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 patientpleje.
Med udviklingen af teknologi har patienterne højere og højere krav til læger, og antallet af tilgængelige data vokser fortsat med en alarmerende hastighed.Kunstig intelligens bliver en motor til at fremme den kontinuerlige forbedring af medicinsk behandling.
Sammenlignet med traditionel analyse og klinisk beslutningsteknologi har kunstig intelligens mange fordele.Når læringsalgoritmen interagerer med træningsdataene, kan det blive mere nøjagtige, hvilket gør det muligt for læger at få hidtil uset indsigt i diagnose, sygeplejeproces, behandlingsvariabilitet og patientresultater.
På World Artificial Intelligence Medical Innovation Forum (WMIF) i 2018, der blev afholdt af partnere sundhedsydelser, medicinske forskere og kliniske eksperter uddybet teknologierne og felterne i den medicinske industri, der mest sandsynligt har en betydelig indflydelse på vedtagelsen af kunstig intelligens i den næste 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" bragt til ethvert brancheområde har potentialet til at bringe betydelige fordele for patienterne og har brede forretningssuccespotentiale.
Ved hjælp af eksperter fra Partners Healthcare, herunder Dr. Keith Dreyer, professor i Harvard Medical School (HMS), Chief Data Science Officer for Partners, og Dr. Katherine Andreole, direktør for forskningsstrategi og operationer på Massachusetts General Hospital (MGH) , foreslog 12 måder, som AI vil revolutionere medicinske tjenester og videnskab.
1. Forstå tænkning og maskine gennem hjernecomputergrænsefladen
Brug af computer til at kommunikere er ikke en ny idé, men at skabe en direkte grænseflade mellem teknologi og menneskelig tænkning uden tastatur, mus og display er et grænseforskningsfelt, der har vigtig anvendelse for nogle patienter.
Nervesystemsygdomme og traumer kan få nogle patienter til at miste evnen til meningsfuld samtale, bevægelse og interaktion med andre og deres miljø.Brain Computer Interface (BCI) understøttet af kunstig intelligens kan gendanne disse grundlæggende oplevelser for patienter, der er bekymrede for at miste disse funktioner for evigt.
"Hvis jeg ser en patient i Neurology Intensive Care Unit, der pludselig mister evnen til at handle eller tale, håber jeg at gendanne hans evne til at kommunikere den næste dag," sagde Leigh Hochberg, MD, direktør for Center for Neuroteknologi og Neurorehabilitation på Massachusetts General Hospital (MGH).Ved at bruge hjernecomputergrænseflade (BCI) og kunstig intelligens kan vi aktivere nerverne relateret til håndbevægelse, 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 sådan som tabletcomputere eller mobiltelefoner."
Hjernecomputergrænseflade kan i høj grad forbedre livskvaliteten hos patienter med amyotrofisk lateral sklerose (ALS), slagtilfælde eller Atresia -syndrom samt 500000 patienter med rygmarvsskade over hele verden hvert år.
2. Udvikle den næste generation af strålingsværktøjer
Strålingsbilleder opnået ved magnetisk resonansafbildning (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 risikoen for infektion.
Eksperter forudsiger, at kunstig intelligens i nogle tilfælde vil gøre det muligt for den næste generation af radiologiske værktøjer 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 vil bringe diagnostisk billeddannelseshold sammen med kirurger eller interventionsradiologer og patologer, men det er en enorm udfordring for forskellige teams at opnå samarbejde og konsistens af mål. Hvis vi ønsker, at radiologi skal give de oplysninger, der i øjeblikket er tilgængelige fra vævsprøver, skal vi være i stand til at opnå meget tætte standarder for at kende de grundlæggende kendsgerninger for en given pixel. "
Succes i denne proces kan gøre det muligt for klinikere mere nøjagtigt at forstå tumorens samlede ydeevne snarere end at træffe behandlingsbeslutninger baseret på en lille del af attributterne for den ondartede tumor.
AI kan også bedre definere kræftens invasivitet og mere passende bestemme behandlingsmålet.Derudover hjælper kunstig intelligens med at realisere "virtuel biopsi" og fremme innovation inden for radiologi, der er forpligtet til at bruge billedbaserede algoritmer til at karakterisere de fænotypiske og genetiske egenskaber ved tumorer.
3. Expand Medical Services i undervurderede eller udviklingsområder
Manglen på uddannede sundhedsudbydere i udviklingslande, herunder ultralydteknikere 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 ansvar, der normalt er tildelt mennesker.
For eksempel kan et AI-billeddannelsesværktøj bruge røntgenstråler i brystet til at undersøge symptomerne på tuberkulose, normalt med den samme nøjagtighed som læge.Denne funktion kan implementeres gennem en ansøgning om udbydere i fattige områder af ressourcer, hvilket reducerer behovet for erfarne diagnostiske radiologer.
