12 tapaa tekoälyllä vaikuttaa terveydenhuoltoalaan

Tekoälystä odotetaan muutoksen voimaa terveydenhuollon alalla. Joten miten lääkärit ja potilaat hyötyvät tekoälyvetoisten työkalujen vaikutuksesta?
Nykypäivän terveydenhuoltoala on hyvin kypsä ja voi tehdä joitain suuria muutoksia. Kroonisista sairauksista ja syövästä radiologiaan ja riskinarviointiin terveydenhuoltoalalla näyttää olevan lukemattomia mahdollisuuksia käyttää tekniikkaa tarkempien, tehokkaampien ja vaikuttavampien toimenpiteiden käyttöönottamiseksi potilaiden hoidossa.
Tekniikan kehittyessä potilailla on yhä korkeammat vaatimukset lääkäreille, ja käytettävissä olevien tietojen määrä kasvaa edelleen hälyttävästi. Tekoälystä tulee moottori, joka edistää sairaanhoidon jatkuvaa parantamista.
Perinteiseen analyysiin ja kliiniseen päätöksentekotekniikkaan verrattuna tekoälyllä on monia etuja. Kun oppimisalgoritmi on vuorovaikutuksessa koulutustietojen kanssa, se voi muuttua tarkemmaksi, jolloin lääkärit voivat saada ennennäkemättömiä näkemyksiä diagnoosista, hoitoprosessista, hoidon vaihtelevuudesta ja potilaan tuloksista.
Partners Healthcaren järjestämässä vuoden 2018 maailman tekoälyn lääketieteellisen innovoinnin foorumissa (wmif) lääketieteen tutkijat ja kliiniset asiantuntijat käsittelivät lääketieteen tekniikoita ja aloja, joilla todennäköisesti on merkittävä vaikutus tekoälyn käyttöönottoon seuraavalla vuosikymmenen ajan.
Anne kiblanksi, WMIF: n CO -puheenjohtaja vuonna 2018, ja Gregg Meyer, MD, Partners Healthcaren akateeminen johtaja, sanoivat, että tällainen "mullistus", joka tuodaan jokaiseen teollisuusalueeseen, voi tuoda merkittäviä etuja potilaille ja on laaja liiketoiminnan menestyspotentiaali.
Asiantuntijoiden avustuksella kumppaneiden terveydenhuollosta, mukaan lukien tohtori Keith Dreyer, Harvard Medical Schoolin (HMS) professori, kumppanien tietojenkäsittelytieteen päällikkö ja tohtori Katherine andreole, Massachusetts General Hospitalin (MGH) tutkimusstrategian ja operaatioiden johtaja , ehdotti 12 tapaa, joilla tekoäly mullistaa lääketieteelliset palvelut ja tieteen.
1.Yhdistä ajattelu ja kone aivotietokoneen käyttöliittymän kautta

Tietokoneen käyttäminen kommunikointiin ei ole uusi idea, mutta suoran rajapinnan luominen tekniikan ja ihmisen ajattelun välille ilman näppäimistöä, hiirtä ja näyttöä on eturivin tutkimusala, jolla on tärkeä sovellus joillekin potilaille.
Hermoston sairaudet ja traumat voivat saada jotkut potilaat menettämään mielekkään keskustelun, liikkumisen ja vuorovaikutuksen kyvyn muiden ja ympäristönsä kanssa. Tekoälyn tukema aivotietokoneen käyttöliittymä (BCI) voi palauttaa nämä peruskokemukset potilaille, jotka ovat huolissaan näiden toimintojen menettämisestä ikuisesti.
"Jos näen potilaan neurologian tehohoidossa, joka yhtäkkiä menettää kykynsä toimia tai puhua, toivon palauttavan hänen kommunikointikykynsä seuraavana päivänä", sanoi Leigh Hochberg, MD, neuroteknologian ja neurorehabilitation -keskuksen johtaja Massachusetts General Hospital (MGH). Käyttämällä aivotietokoneen rajapintaa (BCI) ja tekoälyä voimme aktivoida kädenliikkeeseen liittyvät hermot, ja meidän pitäisi pystyä saamaan potilas kommunikoimaan muiden kanssa vähintään viisi kertaa koko toiminnan aikana, esimerkiksi käyttämällä kaikkialla esiintyvää viestintätekniikkaa tabletteina tai matkapuhelimina. "
Aivotietokoneen käyttöliittymä voi parantaa huomattavasti elämänlaatua potilailla, joilla on amyotrofinen lateraaliskleroosi (ALS), aivohalvaus tai atresiaoireyhtymä, sekä 500000 selkäydinvammaa sairastavaa potilasta maailmanlaajuisesti vuosittain.
2.Kehittää seuraavan sukupolven säteilyvälineitä

