Ակնկալվում է, որ արհեստական ինտելեկտը փոխակերպող ուժ կդառնա առողջապահության ոլորտում։Այսպիսով, ինչպե՞ս են բժիշկներն ու հիվանդները օգուտ քաղում AI-ի վրա հիմնված գործիքների ազդեցությունից:
Այսօրվա առողջապահական ոլորտը շատ հասուն է և կարող է որոշ լուրջ փոփոխություններ կատարել:Քրոնիկ հիվանդություններից և քաղցկեղից մինչև ռադիոլոգիա և ռիսկերի գնահատում, առողջապահական ոլորտը, թվում է, անհամար հնարավորություններ ունի օգտագործելու տեխնոլոգիան՝ ավելի ճշգրիտ, արդյունավետ և արդյունավետ միջամտություններ պացիենտների խնամքում:
Տեխնոլոգիաների զարգացման հետ մեկտեղ հիվանդներն ավելի ու ավելի բարձր պահանջներ ունեն բժիշկների նկատմամբ, և առկա տվյալների թիվը շարունակում է աճել տագնապալի տեմպերով:Արհեստական ինտելեկտը կդառնա բժշկական օգնության շարունակական բարելավմանը նպաստող շարժիչ:
Համեմատած ավանդական վերլուծության և կլինիկական որոշումների կայացման տեխնոլոգիայի հետ՝ արհեստական ինտելեկտը շատ առավելություններ ունի։Երբ ուսուցման ալգորիթմը փոխազդում է վերապատրաստման տվյալների հետ, այն կարող է ավելի ճշգրիտ դառնալ՝ հնարավորություն տալով բժիշկներին աննախադեպ պատկերացումներ ձեռք բերել ախտորոշման, բուժքույրական գործընթացի, բուժման փոփոխականության և հիվանդի արդյունքների վերաբերյալ:
2018 թվականի Արհեստական ինտելեկտի համաշխարհային բժշկական ինովացիոն ֆորումում (wmif), որը անցկացվել է Partners Healthcare-ի կողմից, բժշկական հետազոտողները և կլինիկական փորձագետները մշակել են բժշկական արդյունաբերության տեխնոլոգիաները և ոլորտները, որոնք, ամենայն հավանականությամբ, զգալի ազդեցություն կունենան արհեստական ինտելեկտի ընդունման վրա առաջիկայում: տասնամյակ.
Անն Կիբլանկսին, MD, 2018-ին wmif-ի CO-ի նախագահ և Գրեգ Մեյերը, MD, Partners Healthcare-ի գլխավոր ակադեմիական տնօրեն, ասացին, որ այս տեսակի «դիվերսիան», որը բերվում է արդյունաբերության յուրաքանչյուր ոլորտում, ունի հիվանդներին զգալի օգուտներ բերելու ներուժ և ունի լայն բիզնեսի հաջողության ներուժ:
Գործընկերների առողջապահության փորձագետների օգնությամբ, այդ թվում՝ դոկտոր Քիթ Դրեյերը, Հարվարդի բժշկական դպրոցի (HMS) պրոֆեսորը, գործընկերների տվյալների գիտության գլխավոր տնօրենը և դոկտոր Քեթրին Անդրեոլը, Մասաչուսեթսի գլխավոր հիվանդանոցի (MGH) հետազոտական ռազմավարության և գործառնությունների տնօրենը: , առաջարկեց 12 ուղիներ, որոնցով AI-ն հեղափոխություն կառաջացնի բժշկական ծառայություններում և գիտության մեջ:
1. Միավորել մտածողությունը և մեքենան ուղեղի համակարգչային միջերեսի միջոցով
Համակարգչից հաղորդակցվելու համար օգտագործելը նոր գաղափար չէ, բայց առանց ստեղնաշարի, մկնիկի և էկրանի տեխնոլոգիայի և մարդու մտածողության միջև ուղիղ ինտերֆեյսի ստեղծումը սահմանային հետազոտական ոլորտ է, որը կարևոր կիրառություն ունի որոշ հիվանդների համար:
Նյարդային համակարգի հիվանդությունները և վնասվածքները կարող են ստիպել որոշ հիվանդների կորցնել բովանդակալից զրույցի, շարժման և փոխազդեցության ունակությունը ուրիշների և նրանց շրջապատի հետ:Ուղեղի համակարգչային ինտերֆեյսը (BCI), որն աջակցում է արհեստական ինտելեկտին, կարող է վերականգնել այդ հիմնական փորձառությունները այն հիվանդների համար, ովքեր անհանգստացած են այս գործառույթները ընդմիշտ կորցնելու համար:
«Եթե ես տեսնեմ հիվանդի նյարդաբանության ինտենսիվ թերապիայի բաժանմունքում, ով հանկարծ կորցնում է գործելու կամ խոսելու ունակությունը, հուսով եմ, որ հաջորդ օրը կվերականգնեմ նրա հաղորդակցվելու ունակությունը», - ասաց Լեյ Հոխբերգը, բժիշկ, նեյրոտեխնոլոգիաների և նյարդավերականգնողական կենտրոնի տնօրեն: Մասաչուսեթսի ընդհանուր հիվանդանոց (MGH).Օգտագործելով ուղեղի համակարգչային ինտերֆեյսը (BCI) և արհեստական ինտելեկտը, մենք կարող ենք ակտիվացնել ձեռքի շարժման հետ կապված նյարդերը, և մենք պետք է կարողանանք ստիպել հիվանդին շփվել ուրիշների հետ առնվազն հինգ անգամ ողջ գործունեության ընթացքում, օրինակ՝ օգտագործելով ամենուր տարածված հաղորդակցման տեխնոլոգիաները, ինչպիսիք են. որպես պլանշետային համակարգիչներ կամ բջջային հեռախոսներ:«
Ուղեղի համակարգչային ինտերֆեյսը կարող է մեծապես բարելավել ամիոտրոֆիկ կողային սկլերոզով (ALS), ինսուլտի կամ ատրեզիայի համախտանիշով, ինչպես նաև ողնուղեղի վնասվածքով 500000 հիվանդների կյանքի որակը ամբողջ աշխարհում:
2. Մշակել ճառագայթային գործիքների հաջորդ սերունդ
Մագնիսական ռեզոնանսային տոմոգրաֆիայի (MRI), CT սկաներների և ռենտգենյան ճառագայթների միջոցով ստացված ճառագայթային պատկերները ապահովում են ոչ ինվազիվ տեսանելիություն մարդու մարմնի ներքին մասում:Այնուամենայնիվ, շատ ախտորոշիչ ընթացակարգեր դեռևս հիմնված են բիոպսիայով ստացված ֆիզիկական հյուսվածքների նմուշների վրա, որոնք վարակվելու վտանգ ունեն:
Փորձագետները կանխատեսում են, որ որոշ դեպքերում արհեստական ինտելեկտը հնարավորություն կտա հաջորդ սերնդի Ռադիոլոգիայի գործիքներին լինել բավականին ճշգրիտ և մանրամասն՝ փոխարինելու կենդանի հյուսվածքների նմուշների պահանջարկը:
Բրիգամի կանանց հիվանդանոցի (BWh) պատկերով առաջնորդվող նյարդավիրաբուժության տնօրեն Ալեքսանդրա Գոլբին ասաց, որ «մենք ցանկանում ենք համախմբել ախտորոշիչ պատկերազարդման թիմին վիրաբույժների կամ միջամտական ռադիոլոգների և պաթոլոգների հետ, բայց տարբեր թիմերի համար համագործակցության հասնելը հսկայական մարտահրավեր է: և նպատակների հետևողականությունը: Եթե մենք ցանկանում ենք, որ ռենտգենոլոգիան տրամադրի ներկայումս առկա տեղեկատվությունը հյուսվածքների նմուշներից, ապա մենք պետք է կարողանանք հասնել շատ մոտ չափանիշների, որպեսզի իմանանք ցանկացած տվյալ պիքսելի հիմնական փաստերը»:
Այս գործընթացում հաջողությունը կարող է բժիշկներին հնարավորություն տալ ավելի ճշգրիտ հասկանալ ուռուցքի ընդհանուր կատարումը, այլ ոչ թե բուժման որոշումներ կայացնել՝ հիմնվելով չարորակ ուռուցքի ատրիբուտների փոքր մասի վրա:
AI-ն կարող է նաև ավելի լավ սահմանել քաղցկեղի ինվազիվությունը և ավելի ճիշտ որոշել բուժման թիրախը:Բացի այդ, արհեստական ինտելեկտն օգնում է իրականացնել «վիրտուալ բիոպսիա» և խթանել նորարարությունը Ռադիոլոգիայի ոլորտում, որը նպատակ ունի օգտագործել պատկերների վրա հիմնված ալգորիթմներ՝ բնութագրելու ուռուցքների ֆենոտիպային և գենետիկական բնութագրերը:
3. Ընդլայնել բժշկական ծառայությունները անբավարար կամ զարգացող տարածքներում
Զարգացող երկրներում պատրաստված բուժաշխատողների բացակայությունը, ներառյալ ուլտրաձայնային տեխնիկները և ռադիոլոգները, զգալիորեն կնվազեցնեն հիվանդների կյանքը փրկելու համար բժշկական ծառայություններից օգտվելու հնարավորությունները:
Հանդիպումը մատնանշեց, որ ավելի շատ ռադիոլոգներ են աշխատում Բոստոնի վեց հիվանդանոցներում՝ հայտնի Լոնգվուդ պողոտայով, քան Արևմտյան Աֆրիկայի բոլոր հիվանդանոցներում:
Արհեստական ինտելեկտը կարող է օգնել մեղմել կլինիկական բժիշկների կարևոր պակասի ազդեցությունը՝ ստանձնելով որոշ ախտորոշիչ պարտականություններ, որոնք սովորաբար վերապահված են մարդկանց:
Օրինակ՝ արհեստական ինտելեկտի պատկերման գործիքը կարող է օգտագործել կրծքավանդակի ռենտգեն՝ տուբերկուլյոզի ախտանիշները հետազոտելու համար, սովորաբար նույն ճշգրտությամբ, ինչ բժիշկը:Այս հատկությունը կարող է կիրառվել ռեսուրսներով աղքատ տարածքներում մատակարարների համար հավելվածի միջոցով՝ նվազեցնելով փորձառու ախտորոշիչ ռադիոլոգների կարիքը:
«Այս տեխնոլոգիան մեծ ներուժ ունի առողջապահությունը բարելավելու համար», - ասում է դոկտոր Ջայաշրի Կալպատի Քրամերը, նյարդաբանության ասիստենտ և Մասաչուսեթսի գլխավոր հիվանդանոցի ճառագայթաբանության դոցենտ:
Այնուամենայնիվ, AI ալգորիթմ մշակողները պետք է ուշադիր հաշվի առնեն այն փաստը, որ տարբեր ազգությունների կամ տարածաշրջանների մարդիկ կարող են ունենալ յուրահատուկ ֆիզիոլոգիական և բնապահպանական գործոններ, որոնք կարող են ազդել հիվանդության կատարման վրա:
«Օրինակ, Հնդկաստանում հիվանդությամբ տառապող բնակչությունը կարող է շատ տարբեր լինել Միացյալ Նահանգների բնակչությունից», - ասաց նա:Երբ մենք մշակում ենք այս ալգորիթմները, շատ կարևոր է ապահովել, որ տվյալները ներկայացնում են հիվանդության ներկայացումը և բնակչության բազմազանությունը:Մենք կարող ենք ոչ միայն մշակել ալգորիթմներ՝ հիմնված մեկ պոպուլյացիայի վրա, այլև հուսալ, որ այն կարող է դեր խաղալ այլ պոպուլյացիաներում:«
4. Նվազեցնել առողջության էլեկտրոնային գրառումների օգտագործման բեռը
Առողջության էլեկտրոնային գրառումը (նա) կարևոր դեր է խաղացել առողջապահության ոլորտի թվային ճանապարհորդության մեջ, սակայն այս փոխակերպումը բազմաթիվ խնդիրներ է առաջացրել՝ կապված ճանաչողական գերբեռնվածության, անվերջ փաստաթղթերի և օգտատերերի հոգնածության հետ:
Առողջության էլեկտրոնային գրառումների (նրա) մշակողները այժմ օգտագործում են արհեստական ինտելեկտը՝ ստեղծելու ավելի ինտուիտիվ ինտերֆեյս և ավտոմատացված ռեժիմներ, որոնք շատ ժամանակ են խլում օգտատերերից:
Դոկտոր Ադամ Լենդմանը, Brigham Health-ի փոխնախագահ և տեղեկատվության գլխավոր պատասխանատուն, ասում է, որ օգտվողներն իրենց ժամանակի մեծ մասը ծախսում են երեք խնդիրների վրա՝ կլինիկական փաստաթղթեր, պատվերի մուտքագրում և իրենց մուտքի արկղերի տեսակավորում:Խոսքի ճանաչումը և թելադրությունը կարող են օգնել բարելավել կլինիկական փաստաթղթերի մշակումը, սակայն բնական լեզվի մշակման (NLP) գործիքները կարող են բավարար չլինել:
«Կարծում եմ, որ կարող է անհրաժեշտ լինել ավելի համարձակ լինել և հաշվի առնել որոշ փոփոխություններ, օրինակ՝ տեսագրման օգտագործումը կլինիկական բուժման համար, ճիշտ այնպես, ինչպես ոստիկանները տեսախցիկներ են կրում», - ասաց Լենդմանը:Արհեստական ինտելեկտը և մեքենայական ուսուցումն այնուհետև կարող են օգտագործվել այս տեսանյութերը ապագա որոնման համար ինդեքսավորելու համար:Ճիշտ այնպես, ինչպես Siri-ն և Alexa-ն, ովքեր տանը օգտագործում են արհեստական ինտելեկտի օգնականներ, վիրտուալ օգնականները ապագայում կբերվեն հիվանդների մահճակալի մոտ, ինչը թույլ կտա կլինիկաներին օգտագործել ներկառուցված ինտելեկտը բժշկական պատվերներ մուտքագրելու համար:«