"Denne teknologi har et stort potentiale til at forbedre sundhedsydelser," 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 med forskellige nationaliteter eller regioner kan have unikke fysiologiske og miljømæssige faktorer, som kan påvirke sygdommens ydeevne.
”For eksempel kan den befolkning, der er berørt 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 befolkning, men håber også, at den kan spille en rolle i andre populationer."
4. Reducer brugsbyrden af elektroniske sundhedsregistre
Elektronisk sundhedsrekord (hende) har spillet en vigtig rolle i den digitale rejse inden for sundhedsindustrien, men denne transformation har bragt adskillige problemer relateret til kognitiv overbelastning, uendelige dokumenter og brugertræthed.
Elektronisk sundhedsrekord (hendes) udviklere bruger nu kunstig intelligens til at skabe en mere intuitiv grænseflade og automatisere rutiner, der tager en masse brugertid.
Dr. Adam Landman, vicepræsident og Chief Information Officer for Brigham Health, sagde, at brugerne bruger det meste af deres tid på tre opgaver: klinisk dokumentation, ordreindgang og sortering af deres indbakker.Talegenkendelse og diktat kan hjælpe med at forbedre klinisk dokumentbehandling, men Natural Language Processing (NLP) -værktøjer er muligvis ikke nok.
"Jeg tror, det kan være nødvendigt at være mere dristig og overveje nogle ændringer, såsom at bruge videooptagelse til klinisk behandling, ligesom politiet iført kameraer," sagde Landman.Kunstig intelligens og maskinlæring kan derefter bruges til at indeksere disse videoer til fremtidig hentning.Ligesom Siri og Alexa, der bruger kunstige intelligensassistenter derhjemme, vil virtuelle assistenter blive bragt til patienternes seng i fremtiden, hvilket giver klinikere mulighed for at bruge indlejret intelligens til at komme ind i medicinske ordrer."
AI kan også hjælpe med at håndtere rutinemæssige anmodninger fra indbakker, såsom narkotikatilskud og anmeldelse af resultater.Det kan også hjælpe med at prioritere opgaver, der virkelig har brug for klinikernes opmærksomhed, hvilket gør det lettere for patienter at behandle deres opgavelister, tilføjede Landman.
5. Risk af antibiotikaresistens
Antibiotikaresistens er en voksende trussel mod mennesker, fordi overforbrug af disse nøglemedicin kan føre til udviklingen af superbakterier, der ikke længere reagerer på behandling.Multikresistente bakterier kan forårsage alvorlig skade i hospitalets miljø og dræbe titusinder af patienter hvert år.Clostridium difficile alene koster omkring 5 milliarder dollars om året til det amerikanske sundhedsvæsen og forårsager mere end 30000 dødsfald.
EHR -data hjælper med at identificere infektionsmønstre og fremhæve risikoen, før patienten begynder at vise symptomer.Brug af maskinlæring og kunstige intelligensværktøjer til at drive disse analyser kan forbedre deres nøjagtighed og skabe hurtigere og mere nøjagtige alarmer for udbydere af sundhedsydelser.
"Kunstige intelligensværktøjer kan imødekomme forventningerne til infektionsbekæmpelse og antibiotikaresistens," sagde Dr. Erica Shenoy, viceadministrerende direktør for infektionsbekæmpelse på Massachusetts General Hospital (MGH).Hvis de ikke gør det, vil alle mislykkes.Fordi hospitaler har en masse EHR -data, hvis de ikke bruger fuldt ud dem, hvis de ikke skaber industrier, der er smartere og hurtigere i klinisk forsøgsdesign, og hvis de ikke bruger EHR'er, der opretter disse data, De står over for fiasko."
6. Opret mere nøjagtig analyse for patologiske billeder
Dr. Jeffrey Golden, chef for patologiafdelingen ved 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 beslutninger om sundhedsydelser er baseret på patologiske resultater, og mellem 70% og 75% af alle data i EHR'er kommer fra patologiske resultater," sagde han.Og jo mere nøjagtige resultaterne er, jo før den korrekte diagnose stilles.Dette er det mål, 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 ændrer behandlingen af patienter baseret på algoritmer snarere end kliniske stadier eller histopatologisk klassificering," sagde Golden.Det bliver et stort skridt fremad."
Han tilføjede, "AI kan også forbedre produktiviteten ved at identificere funktioner af interesse i lysbilleder, før klinikere gennemgår dataene. AI kan filtrere gennem lysbilleder og guide os for at se det rigtige indhold, så vi kan vurdere, hvad der er vigtigt og hvad der ikke er. Dette forbedres Effektiviteten af brugen af patologer og øger værdien af deres undersøgelse af hvert enkelt tilfælde. "
Medbring intelligens til medicinsk udstyr og maskiner
Smarte enheder overtager forbrugermiljøer og leverer enheder, der spænder fra realtidsvideo inde i køleskabet til biler, der registrerer driverdistraktion.