Magneettikuvauksella (MRI), CT-skannerilla ja röntgensäteillä saadut säteilykuvat tarjoavat ei-invasiivisen näkyvyyden ihmiskehon sisälle. Monet diagnostiset toimenpiteet perustuvat kuitenkin edelleen biopsialla saatuihin fyysisiin kudosnäytteisiin, joilla on infektioriski.
Asiantuntijat ennustavat, että joissakin tapauksissa tekoäly mahdollistaa seuraavan sukupolven radiologiatyökalujen olevan riittävän tarkkoja ja yksityiskohtaisia ​​korvaamaan elävien kudosnäytteiden kysynnän.
Alexandra golby, MD, Brighamin naisten sairaalan (BWh) kuvaohjatun neurokirurgian johtaja, sanoi: "Haluamme tuoda diagnostisen kuvantamistyöryhmän yhteen kirurgien tai interventioradiologien ja patologien kanssa, mutta se on valtava haaste eri tiimeille yhteistyön saavuttamiseksi ja tavoitteiden johdonmukaisuus. Jos haluamme radiologian toimittavan kudosnäytteistä tällä hetkellä saatavilla olevat tiedot, meidän on pystyttävä saavuttamaan hyvin tiukat standardit voidaksemme tietää minkä tahansa pikselin perustiedot. "
Menestys tässä prosessissa voi auttaa lääkäreitä ymmärtämään tarkemmin kasvaimen yleistä suorituskykyä sen sijaan, että he tekisivät hoitopäätöksiä pienen osan pahanlaatuisen kasvaimen ominaisuuksien perusteella.
Tekoäly voi myös määritellä paremmin syövän invasiivisuuden ja määrittää hoidon kohteen paremmin. Lisäksi tekoäly auttaa toteuttamaan "virtuaalisen biopsian" ja edistämään innovointia radiologian alalla, joka on sitoutunut käyttämään kuvapohjaisia ​​algoritmeja kasvainten fenotyyppisten ja geneettisten ominaisuuksien karakterisoimiseen.
3.Laajenna lääketieteellisiä palveluja alipalveluilla tai kehittyvillä alueilla

Kehittyneiden maiden koulutettujen terveydenhuollon tarjoajien, mukaan lukien ultraääniteknikot ja radiologit, puute vähentää merkittävästi mahdollisuuksia käyttää lääketieteellisiä palveluja potilaiden hengen pelastamiseksi.
Kokouksessa todettiin, että kuudessa Bostonin sairaalassa kuuluisalla Longwood Avenuella työskentelee enemmän radiologeja kuin kaikissa Länsi -Afrikan sairaaloissa.
Tekoäly voi auttaa lieventämään kriittisen lääkäreiden puutteen vaikutuksia ottamalla osa ihmisille normaalisti osoitetuista diagnostisista tehtävistä.
Esimerkiksi AI-kuvantamistyökalu voi käyttää rintakehän röntgensäteitä tuberkuloosin oireiden tutkimiseen, yleensä samalla tarkkuudella kuin lääkäri. Tämä ominaisuus voidaan ottaa käyttöön sovelluksella resurssien köyhillä alueilla toimiville palveluntarjoajille, mikä vähentää kokeneiden diagnostisten radiologien tarvetta.
"Tällä tekniikalla on suuria mahdollisuuksia parantaa terveydenhuoltoa", sanoi tohtori jayashree kalpathy Cramer, neurotieteen assistentti ja Massachusetts General Hospitalin (MGH) radiologian apulaisprofessori
Tekoälyalgoritmin kehittäjien on kuitenkin harkittava huolellisesti sitä, että eri kansallisuuksista tai alueista tulevilla ihmisillä voi olla ainutlaatuisia fysiologisia ja ympäristötekijöitä, jotka voivat vaikuttaa taudin suorituskykyyn.
"Esimerkiksi Intian sairauksista kärsivä väestö voi olla hyvin erilainen kuin Yhdysvalloissa", hän sanoi. Kun kehitämme näitä algoritmeja, on erittäin tärkeää varmistaa, että tiedot edustavat taudin esitystä ja populaation monimuotoisuutta. Emme voi vain kehittää algoritmeja, jotka perustuvat yhteen populaatioon, mutta toivomme myös, että sillä voi olla rooli muissa populaatioissa. "
4. vähentää sähköisten terveystietojen käyttötaakkaa