Արհեստական ինտելեկտը կարող է նաև օգնել կարգավորել մուտքային արկղերի սովորական հարցումները, ինչպիսիք են դեղերի հավելումները և արդյունքների մասին ծանուցումները:Դա կարող է նաև օգնել առաջնահերթություն տալ այն խնդիրներին, որոնք իսկապես պահանջում են կլինիկական բժիշկների ուշադրությունը՝ հեշտացնելով հիվանդների համար մշակել իրենց անելիքների ցուցակները, ավելացրեց Լենդմանը:
5. Հակաբիոտիկների դիմադրության ռիսկը
Հակաբիոտիկների նկատմամբ կայունությունը աճող սպառնալիք է մարդկանց համար, քանի որ այս հիմնական դեղամիջոցների չափից ավելի օգտագործումը կարող է հանգեցնել սուպերբակտերիաների էվոլյուցիայի, որոնք այլևս չեն արձագանքում բուժմանը:Բազմաթիվ դեղամիջոցների դիմացկուն բակտերիաները կարող են լուրջ վնաս հասցնել հիվանդանոցային միջավայրին՝ ամեն տարի սպանելով տասնյակ հազարավոր հիվանդների:Միայն Clostridium difficile-ն ԱՄՆ առողջապահական համակարգին տարեկան արժենում է մոտ 5 միլիարդ դոլար և ավելի քան 30000 մահվան պատճառ է դառնում:
EHR-ի տվյալները օգնում են բացահայտել վարակի օրինաչափությունները և ընդգծել ռիսկը, նախքան հիվանդը կսկսի ախտանիշներ ցույց տալ:Այս վերլուծությունները վարելու համար մեքենայական ուսուցման և արհեստական ինտելեկտի գործիքների օգտագործումը կարող է բարելավել դրանց ճշգրտությունը և ստեղծել ավելի արագ և ճշգրիտ ահազանգեր առողջապահական ծառայություններ մատուցողների համար:
«Արհեստական ինտելեկտի գործիքները կարող են բավարարել վարակի վերահսկման և հակաբիոտիկների նկատմամբ կայունության ակնկալիքները», - ասում է Մասաչուսեթսի գլխավոր հիվանդանոցի (MGH) վարակների վերահսկման փոխտնօրեն բժիշկ Էրիկա Շենոյը:Եթե չանեն, ուրեմն բոլորը կձախողվեն։Քանի որ հիվանդանոցներն ունեն EHR-ի բազմաթիվ տվյալներ, եթե դրանք ամբողջությամբ չօգտագործեն, եթե նրանք չստեղծեն արդյունաբերություններ, որոնք ավելի խելացի և արագ են կլինիկական փորձարկումների նախագծման մեջ, և եթե նրանք չեն օգտագործում EHR-ներ, որոնք ստեղծում են այդ տվյալները, նրանք կբախվեն ձախողման:«
6. Ստեղծել ավելի ճշգրիտ վերլուծություն պաթոլոգիական պատկերների համար
Դոկտոր Ջեֆրի Գոլդընը, Բրիգամի կանանց հիվանդանոցի (BWh) պաթոլոգիայի բաժանմունքի ղեկավարը և HMS-ի պաթոլոգիայի պրոֆեսորը, ասաց, որ պաթոլոգները ապահովում են ախտորոշիչ տվյալների ամենակարևոր աղբյուրներից մեկը բժշկական ծառայություններ մատուցողների ողջ շրջանակի համար:
«Առողջապահության վերաբերյալ որոշումների 70%-ը հիմնված է պաթոլոգիական արդյունքների վրա, և EHR-ների բոլոր տվյալների 70%-ից 75%-ը բխում է պաթոլոգիական արդյունքներից»,- ասաց նա:Եվ որքան ճշգրիտ լինեն արդյունքները, այնքան շուտ կկատարվի ճիշտ ախտորոշումը։Սա այն նպատակն է, որին հասնելու հնարավորություն ունեն թվային պաթոլոգիան և արհեստական ինտելեկտը։«
Խոշոր թվային պատկերների վրա պիքսելային մակարդակի խորը վերլուծությունը բժիշկներին հնարավորություն է տալիս ճանաչել նուրբ տարբերությունները, որոնք կարող են վրիպել մարդու աչքից:
«Այժմ մենք հասել ենք այն կետին, երբ կարող ենք ավելի լավ գնահատել՝ քաղցկեղը կզարգանա արագ, թե դանդաղ, և ինչպես փոխել հիվանդների բուժումը՝ հիմնված ալգորիթմների վրա, այլ ոչ թե կլինիկական փուլերի կամ հիստոպաթոլոգիական գնահատման վրա», - ասաց Գոլդընը:Դա հսկայական առաջընթաց է լինելու:«
Նա ավելացրեց. «AI-ը կարող է նաև բարելավել արտադրողականությունը՝ բացահայտելով սլայդներում հետաքրքրող առանձնահատկությունները, նախքան կլինիկական բժիշկները կուսումնասիրեն տվյալները: AI-ն կարող է զտել սլայդների միջով և ուղղորդել մեզ տեսնել ճիշտ բովանդակությունը, որպեսզի մենք կարողանանք գնահատել, թե ինչն է կարևոր և ինչը ոչ: Սա բարելավում է: պաթոլոգների օգտագործման արդյունավետությունը և մեծացնում է յուրաքանչյուր դեպքի նրանց ուսումնասիրության արժեքը»:
Բանականություն բերեք բժշկական սարքերին և մեքենաներին
Խելացի սարքերը գրավում են սպառողների միջավայրը և տրամադրում են սարքեր՝ սկսած իրական ժամանակի տեսագրությունից սառնարանի ներսում մինչև մեքենաներ, որոնք հայտնաբերում են վարորդի ուշադրությունը շեղելը:
Բժշկական միջավայրում խելացի սարքերը կարևոր են ICU-ներում և այլուր հիվանդներին վերահսկելու համար:Արհեստական ինտելեկտի օգտագործումը բարելավելու վիճակի վատթարացումը նույնականացնելու կարողությունը, ինչպես օրինակ՝ ցույց տալով, որ սեպսիսը զարգանում է, կամ բարդությունների ընկալումը կարող է զգալիորեն բարելավել արդյունքները և կարող է նվազեցնել բուժման ծախսերը:
«Երբ մենք խոսում ենք առողջապահական համակարգում տարբեր տվյալների ինտեգրման մասին, մենք պետք է ինտեգրենք և զգուշացնենք ICU բժիշկներին, որպեսզի հնարավորինս շուտ միջամտեն, և որ այդ տվյալների համախմբումը լավ բան չէ, որ կարող են անել բժիշկները», - ասաց Մարկ Միխալսկին: , BWh-ի կլինիկական տվյալների գիտական կենտրոնի գործադիր տնօրեն:Այս սարքերում խելացի ալգորիթմների ներդրումը նվազեցնում է բժիշկների ճանաչողական բեռը և ապահովում հիվանդների հնարավորինս արագ բուժումը:«
8. խթանում է իմունոթերապիան քաղցկեղի բուժման համար
Իմունոթերապիան քաղցկեղի բուժման ամենախոստումնալից միջոցներից է:Օգտագործելով մարմնի սեփական իմունային համակարգը չարորակ ուռուցքների վրա հարձակվելու համար՝ հիվանդները կարող են հաղթահարել համառ ուռուցքները:Այնուամենայնիվ, միայն մի քանի հիվանդներ են արձագանքում իմունոթերապիայի ներկայիս ռեժիմին, իսկ ուռուցքաբանները դեռևս չունեն ճշգրիտ և հուսալի մեթոդ՝ որոշելու, թե որ հիվանդներն են օգուտ քաղելու այդ ռեժիմից:
Մեքենայական ուսուցման ալգորիթմները և նրանց կարողությունը՝ սինթեզելու խիստ բարդ տվյալների հավաքածուներ, կարող են ի վիճակի լինել պարզաբանել անհատների եզակի գենային կազմը և տրամադրել թիրախային թերապիայի նոր տարբերակներ:
«Վերջերս ամենահետաքրքիր զարգացումը եղել է անցակետի ինհիբիտորները, որոնք արգելափակում են որոշ իմունային բջիջների արտադրած սպիտակուցները», - բացատրում է դոկտոր Լոն Լը, Մասաչուսեթսի գլխավոր հիվանդանոցի (MGH) համապարփակ ախտորոշման կենտրոնի հաշվողական պաթոլոգիայի և տեխնոլոգիայի զարգացման տնօրենը:Բայց մենք դեռ չենք հասկանում բոլոր խնդիրները, ինչը շատ բարդ է։Մեզ հաստատ ավելի շատ հիվանդի տվյալներ են պետք:Այս բուժումները համեմատաբար նոր են, ուստի շատ հիվանդներ իրականում չեն ընդունում դրանք:Հետևաբար, անկախ նրանից, թե մենք պետք է ինտեգրենք տվյալները կազմակերպության ներսում, թե մի քանի կազմակերպություններում, դա կլինի հիմնական գործոն հիվանդների թվի ավելացման համար՝ մոդելավորման գործընթացը խթանելու համար:«