I et medicinsk miljø er intelligente enheder vigtige for at overvåge patienter i ICU'er og andre steder.Brugen af kunstig intelligens til at forbedre evnen til at identificere forringelse af tilstanden, såsom at indikere, at sepsis udvikler sig, eller opfattelsen af komplikationer kan forbedre resultaterne markant og kan reducere behandlingsomkostningerne.
"Når vi taler om at integrere forskellige data på tværs af sundhedsvæsenet, 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 i BWH.Indsættelse af smarte algoritmer i disse enheder reducerer den kognitive byrde for læger og sikrer, at patienter behandles så hurtigt som muligt."
8. Promotering af immunterapi til kræftbehandling
Immunoterapi er en af de mest lovende måder at behandle kræft på.Ved at bruge kroppens eget immunsystem til at angribe ondartede tumorer kan patienter muligvis overvinde stædige tumorer.Imidlertid reagerer kun få patienter på det aktuelle immunterapiregime, og onkologer har stadig ikke en præcis og pålidelig metode til at bestemme, hvilke patienter der vil drage fordel af regimet.
Maskinindlæringsalgoritmer og deres evne til at syntetisere meget komplekse datasæt kan være i stand til at belyse den unikke genesammensætning af individer og give nye muligheder for målrettet terapi.
"For nylig har den mest spændende udvikling været checkpoint -hæmmere, der blokerer proteiner produceret af visse immunceller," forklarer Dr. Long Le, direktør for beregningspatologi og teknologiudvikling på Massachusetts General Hospital (MGH) omfattende diagnostisk center.Men vi forstår stadig ikke alle problemer, hvilket er meget kompliceret.Vi har bestemt brug for flere patientdata.Disse behandlinger er relativt nye, så ikke mange patienter tager dem faktisk.Uanset om vi er nødt til at integrere data i en organisation eller på tværs af flere organisationer, vil det være en nøglefaktor for at øge antallet af patienter til at drive modelleringsprocessen."
9. Drej elektroniske sundhedsregistre til pålidelige risikosprediktorer
Elektronisk sundhedsrekord (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.
Datakvalitets- og integritetsproblemer, kombineret med dataformatforvirring, struktureret og ustruktureret input og ufuldstændige poster, gør det vanskeligt for folk at nøjagtigt forstå, hvordan man udfører meningsfuld risikostratificering, forudsigelsesanalyse og klinisk beslutningsstøtte.
Dr. Ziad Obermeyer, adjunkt i akutmedicin ved Brigham Women's Hospital (BWH) og adjunkt ved Harvard Medical School (HMS), sagde: "Der er noget hårdt arbejde at gøre for at integrere data til et sted. Men et andet problem er at forstå Hvad folk får, når de forudsiger en sygdom i den elektroniske sundhedsrekord (hende). Folk kan høre, at kunstig intelligensalgoritmer 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 MR -resultater ser ud til at give et mere specifikt datasæt. Men nu er vi nødt til at tænke over, hvem der har råd til MR? Så den endelige forudsigelse er ikke det forventede resultat."
NMR -analyse har produceret mange vellykkede risikoscorings- og stratificeringsværktøjer, især når forskere bruger dybe læringsteknikker til at identificere nye forbindelser mellem tilsyneladende ikke -relaterede datasæt.
Imidlertid mener Obermeyer, at det at sikre, at disse algoritmer ikke identificerer de forspændinger, der er skjult i dataene, er afgørende for implementering af værktøjer, der virkelig kan forbedre klinisk pleje.
"Den største udfordring er at sikre, at vi ved nøjagtigt, hvad vi forudsagde, før vi begynder at åbne den sorte boks og se på, hvordan man forudsiger," sagde han
10.Monitorering af sundhedsstatus gennem bærbare enheder og personlige enheder
Næsten alle forbrugere kan nu bruge sensorer til at indsamle data om sundhedsværdi.Fra smartphones med trin tracker til bærbare enheder, der sporer hjerterytme hele dagen, kan flere og flere sundhedsrelaterede data genereres når som helst.
Indsamling og analyse af disse data og supplement til de oplysninger, der leveres af patienter gennem applikationer og andre hjemmeovervågningsenheder, kan give et unikt perspektiv for individuel og crowd sundhed.
AI vil spille en vigtig rolle i at udtrække handlingsmæssige indsigter fra denne store og forskellige database.
Men Dr. Omar Arnout, en neurokirurg på Brigham Women's Hospital (BWH), CO -direktør for Center for Computational Neuroscience Results, sagde, at det kan tage yderligere arbejde for at hjælpe patienter med at tilpasse sig denne intime, igangværende overvågningsdata.