Sähköisellä terveystietueella on ollut tärkeä rooli terveydenhuollon digitaalisessa matkassa, mutta tämä muutos on tuonut lukuisia ongelmia, jotka liittyvät kognitiiviseen ylikuormitukseen, loputtomiin asiakirjoihin ja käyttäjien väsymykseen.
Sähköisten terveystietojen kehittäjät käyttävät nyt tekoälyä luodakseen intuitiivisemman käyttöliittymän ja automatisoidakseen paljon aikaa vieviä rutiineja.
Tohtori Adam Landman, varapresidentti ja Brigham Healthin tiedottaja, sanoi, että käyttäjät käyttävät suurimman osan ajastaan ​​kolmeen tehtävään: kliiniseen dokumentointiin, tilausten syöttämiseen ja postilaatikoiden lajitteluun. Puheentunnistus ja sanelu voivat auttaa parantamaan kliinistä asiakirjojen käsittelyä, mutta luonnollisen kielen käsittely (NLP) -työkalut eivät ehkä riitä.
"Mielestäni saattaa olla tarpeen olla rohkeampi ja harkita joitain muutoksia, kuten videotallennuksen käyttämistä kliiniseen hoitoon, aivan kuten poliisin kamerat", Landman sanoi. Tekoälyä ja koneoppimista voidaan käyttää näiden videoiden indeksointiin tulevaa hakua varten. Aivan kuten Siri ja Alexa, jotka käyttävät tekoälyn avustajia kotona, virtuaaliset avustajat tuodaan potilaiden sängylle tulevaisuudessa, jolloin lääkärit voivat käyttää sulautettua älykkyyttä lääketieteellisten tilausten tekemiseen. "

Tekoäly voi myös auttaa käsittelemään postilaatikoiden rutiinipyyntöjä, kuten lääkevalmisteita ja tulosten ilmoittamista. Se voi myös auttaa priorisoimaan tehtäviä, jotka todella tarvitsevat lääkäreiden huomiota, mikä helpottaa potilaiden tehtävälistan käsittelyä, Landman lisäsi.
5.Riski antibioottiresistenssistä

Antibioottiresistenssi on kasvava uhka ihmisille, koska näiden keskeisten lääkkeiden liiallinen käyttö voi johtaa superbakteerien kehittymiseen, jotka eivät enää reagoi hoitoon. Monilääkeresistentit bakteerit voivat aiheuttaa vakavia vaurioita sairaalaympäristössä ja tappaa kymmeniä tuhansia potilaita vuosittain. Pelkästään Clostridium difficile maksaa Yhdysvaltain terveydenhuoltojärjestelmälle noin 5 miljardia dollaria vuodessa ja aiheuttaa yli 30000 kuolemaa.
EHR -tiedot auttavat tunnistamaan infektiomallit ja korostamaan riskin ennen kuin potilas alkaa näyttää oireita. Koneoppimisen ja tekoälytyökalujen käyttäminen näiden analyysien ajamiseen voi parantaa niiden tarkkuutta ja luoda nopeampia ja tarkempia hälytyksiä terveydenhuollon tarjoajille.
"Tekoälyvälineet voivat täyttää odotukset infektioiden torjunnasta ja antibioottiresistenssistä", sanoi tohtori Erica Shenoy, Massachusetts General Hospitalin (MGH) infektioiden hallinnan apulaisjohtaja. Jos eivät, kaikki epäonnistuvat. Koska sairaaloilla on paljon EHR -tietoja, jos ne eivät hyödynnä niitä täysimääräisesti, jos ne eivät luo teollisuudenaloja, jotka ovat älykkäämpiä ja nopeampia kliinisten tutkimusten suunnittelussa, ja jos he eivät käytä näitä tietoja luovia terveydenhuoltosäännöksiä, he kohtaavat epäonnistumisen. "
6.Luo tarkempi analyysi patologisille kuville