9. Առողջության էլեկտրոնային գրառումները վերածեք ռիսկերի հուսալի կանխատեսումների
Առողջության էլեկտրոնային գրառումը (նրան) հիվանդի տվյալների գանձ է, բայց մատակարարների և մշակողների համար մշտական մարտահրավեր է մեծ քանակությամբ տեղեկատվության ճշգրիտ, ժամանակին և հուսալի եղանակով հանելը և վերլուծելը:
Տվյալների որակի և ամբողջականության խնդիրները, զուգորդված տվյալների ձևաչափի շփոթության, կառուցվածքային և չկառուցված մուտքագրման և թերի գրառումների հետ, մարդկանց համար դժվարացնում են ճշգրիտ հասկանալ, թե ինչպես իրականացնել ռիսկերի բովանդակալից շերտավորում, կանխատեսող վերլուծություն և կլինիկական որոշումների աջակցություն:
Դոկտոր Զիադ ՕԲԵՐՄԵՅԵՐԸ, Բրիգամի կանանց հիվանդանոցի շտապ բժշկության ասիստենտ և Հարվարդի բժշկական դպրոցի (HMS) ասիստենտ պրոֆեսոր, ասել է. ինչ են մարդիկ ստանում, երբ նրանք հիվանդություն են կանխատեսում էլեկտրոնային առողջապահական գրառման մեջ (նրան): Մարդիկ կարող են լսել, որ արհեստական ինտելեկտի ալգորիթմները կարող են կանխատեսել դեպրեսիան կամ ինսուլտը, բայց գտնում են, որ նրանք իրականում կանխատեսում են ինսուլտի արժեքի աճ: Դա շատ տարբեր է ինսուլտը ինքնին»։
Նա շարունակեց. «ՄՌՏ արդյունքների վրա հիմնվելը կարծես թե ավելի կոնկրետ տվյալների հավաքածու է տալիս: Բայց հիմա մենք պետք է մտածենք, թե ով կարող է իրեն թույլ տալ MRI: Այսպիսով, վերջնական կանխատեսումը սպասված արդյունքը չէ»:
NMR վերլուծությունը ստեղծել է շատ հաջող ռիսկերի գնահատման և շերտավորման գործիքներ, հատկապես, երբ հետազոտողները օգտագործում են խորը ուսուցման տեխնիկա՝ թվացյալ անկապ տվյալների հավաքածուների միջև նոր կապեր հայտնաբերելու համար:
Այնուամենայնիվ, OBERMEYER-ը կարծում է, որ ապահովելը, որ այս ալգորիթմները չեն բացահայտում տվյալների մեջ թաքնված կողմնակալությունները, շատ կարևոր է գործիքների տեղակայման համար, որոնք իսկապես կարող են բարելավել կլինիկական խնամքը:
«Ամենամեծ մարտահրավերը համոզվելն է, որ մենք հստակ գիտենք, թե ինչ ենք կանխատեսել, նախքան կսկսենք բացել սև արկղը և նայել, թե ինչպես կանխատեսել», - ասաց նա:
10. Առողջական վիճակի մոնիտորինգ կրելի սարքերի և անձնական սարքերի միջոցով
Գրեթե բոլոր սպառողները այժմ կարող են օգտագործել սենսորներ առողջության արժեքի վերաբերյալ տվյալներ հավաքելու համար:Սմարթֆոններից սկսած քայլային թրեյքերով մինչև կրելի սարքեր, որոնք ամբողջ օրը հետևում են սրտի զարկերի հաճախականությանը, ցանկացած պահի կարող են ստեղծվել առողջությանն առնչվող ավելի ու ավելի շատ տվյալներ:
Այս տվյալների հավաքագրումը և վերլուծությունը և հիվանդների կողմից հավելվածների և տնային մոնիտորինգի այլ սարքերի միջոցով տրամադրված տեղեկատվության լրացումը կարող է եզակի հեռանկար ապահովել անհատի և ամբոխի առողջության համար:
Արհեստական ինտելեկտը կարևոր դեր կխաղա այս մեծ և բազմազան տվյալների բազայից կիրառելի պատկերացումներ քաղելու գործում:
Բայց Բրիգամի կանանց հիվանդանոցի (BWh) նյարդավիրաբույժ դոկտոր Օմար Արնութը, հաշվողական նյարդագիտության արդյունքների կենտրոնի CO տնօրենը, ասաց, որ կարող է լրացուցիչ աշխատանք պահանջվել հիվանդներին օգնելու հարմարվելու այս ինտիմ, շարունակական մոնիտորինգի տվյալներին:
«Մենք նախկինում բավականին ազատ էինք թվային տվյալների մշակման հարցում»,- ասաց նա։Բայց քանի որ տվյալների արտահոսքը տեղի է ունենում Cambridge Analytics-ում և Facebook-ում, մարդիկ ավելի ու ավելի զգույշ կլինեն, թե ով կիսվել, թե ինչ տվյալներ են կիսում:«
Հիվանդները հակված են ավելի շատ վստահել իրենց բժիշկներին, քան խոշոր ընկերություններին, ինչպիսին Facebook-ն է, ավելացրեց նա, ինչը կարող է օգնել թեթևացնել լայնածավալ հետազոտական ծրագրերի համար տվյալների տրամադրման անհարմարությունը:
«Հավանական է, որ կրելու համար նախատեսված տվյալները զգալի ազդեցություն կունենան, քանի որ մարդկանց ուշադրությունը շատ պատահական է, և հավաքված տվյալները շատ կոպիտ են», - ասաց Արնուտը:Շարունակաբար հատիկավոր տվյալներ հավաքելով՝ տվյալներն ավելի հավանական է, որ կօգնեն բժիշկներին ավելի լավ հոգ տանել հիվանդների մասին:«
11.սմարթ հեռախոսները դարձրեք հզոր ախտորոշիչ գործիք
Փորձագետները կարծում են, որ խելացի հեռախոսներից և սպառողական մակարդակի այլ ռեսուրսներից ստացված պատկերները կդառնան կլինիկական որակի պատկերավորման կարևոր հավելում, հատկապես անապահով տարածքներում կամ զարգացող երկրներում՝ շարունակելով օգտագործել շարժական սարքերի հզոր գործառույթները:
Բջջային տեսախցիկի որակը տարեցտարի բարելավվում է, և այն կարող է ստեղծել պատկերներ, որոնք կարող են օգտագործվել AI ալգորիթմի վերլուծության համար:Մաշկաբանությունը և ակնաբուժությունը այս միտումի վաղ շահառուներն են:
Բրիտանացի հետազոտողները նույնիսկ մշակել են գործիք՝ երեխաների դեմքերի պատկերները վերլուծելու միջոցով բացահայտելու զարգացման հիվանդությունները:Ալգորիթմը կարող է հայտնաբերել դիսկրետ առանձնահատկություններ, ինչպիսիք են մանկական ծնոտի գիծը, աչքերի և քթի դիրքը և այլ հատկանիշներ, որոնք կարող են վկայել դեմքի աննորմալությունների մասին:Ներկայումս գործիքը կարող է համընկնել ընդհանուր պատկերների հետ ավելի քան 90 հիվանդությունների հետ՝ ապահովելու կլինիկական որոշումների աջակցություն:
Բրիգամի կանանց հիվանդանոցի միկրո/նանո բժշկության և թվային առողջության լաբորատորիայի տնօրեն դոկտոր Հադի Շաֆին ասում է. «Մարդկանց մեծամասնությունը հագեցած է հզոր բջջային հեռախոսներով՝ ներկառուցված բազմաթիվ տարբեր սենսորներով: Դա հիանալի հնարավորություն է մեզ համար: Գրեթե բոլորի համար: արդյունաբերության խաղացողները սկսել են կառուցել Ai ծրագրակազմ և սարքավորում իրենց սարքերում: Դա պատահական չէ: Մեր թվային աշխարհում ամեն օր ստեղծվում է ավելի քան 2,5 միլիոն տերաբայթ տվյալներ: Բջջային հեռախոսների ոլորտում արտադրողները կարծում են, որ կարող են օգտագործել դա: տվյալների արհեստական ինտելեկտի համար՝ ավելի անհատականացված, արագ և ավելի խելացի ծառայություններ տրամադրելու համար»:
Սմարթ հեռախոսների օգտագործումը հիվանդների աչքերի, մաշկի վնասվածքների, վերքերի, վարակների, դեղերի կամ այլ առարկաների պատկերներ հավաքելու համար կարող է օգնել լուծել թերսպասարկվող տարածքներում մասնագետների պակասը՝ միաժամանակ նվազեցնելով որոշակի գանգատներ ախտորոշելու ժամանակը:
«Ապագայում կարող են լինել որոշ լուրջ իրադարձություններ, և մենք կարող ենք օգտվել այս հնարավորությունից՝ բուժօգնության կետում հիվանդության կառավարման որոշ կարևոր խնդիրներ լուծելու համար», - ասաց Շաֆիին:
12. Նորարարական կլինիկական որոշումների կայացում անկողնային AI-ի հետ
Քանի որ առողջապահական ոլորտը դիմում է վճարովի ծառայություններին, այն ավելի ու ավելի է հեռանում պասիվ առողջապահությունից:Կանխարգելումը նախքան քրոնիկ հիվանդությունները, սուր հիվանդության դեպքերը և հանկարծակի վատթարացումը յուրաքանչյուր մատակարարի նպատակն է, և փոխհատուցման կառուցվածքը, ի վերջո, թույլ է տալիս նրանց զարգացնել գործընթացներ, որոնք կարող են հասնել ակտիվ և կանխատեսող միջամտության:
Արհեստական ինտելեկտը բազմաթիվ հիմնական տեխնոլոգիաներ կտրամադրի այս էվոլյուցիայի համար՝ աջակցելով կանխատեսող վերլուծության և կլինիկական որոշումների աջակցման գործիքներին, որպեսզի լուծի խնդիրները, նախքան մատակարարները կհասկանան գործողությունների անհրաժեշտությունը:Արհեստական ինտելեկտը կարող է վաղ նախազգուշացում տալ էպիլեպսիայի կամ սեպսիսի համար, որը սովորաբար պահանջում է խիստ բարդ տվյալների հավաքածուների խորը վերլուծություն:
Մասաչուսեթսի գլխավոր հիվանդանոցի (MGH) կլինիկական տվյալների տնօրեն Բրենդոն Վեստովերը ասում է, որ մեքենայական ուսուցումը կարող է նաև աջակցել ծանր հիվանդ հիվանդների խնամքի շարունակական տրամադրմանը, ինչպիսիք են սրտի կանգից հետո կոմայի մեջ գտնվողները:
Նա բացատրեց, որ նորմալ պայմաններում բժիշկները պետք է ստուգեն այս հիվանդների ԷԷԳ տվյալները։Այս գործընթացը ժամանակատար և սուբյեկտիվ է, և արդյունքները կարող են տարբերվել՝ կախված կլինիկաների հմտություններից և փորձից:
Նա ասաց. «Այս հիվանդների մոտ միտումը կարող է դանդաղ լինել։Երբեմն, երբ բժիշկները ցանկանում են տեսնել, թե արդյոք ինչ-որ մեկը ապաքինվում է, նրանք կարող են դիտարկել տվյալները 10 վայրկյանը մեկ անգամ:Այնուամենայնիվ, տեսնել, թե արդյոք այն փոխվել է 24 ժամվա ընթացքում հավաքված տվյալների 10 վայրկյանից, նույնն է, թե նայելով, թե արդյոք այդ ընթացքում մազերը աճել են:Այնուամենայնիվ, եթե օգտագործվեն արհեստական ինտելեկտի ալգորիթմներ և շատ հիվանդների տվյալների մեծ քանակություն, ավելի հեշտ կլինի մարդկանց տեսածը համապատասխանեցնել երկարաժամկետ օրինաչափություններին, և կարող են որոշ նուրբ բարելավումներ գտնվել, որոնք կազդեն բուժքույրական ոլորտում բժիշկների որոշումների կայացման վրա: .«
Արհեստական ինտելեկտի տեխնոլոգիայի օգտագործումը կլինիկական որոշումների աջակցության, ռիսկերի գնահատման և վաղ նախազգուշացման համար այս հեղափոխական տվյալների վերլուծության մեթոդի զարգացման ամենահեռանկարային ոլորտներից մեկն է:
Նոր սերնդի գործիքների և համակարգերի համար էներգիա տրամադրելով՝ կլինիկագետները կարող են ավելի լավ հասկանալ հիվանդության նրբությունները, ավելի արդյունավետ տրամադրել բուժքույրական ծառայությունները և լուծել խնդիրները:Արհեստական ինտելեկտը կմեկնարկի կլինիկական բուժման որակի բարելավման նոր դարաշրջան և հուզիչ առաջընթաց կբերի հիվանդների խնամքի ոլորտում:
Հրապարակման ժամանակը՝ օգ-06-2021