”Vi plejede at være ret fri til at behandle digitale data,” sagde han.Men når datalækager forekommer ved 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 på deres læger mere end store virksomheder som Facebook, tilføjede han, hvilket kunne hjælpe med at lette ubehag ved at levere data til store forskningsprogrammer.
"Det er sandsynligt, at bærbare data vil have en betydelig indflydelse, fordi folks opmærksomhed er meget utilsigtet, og de indsamlede data er meget uslebne," sagde Arnout.Ved kontinuerligt at indsamle granulære data er det mere sandsynligt, at data hjælper læger med bedre pleje af patienter."
11. Lav smarte telefoner et kraftfuldt diagnostisk værktøj
Eksperter mener, at billeder, der er opnået fra smarte telefoner og andre ressourcer på forbrugerniveau, vil blive et vigtigt supplement til billeddannelse af klinisk kvalitet, især i undervurderede områder eller udviklingslande, ved at fortsætte med at bruge de kraftfulde funktioner på 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 registrere diskrete funktioner, såsom børns mandible linje, positionen af øjne og næse og andre attributter, der kan indikere ansigts abnormiteter.På nuværende tidspunkt kan værktøjet matche almindelige billeder med mere end 90 sygdomme for at yde klinisk beslutningsstøtte.
Dr Hadi Shafiee, direktør for Micro / Nano Medicine and Digital Health Laboratory på Brigham Women's Hospital (BWH), sagde: "De fleste er udstyret med kraftfulde mobiltelefoner med mange forskellige sensorer indbygget. Det er en fantastisk mulighed for os. Næsten alle Brancheaktører er begyndt at opbygge AI -software og hardware på deres enheder. Det er ikke en tilfældighed. I vores digitale verden genereres mere end 2,5 millioner terabyte data hver dag. I området mobiltelefoner mener producenter, at de kan bruge dette Data til kunstig intelligens for at levere mere personaliserede, hurtigere og mere intelligente tjenester. "
Brug af smarttelefoner til at indsamle billeder af patienternes øjne, hudlæsioner, sår, infektioner, stoffer eller andre emner kan hjælpe med at tackle manglen på eksperter i undervurderede områder, samtidig med at de reducerer tiden til at diagnosticere visse klager.
"Der kan være nogle større begivenheder i fremtiden, og vi kan drage fordel af denne mulighed for at løse nogle vigtige problemer med sygdomsstyring i plejepunktet," sagde Shafiee
12.Innovering af klinisk beslutningstagning med sengen AI
Når sundhedsindustrien vender sig til gebyrbaserede tjenester, er den i stigende grad væk fra passiv sundhedspleje.Forebyggelse inden kronisk sygdom, akutte sygdomsbegivenheder og pludselig forringelse er målet for hver udbyder, og kompensationsstrukturen giver dem i sidste ende mulighed for at udvikle processer, der kan opnå aktiv og forudsigelig intervention.
Kunstig intelligens vil give mange grundlæggende teknologier til denne udvikling ved at støtte forudsigelig analyse og kliniske beslutningsstøtteværktøjer til at løse problemer, før udbydere er klar over behovet for at gribe ind.Kunstig intelligens kan give tidlig advarsel for epilepsi eller sepsis, som normalt kræver en dybdegående analyse af meget komplekse datasæt.
Brandon Westover, MD, direktør for kliniske data på Massachusetts General Hospital (MGH), sagde, at maskinlæring også kunne hjælpe med at støtte den fortsatte levering af pleje til kritisk syge patienter, såsom dem i koma efter hjertestop.
Han forklarede, at læger under normale omstændigheder skal kontrollere EEG -dataene for disse patienter.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 vil se, om nogen er ved at komme sig, kan de se på data, der overvåges en gang hvert 10. sekund.At se, om det er ændret fra 10 sekunders data indsamlet på 24 timer, er som at se på, om håret er vokset i mellemtiden.Men hvis kunstig intelligensalgoritmer og store mængder data fra mange patienter bruges, vil det være lettere at matche, hvad folk ser med langsigtede mønstre, og nogle subtile forbedringer kan findes, hvilket vil påvirke lægernes beslutningstagning i sygepleje ."
Brug af kunstig intelligensteknologi til klinisk beslutningsstøtte, risikoscoring og tidlig advarsel er et af de mest lovende udviklingsområder i denne revolutionære dataanalysemetode.
Ved at give strøm til en ny generation af værktøjer og systemer, kan klinikere bedre forstå sygdomme med sygdomme, levere sygeplejetjenester mere effektivt og løse problemer på forhånd.Kunstig intelligens vil indlede en ny æra med forbedring af kvaliteten af klinisk behandling og gøre spændende gennembrud i patientpleje.
Indlægstid: Aug-06-2021