Tohtori Jeffrey Golden, Brighamin naisten sairaalan (BWh) patologian osaston johtaja ja HMS: n patologian professori, sanoi, että patologit tarjoavat yhden tärkeimmistä diagnostisten tietojen lähteistä monille lääketieteellisille palveluntarjoajille.
"70% terveydenhuollon päätöksistä perustuu patologisiin tuloksiin, ja 70% - 75% kaikesta terveydenhuoltosäännöstön tiedosta tulee patologisista tuloksista", hän sanoi. Ja mitä tarkemmat tulokset ovat, sitä nopeammin oikea diagnoosi tehdään. Tämä on tavoite, jonka digitaalipatologialla ja tekoälyllä on mahdollisuus saavuttaa. "
Syvä pikselitasoanalyysi suurissa digitaalisissa kuvissa antaa lääkäreille mahdollisuuden tunnistaa pienet erot, jotka voivat paeta ihmissilmiä.
"Olemme nyt tulleet siihen pisteeseen, jossa voimme paremmin arvioida, kehittyykö syöpä nopeasti vai hitaasti ja miten muuttaa potilaiden hoitoa algoritmien eikä kliinisten vaiheiden tai histopatologisen luokittelun perusteella", Golden sanoi. Siitä tulee valtava askel eteenpäin. "
Hän lisäsi: "Tekoäly voi myös parantaa tuottavuutta tunnistamalla dioista kiinnostavia ominaisuuksia ennen kuin lääkärit tarkistavat tiedot. Tekoäly voi suodattaa dioja ja ohjata meitä näkemään oikean sisällön, jotta voimme arvioida, mikä on tärkeää ja mikä ei. Tämä parantaa patologien käytön tehokkuutta ja lisää heidän tutkimuksensa arvoa kussakin tapauksessa. "
Tuo älykkyyttä lääketieteellisiin laitteisiin ja koneisiin

Älylaitteet ottavat haltuunsa kuluttajaympäristöt ja tarjoavat laitteita, jotka vaihtelevat reaaliaikaisesta videosta jääkaapin sisällä autoihin, jotka havaitsevat kuljettajan huomion.
Lääketieteellisessä ympäristössä älykkäät laitteet ovat välttämättömiä potilaiden seurannassa teho -osastoilla ja muualla. Tekoälyn käyttö parantaa kykyä havaita tilan heikkeneminen, esimerkiksi osoittamalla, että sepsis on kehittymässä, tai komplikaatioiden havaitseminen voi parantaa tuloksia merkittävästi ja vähentää hoitokustannuksia.
"Kun puhumme eri tietojen integroimisesta terveydenhuoltojärjestelmään, meidän on integroitava ja varoitettava ICU -lääkäreitä puuttumaan asiaan mahdollisimman varhaisessa vaiheessa, ja että näiden tietojen yhdistäminen ei ole hyvä asia, jota ihmislääkärit voivat tehdä", sanoi Michalski. , BWh: n kliinisten tietojen tiedekeskuksen toimitusjohtaja. Älykkäiden algoritmien lisääminen näihin laitteisiin vähentää lääkäreiden kognitiivista rasitusta ja varmistaa, että potilaita hoidetaan mahdollisimman nopeasti. "
8. immunoterapian edistäminen syövän hoidossa

