Brigham Health, sa att användare spenderar mest tid på tre uppgifter: klinisk dokumentation, orderinmatning och sortering av sina inkorgar.Taligenkänning och diktering kan hjälpa till att förbättra klinisk dokumentbehandling, men NLP-verktyg (natural language processing) kanske inte räcker.
"Jag tror att det kan vara nödvändigt att vara mer djärv och överväga vissa förändringar, som att använda videoinspelning för klinisk behandling, precis som polisen bär kameror", säger Landman.Artificiell intelligens och maskininlärning kan sedan användas för att indexera dessa videor för framtida hämtning.Precis som Siri och Alexa, som använder artificiell intelligens assistenter hemma, kommer virtuella assistenter att föras till patienternas säng i framtiden, vilket gör att läkare kan använda inbäddad intelligens för att skriva in medicinska beställningar."
AI kan också hjälpa till att hantera rutinförfrågningar från inkorgar, såsom läkemedelstillskott och meddelande om resultat.Det kan också hjälpa till att prioritera uppgifter som verkligen behöver läkares uppmärksamhet, vilket gör det lättare för patienter att bearbeta sina att göra-listor, tillade Landman.
5.Risk för antibiotikaresistens
Antibiotikaresistens är ett växande hot mot människor, eftersom överanvändning av dessa nyckelläkemedel kan leda till utvecklingen av superbakterier som inte längre svarar på behandlingen.Flerläkemedelsresistenta bakterier kan orsaka allvarlig skada i sjukhusmiljön och döda tiotusentals patienter varje år.Enbart Clostridium difficile kostar cirka 5 miljarder dollar per år för det amerikanska sjukvårdssystemet och orsakar mer än 30 000 dödsfall.
EHR-data hjälper till att identifiera infektionsmönster och belysa risken innan patienten börjar visa symtom.Att använda maskininlärning och artificiell intelligens för att driva dessa analyser kan förbättra deras noggrannhet och skapa snabbare och mer exakta varningar för vårdgivare.
"Artificiell intelligens kan möta förväntningarna på infektionskontroll och antibiotikaresistens", säger Dr Erica Shenoy, biträdande chef för infektionskontroll vid Massachusetts General Hospital (MGH).Om de inte gör det kommer alla att misslyckas.Eftersom sjukhus har mycket EPJ-data, om de inte utnyttjar dem fullt ut, om de inte skapar industrier som är smartare och snabbare i design av kliniska prövningar, och om de inte använder EPJ som skapar dessa data, de kommer att möta misslyckanden."
6. Skapa mer exakt analys för patologiska bilder
Dr Jeffrey golden, chef för patologiavdelningen vid Brigham Women's Hospital (BWh) och professor i patologi vid HMS, sa att patologer tillhandahåller en av de viktigaste källorna till diagnostiska data för ett komplett utbud av medicinska tjänsteleverantörer.
"70% av sjukvårdsbeslut baseras på patologiska resultat, och mellan 70% och 75% av all data i EPJ kommer från patologiska resultat", sa han.Och ju mer exakta resultaten är, desto snabbare kommer den korrekta diagnosen att ställas.Detta är målet som digital patologi och artificiell intelligens har en chans att uppnå."
Analys av djup pixelnivå på stora digitala bilder gör det möjligt för läkare att känna igen subtila skillnader som kan undgå mänskliga ögon.
"Vi har nu kommit till den punkt där vi bättre kan bedöma om cancer kommer att utvecklas snabbt eller långsamt, och hur man kan ändra behandlingen av patienter baserat på algoritmer snarare än kliniska stadier eller histopatologisk gradering," sa golden.Det kommer att bli ett stort steg framåt."
Han tillade, "AI kan också förbättra produktiviteten genom att identifiera funktioner av intresse i bilder innan kliniker granskar data. AI kan filtrera igenom bilder och vägleda oss att se rätt innehåll så att vi kan bedöma vad som är viktigt och vad som inte är det. Detta förbättrar effektiviteten av användningen av patologer och ökar värdet av deras studie av varje fall."
Ta med intelligens till medicinsk utrustning och maskiner
Smarta enheter tar över konsumentmiljöer och tillhandahåller enheter som sträcker sig från realtidsvideo inne i kylskåpet till bilar som upptäcker förarens distraktion.
I en medicinsk miljö är intelligenta enheter avgörande för att övervaka patienter på intensivvårdsavdelningar och på andra ställen.Användningen av artificiell intelligens för att förbättra förmågan att identifiera försämring av tillståndet, såsom att indikera att sepsis utvecklas, eller uppfattningen av komplikationer kan avsevärt förbättra resultaten och kan minska behandlingskostnaderna.
"När vi talar om att integrera olika data i sjukvårdssystemet måste vi integrera och varna intensivvårdsläkare för att ingripa så tidigt som möjligt, och att aggregeringen av dessa data inte är en bra sak som mänskliga läkare kan göra", säger Mark Michalski , verkställande direktör för kliniska data Science Center vid BWh.Att infoga smarta algoritmer i dessa enheter minskar den kognitiva bördan för läkare och säkerställer att patienter behandlas så snabbt som möjligt."
