12 tapaa tekoälylle vaikuttaa terveydenhuoltoalaan

Tekoälystä odotetaan muodostuvan muutosvoima terveydenhuollon alalla.Joten miten lääkärit ja potilaat hyötyvät tekoälyohjattujen työkalujen vaikutuksesta?
Tämän päivän terveydenhuoltoala on hyvin kypsä ja voi tehdä suuria muutoksia.Kroonisista sairauksista ja syövistä radiologiaan ja riskinarviointiin terveydenhuoltoalalla näyttää olevan lukemattomia mahdollisuuksia käyttää teknologiaa tarkempien, tehokkaampien ja tehokkaampien interventioiden käyttöönottamiseksi potilaiden hoidossa.
Teknologian kehittyessä potilaiden vaatimukset lääkäreille ovat yhä korkeammat, ja saatavilla olevan tiedon määrä kasvaa edelleen hälyttävää vauhtia.Tekoälystä tulee moottori, joka edistää terveydenhuollon jatkuvaa parantamista.
Perinteiseen analyysi- ja kliiniseen päätöksentekotekniikkaan verrattuna tekoälyllä on monia etuja.Kun oppimisalgoritmi on vuorovaikutuksessa koulutustietojen kanssa, siitä voi tulla tarkempia, jolloin lääkärit voivat saada ennennäkemättömän oivalluksia diagnoosista, hoitoprosessista, hoidon vaihteluista ja potilaiden tuloksista.
Partners Healthcaren järjestämässä maailman tekoälyn lääketieteellisen innovaatiofoorumissa (wmif) 2018 lääketieteen tutkijat ja kliiniset asiantuntijat käsittelivät lääketeollisuuden teknologioita ja aloja, joilla on todennäköisimmin merkittävä vaikutus tekoälyn käyttöönottoon seuraavana vuonna. vuosikymmen.
Anne Kiblanksi, MD, wmif:n puheenjohtaja vuonna 2018, ja Gregg Meyer, MD, Partners Healthcaren akateeminen johtaja, sanoivat, että tällaisella jokaiselle toimialalle tuodulla "subversiolla" on potentiaalia tuoda merkittäviä hyötyjä potilaille ja sillä on laaja liiketoiminnan menestyspotentiaali.
Yhteistyökumppaneiden terveydenhuollon asiantuntijoiden, mukaan lukien tohtori Keith Dreyer, Harvard Medical Schoolin (HMS) professori, kumppaneiden datatieteen johtaja ja tohtori Katherine andreole, Massachusettsin yleissairaalan (MGH) tutkimusstrategian ja toimintojen johtaja, avustuksella , ehdotti 12 tapaa, joilla tekoäly mullistaa lääketieteelliset palvelut ja tieteen.
1.Yhdistä ajattelu ja kone aivojen tietokoneen käyttöliittymän kautta

Tietokoneen käyttäminen kommunikointiin ei ole uusi idea, mutta suoran rajapinnan luominen teknologian ja ihmisen ajattelun välille ilman näppäimistöä, hiirtä ja näyttöä on tutkimuksen eturintamassa, jolla on tärkeä sovellus joillekin potilaille.
Hermoston sairaudet ja traumat voivat saada jotkut potilaat menettämään kyvyn mielekkääseen keskusteluun, liikkumiseen ja vuorovaikutukseen muiden ja ympäristönsä kanssa.Tekoälyn tukema Brain Computer Interface (BCI) voi palauttaa peruskokemukset potilaille, jotka ovat huolissaan näiden toimintojen menettämisestä ikuisesti.
"Jos näen neurologisen tehohoidon osastolla potilaan, joka yhtäkkiä menettää kykynsä toimia tai puhua, toivon voivani palauttaa hänen kykynsä kommunikoida seuraavana päivänä", sanoi Leigh Hochberg, MD, neuroteknologian ja neurorehabilitaatiokeskuksen johtaja. Massachusetts General Hospital (MGH).Aivojen tietokonerajapinnan (BCI) ja tekoälyn avulla saamme aktivoitumaan käden liikkeisiin liittyvät hermot ja potilas tulisi saada kommunikoimaan muiden kanssa vähintään viisi kertaa koko toiminnan aikana, esimerkiksi käyttämällä kaikkialla läsnä olevia viestintätekniikoita, kuten esim. tablettitietokoneina tai matkapuhelimina."
Aivojen tietokoneen käyttöliittymä voi parantaa merkittävästi potilaiden, joilla on amyotrofinen lateraaliskleroosi (ALS), aivohalvaus tai atresiaoireyhtymä, sekä 500 000 selkäydinvammapotilaan elämänlaatua maailmanlaajuisesti vuosittain.
2. Kehitä seuraavan sukupolven säteilytyökaluja