Immunoterapia on yksi lupaavimmista tavoista syövän hoitoon. Käyttämällä kehon omaa immuunijärjestelmää hyökkäämään pahanlaatuisiin kasvaimiin potilaat voivat ehkä voittaa itsepäiset kasvaimet. Kuitenkin vain harvat potilaat reagoivat nykyiseen immunoterapiaohjelmaan, eikä onkologeilla vieläkään ole tarkkaa ja luotettavaa menetelmää sen määrittämiseksi, mitkä potilaat hyötyvät hoidosta.
Koneoppimisalgoritmit ja niiden kyky syntetisoida erittäin monimutkaisia ​​tietojoukkoja voivat ehkä selvittää yksilöiden ainutlaatuisen geenikoostumuksen ja tarjota uusia vaihtoehtoja kohdennetulle hoidolle.
"Viime aikoina jännittävin kehitys on ollut tarkistuspisteen estäjät, jotka estävät tiettyjen immuunisolujen tuottamia proteiineja", kertoo tohtori long Le, Massachusetts General Hospitalin (MGH) kattavan diagnostiikkakeskuksen laskennallisen patologian ja teknologian kehittämisen johtaja. Mutta emme silti ymmärrä kaikkia ongelmia, mikä on hyvin monimutkaista. Tarvitsemme ehdottomasti lisää potilastietoja. Nämä hoidot ovat suhteellisen uusia, joten monet potilaat eivät todellakaan ota niitä. Siksi meidän on integroitava tiedot organisaation sisällä tai useiden organisaatioiden välillä, joten se on keskeinen tekijä potilaiden määrän lisäämisessä ohjaamaan mallinnusprosessia. "
9. Muuta sähköiset terveystiedot luotettaviksi riskiennusteiksi

Sähköinen terveystieto (hänen) on potilastietojen aarre, mutta palveluntarjoajille ja kehittäjille on jatkuva haaste saada ja analysoida suuri määrä tietoa tarkalla, oikea -aikaisella ja luotettavalla tavalla.
Tietojen laatu- ja eheysongelmat yhdistettynä datamuotosekaannuksiin, jäsenneltyihin ja jäsentämättömiin syöttöihin ja epätäydellisiin tietueisiin vaikeuttavat ihmisten ymmärrystä tarkasti siitä, miten tarkoituksenmukainen riskien kerrostaminen, ennakoiva analyysi ja kliinisten päätösten tuki suoritetaan.
Ziad OBERMEYER, apulaisprofessori Brighamin naisten sairaalassa (BWh) ja apulaisprofessori Harvardin lääketieteellisessä koulussa (HMS), sanoi: "Tietojen yhdistäminen yhteen paikkaan on kovaa työtä. Mutta toinen ongelma on ymmärtää mitä ihmiset saavat ennustaessaan sairauden sähköisessä terveystietueessaan. Ihmiset saattavat kuulla, että tekoälyalgoritmit voivat ennustaa masennuksen tai aivohalvauksen, mutta huomaavat, että he todella ennustavat aivohalvauksen kustannusten nousua. Se on hyvin erilainen kuin aivohalvaus itse. "

Hän jatkoi: "MRI -tuloksiin luottaminen näyttää antavan tarkemman tietojoukon. Mutta nyt meidän on mietittävä, kenellä on varaa MRI: hen. Joten lopullinen ennuste ei ole odotettu tulos."
NMR -analyysi on tuottanut monia onnistuneita riskipisteytys- ja kerrostustyökaluja, varsinkin kun tutkijat käyttävät syvän oppimisen tekniikoita uusien yhteyksien löytämiseksi näennäisesti toisistaan ​​riippumattomien tietojoukkojen välillä.
OBERMEYER uskoo kuitenkin, että sen varmistaminen, että nämä algoritmit eivät tunnista tietoihin piilotettuja harhaa, on ratkaisevan tärkeää työkalujen käyttöönotolle, jotka voivat todella parantaa kliinistä hoitoa.
"Suurin haaste on varmistaa, että tiedämme tarkalleen, mitä ennustimme, ennen kuin aloitamme mustan laatikon avaamisen ja tarkastelemme ennustamista", hän sanoi
10. terveydentilan seuranta puettavien laitteiden ja henkilökohtaisten laitteiden avulla