8.främja immunterapi för cancerbehandling
Immunterapi är ett av de mest lovande sätten att behandla cancer.Genom att använda kroppens eget immunsystem för att attackera maligna tumörer kan patienterna kanske övervinna envisa tumörer.Det är dock bara ett fåtal patienter som svarar på den nuvarande immunterapiregimen, och onkologer har fortfarande inte en exakt och tillförlitlig metod för att avgöra vilka patienter som kommer att dra nytta av behandlingen.
Maskininlärningsalgoritmer och deras förmåga att syntetisera mycket komplexa datamängder kan kunna belysa individers unika gensammansättning och ge nya alternativ för riktad terapi.
"Nyligen har den mest spännande utvecklingen varit checkpoint-hämmare, som blockerar proteiner som produceras av vissa immunceller", förklarar Dr long Le, chef för beräkningspatologi och teknologiutveckling vid Massachusetts General Hospital (MGH) omfattande diagnostiska centrum.Men vi förstår fortfarande inte alla problem, vilket är väldigt komplicerat.Vi behöver definitivt mer patientdata.Dessa behandlingar är relativt nya, så det är inte många patienter som faktiskt tar dem.Därför, oavsett om vi behöver integrera data inom en organisation eller över flera organisationer, kommer det att vara en nyckelfaktor för att öka antalet patienter för att driva modelleringsprocessen."
9. Förvandla elektroniska journaler till tillförlitliga riskprediktorer
Elektronisk journal (henne) är en skatt av patientdata, men det är en ständig utmaning för leverantörer och utvecklare att extrahera och analysera en stor mängd information på ett korrekt, snabbt och tillförlitligt sätt.
Problem med datakvalitet och integritet, i kombination med dataformatförvirring, strukturerad och ostrukturerad inmatning och ofullständiga register, gör det svårt för människor att korrekt förstå hur man utför meningsfull riskstratifiering, prediktiv analys och kliniskt beslutsstöd.
Dr Ziad OBERMEYER, biträdande professor i akutmedicin vid Brigham Women's Hospital (BWh) och biträdande professor vid Harvard Medical School (HMS), sa: "det finns en del hårt arbete att göra för att integrera data på ett ställe. Men ett annat problem är att förstå vad människor får när de förutsäger en sjukdom i den elektroniska patientjournalen (henne). Folk kanske hör att algoritmer för artificiell intelligens kan förutsäga depression eller stroke, men upptäcker att de faktiskt förutsäger en ökning av kostnaden för stroke. Det är väldigt annorlunda än stroke själv."
Han fortsatte, "att förlita sig på MRT-resultat verkar ge en mer specifik datauppsättning. Men nu måste vi fundera på vem som har råd med MRT? Så den slutliga förutsägelsen är inte det förväntade resultatet."
NMR-analys har producerat många framgångsrika riskpoäng- och stratifieringsverktyg, särskilt när forskare använder djupinlärningstekniker för att identifiera nya kopplingar mellan till synes orelaterade datamängder.
OBERMEYER anser dock att det är avgörande att se till att dessa algoritmer inte identifierar de fördomar som är gömda i data för att implementera verktyg som verkligen kan förbättra den kliniska vården.
"Den största utmaningen är att se till att vi vet exakt vad vi förutspådde innan vi börjar öppna den svarta lådan och titta på hur vi ska förutsäga," sa han
10. Övervaka hälsostatus genom bärbara enheter och personliga enheter
Nästan alla konsumenter kan nu använda sensorer för att samla in data om hälsovärde.Från smartphones med step tracker till bärbara enheter som spårar puls hela dagen, mer och mer hälsorelaterad data kan genereras när som helst.
Att samla in och analysera dessa data och komplettera informationen från patienterna genom applikationer och andra hemövervakningsenheter kan ge ett unikt perspektiv för individens och publikens hälsa.
AI kommer att spela en viktig roll för att extrahera handlingsbara insikter från denna stora och mångsidiga databas.
Men Dr. Omar arnout, en neurokirurg vid Brigham Women's Hospital (BWh), CO-chef för centret för beräkningsmässiga neurovetenskapliga resultat, sa att det kan kräva ytterligare arbete för att hjälpa patienter att anpassa sig till denna intima, pågående övervakningsdata.
"Vi brukade vara ganska fria att behandla digital data," sa han.Men eftersom dataläckor inträffar hos Cambridge analytics och Facebook kommer människor att bli mer och mer försiktiga med vem de ska dela vilken data de delar."
Patienter tenderar att lita på sina läkare mer än stora företag som Facebook, tillade han, vilket kan hjälpa till att lindra obehaget med att tillhandahålla data för storskaliga forskningsprogram.