Lähes kaikki kuluttajat voivat nyt kerätä tietoja terveydellisistä arvoista antureiden avulla. Askelseurantalaitteilla varustetuista älypuhelimista puettaviin laitteisiin, jotka seuraavat sykettä koko päivän, voidaan luoda yhä enemmän terveyteen liittyviä tietoja milloin tahansa.
Näiden tietojen kerääminen ja analysointi sekä potilaiden sovellusten ja muiden kodinvalvontalaitteiden kautta antamien tietojen täydentäminen voi tarjota ainutlaatuisen näkökulman yksilöiden ja väestön terveydelle.
Tekoälyllä on tärkeä rooli hyödyllisen oivalluksen keräämisessä tästä suuresta ja monipuolisesta tietokannasta.
Mutta tohtori Omar arnout, Brighamin naisten sairaalan (BWh) neurokirurgi, laskennallisten neurotieteen tulosten keskuksen johtaja, sanoi, että potilaiden sopeutuminen tähän intiimiin ja jatkuvaan seurantaan voi vaatia lisätyötä.
"Olimme aika vapaita käsittelemään digitaalista dataa", hän sanoi. Mutta kun tietovuotoja esiintyy Cambridgen analytiikassa ja Facebookissa, ihmiset ovat yhä varovaisempia siitä, kenen kanssa jakaa jakamiaan tietoja. "
Potilaat luottavat lääkäreihinsä enemmän kuin suuret yritykset, kuten Facebook, hän lisäsi, mikä voisi auttaa lievittämään epämukavuutta tarjota tietoja laajoille tutkimusohjelmille.
"On todennäköistä, että puettavilla tiedoilla on merkittävä vaikutus, koska ihmisten huomio on hyvin vahingossa ja kerätyt tiedot ovat hyvin karkeita", arnout sanoi. Keräämällä jatkuvasti rakeisia tietoja, tiedot auttavat lääkäreitä paremmin potilaiden hoidossa. "
11. tee älypuhelimista tehokas diagnostiikkatyökalu

Asiantuntijat uskovat, että älypuhelimista ja muista kuluttajatason resursseista saaduista kuvista tulee tärkeä täydennys kliinisen laadun kuvantamiseen etenkin heikossa asemassa olevilla alueilla tai kehitysmaissa jatkamalla kannettavien laitteiden tehokkaiden toimintojen käyttöä.
Mobiilikameran laatu paranee joka vuosi, ja se voi tuottaa kuvia, joita voidaan käyttää tekoälyalgoritmin analysointiin. Ihotautilääketiede ja silmälääketiede ovat tämän suuntauksen varhaisia ​​hyötyjiä.
Brittiläiset tutkijat ovat jopa kehittäneet työkalun kehityssairauksien tunnistamiseen analysoimalla lasten kasvojen kuvia. Algoritmi voi havaita erillisiä piirteitä, kuten lasten alaleuan viivan, silmien ja nenän asennon ja muut ominaisuudet, jotka voivat viitata kasvojen poikkeavuuksiin. Tällä hetkellä työkalu voi yhdistää tavalliset kuvat yli 90 sairauteen kliinisen päätöksenteon tukemiseksi.
Tohtori Hadi shafiee, Brighamin naisten sairaalan (BWh) mikro- / nanolääketieteen ja digitaalisen terveyslaboratorion johtaja, sanoi: "Useimmat ihmiset on varustettu tehokkailla matkapuhelimilla, joissa on sisäänrakennettuja erilaisia ​​antureita. Se on loistava tilaisuus meille. Lähes kaikki alan toimijat ovat alkaneet rakentaa Ai -ohjelmistoja ja -laitteita laitteisiinsa. Se ei ole sattumaa. Digitaalisessa maailmassa syntyy päivittäin yli 2,5 miljoonaa teratavua dataa. Matkapuhelinten alalla valmistajat uskovat voivansa käyttää tätä dataa tekoälyä varten yksilöllisempien, nopeampien ja älykkäämpien palvelujen tarjoamiseksi. "
Älypuhelimien käyttäminen kuvien keräämiseen potilaiden silmistä, ihovaurioista, haavoista, infektioista, lääkkeistä tai muista aiheista voi auttaa ratkaisemaan asiantuntijapulaa alipalvelualueilla ja lyhentämään aikaa tiettyjen valitusten diagnosointiin.
"Tulevaisuudessa voi olla joitain suuria tapahtumia, ja voimme käyttää tätä tilaisuutta hyväksemme ratkaistaksemme joitakin tärkeitä sairauksien hoidon ongelmia hoitopisteessä", shafiee sanoi
12. innovatiivinen kliininen päätöksenteko sängyn tekoälyn avulla