"Det är troligt att bärbar data kommer att ha en betydande inverkan eftersom människors uppmärksamhet är mycket oavsiktlig och den insamlade informationen är mycket grov", sa arnout.Genom att kontinuerligt samla in granulär data är det mer sannolikt att data hjälper läkare att ta hand om patienterna bättre."
11. gör smarta telefoner till ett kraftfullt diagnostiskt verktyg
Experter tror att bilder erhållna från smarta telefoner och andra resurser på konsumentnivå kommer att bli ett viktigt komplement till klinisk kvalitetsavbildning, särskilt i underbetjänade områden eller utvecklingsländer, genom att fortsätta använda de kraftfulla funktionerna i bärbara enheter.
Kvaliteten på mobilkameran förbättras varje år, och den kan generera bilder som kan användas för AI-algoritmanalys.Dermatologi och oftalmologi är tidiga förmånstagare av denna trend.
Brittiska forskare har till och med utvecklat ett verktyg för att identifiera utvecklingssjukdomar genom att analysera bilder av barns ansikten.Algoritmen kan upptäcka diskreta egenskaper, såsom barns underkäkelinje, ögon- och näsans position och andra attribut som kan indikera ansiktsavvikelser.I dagsläget kan verktyget matcha vanliga bilder med mer än 90 sjukdomar för att ge kliniskt beslutsstöd.
Dr Hadi shafiee, chef för laboratoriet för mikro-/nanomedicin och digitala hälsa vid Brigham Women's Hospital (BWh), sa: "de flesta människor är utrustade med kraftfulla mobiltelefoner med många olika sensorer inbyggda. Det är en fantastisk möjlighet för oss. Nästan alla Branschaktörer har börjat bygga Ai-mjukvara och hårdvara i sina enheter. Det är ingen slump. I vår digitala värld genereras mer än 2,5 miljoner terabyte data varje dag. När det gäller mobiltelefoner tror tillverkarna att de kan använda detta data för artificiell intelligens för att tillhandahålla mer personliga, snabbare och mer intelligenta tjänster."
Att använda smarta telefoner för att samla in bilder av patienters ögon, hudskador, sår, infektioner, droger eller andra ämnen kan hjälpa till att åtgärda bristen på experter i underbetjänade områden, samtidigt som det minskar tiden för att diagnostisera vissa besvär.
"Det kan bli några större händelser i framtiden, och vi kan dra nytta av den här möjligheten för att lösa några viktiga problem med sjukdomshantering i vårdpunkten," sa shafiee
12.Innoverande kliniskt beslutsfattande med AI vid sängen
I takt med att sjukvårdsbranschen vänder sig till avgiftsbaserade tjänster, är den alltmer borta från passiv sjukvård.Förebyggande före kronisk sjukdom, akuta sjukdomshändelser och plötslig försämring är målet för varje leverantör, och kompensationsstrukturen tillåter dem i slutändan att utveckla processer som kan uppnå aktiv och prediktiv intervention.
Artificiell intelligens kommer att tillhandahålla många grundläggande teknologier för denna utveckling, genom att stödja prediktiv analys och kliniska beslutsstödsverktyg, för att lösa problem innan leverantörerna inser behovet av att vidta åtgärder.Artificiell intelligens kan ge tidig varning för epilepsi eller sepsis, vilket vanligtvis kräver en djupgående analys av mycket komplexa datamängder.
Brandon Westover, MD, chef för kliniska data vid Massachusetts General Hospital (MGH), sa att maskininlärning också kan hjälpa till att stödja fortsatt vård för kritiskt sjuka patienter, såsom de i koma efter hjärtstillestånd.
Han förklarade att läkare under normala omständigheter måste kontrollera EEG-data från dessa patienter.Denna process är tidskrävande och subjektiv, och resultaten kan variera med läkares kompetens och erfarenhet.
Han sa "Hos dessa patienter kan trenden vara långsam.Ibland när läkare vill se om någon återhämtar sig, kan de titta på data som övervakas en gång var tionde sekund.Men att se om det har ändrats från 10 sekunders data som samlats in på 24 timmar är som att titta på om håret har växt under tiden.Men om artificiell intelligens algoritmer och stora mängder data från många patienter används blir det lättare att matcha vad människor ser med långsiktiga mönster, och några subtila förbättringar kan hittas, som kommer att påverka läkarnas beslutsfattande inom omvårdnad ."
Att använda artificiell intelligens för kliniskt beslutsstöd, riskpoäng och tidig varning är ett av de mest lovande utvecklingsområdena för denna revolutionerande dataanalysmetod.
Genom att tillhandahålla kraft till en ny generation av verktyg och system kan läkare bättre förstå sjukdomens nyanser, tillhandahålla omvårdnadstjänster mer effektivt och lösa problem i förväg.Artificiell intelligens kommer att inleda en ny era av att förbättra kvaliteten på klinisk behandling och göra spännande genombrott inom patientvården.
Posttid: 2021-06-06