Kun terveydenhuoltoala siirtyy maksullisiin palveluihin, se on yhä kaukana passiivisesta terveydenhuollosta. Ennaltaehkäisy ennen kroonisia sairauksia, akuutteja sairaustapahtumia ja äkillistä huononemista on kunkin tarjoajan tavoite, ja korvausrakenne mahdollistaa viime kädessä sen, että he voivat kehittää prosesseja, joilla voidaan saavuttaa aktiivinen ja ennakoiva interventio.
Tekoäly tarjoaa monia perustekniikoita tähän kehitykseen tukemalla ennakoivaa analyysiä ja kliinisten päätösten tukityökaluja ongelmien ratkaisemiseksi ennen kuin palveluntarjoajat ymmärtävät tarpeen ryhtyä toimiin. Tekoäly voi antaa varhaisen varoituksen epilepsiasta tai sepsiksestä, mikä yleensä vaatii erittäin monimutkaisten tietojoukkojen perusteellista analysointia.
Brandon Westover, MD, Massachusetts General Hospitalin (MGH) kliinisten tietojen johtaja, sanoi, että koneoppiminen voisi myös auttaa tukemaan kriittisesti sairaiden potilaiden, kuten sydämenpysähdyksen jälkeen koomassa olevien, hoidon jatkamista.
Hän selitti, että normaalioloissa lääkäreiden on tarkistettava näiden potilaiden EEG -tiedot. Tämä prosessi on aikaa vievä ja subjektiivinen, ja tulokset voivat vaihdella lääkärien taitojen ja kokemuksen mukaan.
Hän sanoi: ”Näillä potilailla suuntaus voi olla hidas. Joskus kun lääkärit haluavat nähdä, onko joku toipumassa, he voivat tarkastella tietoja, joita seurataan kerran 10 sekunnissa. Kuitenkin nähdä, onko se muuttunut 10 sekunnista 24 tunnin aikana kerätyistä tiedoista, on kuin katsoa, ​​ovatko hiukset kasvaneet sillä välin. Jos kuitenkin käytetään tekoälyalgoritmeja ja suuria määriä tietoja monilta potilailta, on helpompi sovittaa ihmisten näkemys pitkän aikavälin malleihin, ja joitakin hienovaraisia ​​parannuksia saattaa löytyä, mikä vaikuttaa lääkäreiden päätöksentekoon hoitotyössä . "
Tekoälyteknologian käyttö kliinisten päätösten tukemiseen, riskien pisteytykseen ja varhaisvaroitukseen on yksi tämän vallankumouksellisen tietoanalyysimenetelmän lupaavimmista kehitysalueista.
Tarjoamalla voimia uuden sukupolven työkaluille ja järjestelmille lääkärit voivat paremmin ymmärtää sairauden vivahteita, tarjota hoitopalveluja tehokkaammin ja ratkaista ongelmia etukäteen. Tekoäly aloittaa uuden aikakauden parantaa kliinisen hoidon laatua ja tekee jännittäviä läpimurtoja potilaiden hoidossa.


Viestin aika: 06.06.2021