Säteilykuvat, jotka on saatu magneettikuvauksella (MRI), CT-skannereilla ja röntgensäteillä, tarjoavat ei-invasiivista näkyvyyttä ihmiskehon sisäosiin.Monet diagnostiset toimenpiteet perustuvat kuitenkin edelleen biopsialla saatuihin fyysisiin kudosnäytteisiin, mikä on infektioriski.
Asiantuntijat ennustavat, että joissain tapauksissa tekoäly mahdollistaa radiologian seuraavan sukupolven työkalujen olevan riittävän tarkkoja ja yksityiskohtaisia ​​korvaamaan elävien kudosnäytteiden kysynnän.
Alexandra golby, MD, Brighamin naisten sairaalan kuvaohjatun neurokirurgian johtaja, sanoi: "Haluamme tuoda diagnostisen kuvantamisryhmän yhteen kirurgien tai interventioradiologien ja patologien kanssa, mutta yhteistyön saavuttaminen on eri ryhmille valtava haaste. ja tavoitteiden johdonmukaisuus. Jos haluamme radiologian tarjoavan kudosnäytteistä tällä hetkellä saatavilla olevia tietoja, meidän on kyettävä saavuttamaan hyvin läheiset standardit, jotta voimme tietää minkä tahansa pikselin perustiedot."
Menestys tässä prosessissa voi antaa kliinikoille mahdollisuuden ymmärtää paremmin kasvaimen yleistä suorituskykyä sen sijaan, että he tekisivät hoitopäätöksiä pienen osan pahanlaatuisen kasvaimen ominaisuuksien perusteella.
Tekoäly voi myös paremmin määritellä syövän invasiivisuuden ja määrittää asianmukaisemmin hoitokohteen.Lisäksi tekoäly auttaa toteuttamaan "virtuaalisen biopsian" ja edistämään innovaatioita radiologian alalla, joka on sitoutunut käyttämään kuvapohjaisia ​​algoritmeja kasvainten fenotyyppisten ja geneettisten ominaisuuksien karakterisoimiseksi.
3. Laajenna sairaanhoitopalveluja alipalveltuilla tai kehittyvillä alueilla

Koulutettujen terveydenhuollon tarjoajien, mukaan lukien ultraääniteknikot ja radiologit, puute kehitysmaissa vähentää suuresti mahdollisuuksia käyttää lääketieteellisiä palveluita potilaiden hengen pelastamiseksi.
Kokouksessa korostettiin, että Bostonissa, kuuluisan Longwood Avenuen varrella, kuudessa sairaalassa työskentelee enemmän radiologeja kuin kaikissa Länsi-Afrikan sairaaloissa.
Tekoäly voi auttaa lieventämään kliinikkopulan vaikutuksia ottamalla hoitaakseen osan ihmisille tavallisesti osoitetuista diagnostisista vastuista.
Esimerkiksi tekoälykuvaustyökalu voi käyttää rintakehän röntgensäteitä tutkiakseen tuberkuloosin oireita, yleensä samalla tarkkuudella kuin lääkäri.Tämä ominaisuus voidaan ottaa käyttöön sovelluksen kautta resurssiköyhien alueiden tarjoajille, mikä vähentää kokeneiden diagnostisten radiologien tarvetta.
"Tällä tekniikalla on suuri potentiaali parantaa terveydenhuoltoa", sanoi tohtori jayashree kalpathy Cramer, apulaisneurologia ja radiologian apulaisprofessori Massachusetts General Hospitalissa (MGH).
Tekoälyalgoritmien kehittäjien on kuitenkin harkittava huolellisesti, että eri kansallisuuksia tai alueita edustavilla 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 sairauden esiintymistä ja väestön monimuotoisuutta.Emme voi vain kehittää yhteen populaatioon perustuvia algoritmeja, vaan myös toivoa, että sillä voi olla roolia muissa populaatioissa."
4.Vähennä sähköisten terveyskertomusten käyttötaakkaa

Sähköisellä potilaskerralla (hänellä) on ollut tärkeä rooli terveydenhuoltoalan digitaalisella matkalla, mutta tämä muutos on tuonut mukanaan lukuisia ongelmia, jotka liittyvät kognitiiviseen ylikuormitukseen, loputtomiin asiakirjoihin ja käyttäjien väsymykseen.
Sähköisten terveystietojen (hänen) kehittäjät käyttävät nyt tekoälyä luodakseen intuitiivisemman käyttöliittymän ja automatisoidakseen rutiineja, jotka vievät paljon käyttäjän aikaa.
Tri. Adam Landman, Brigham Healthin varapresidentti ja tietopäällikkö, sanoi, että käyttäjät viettävät suurimman osan ajastaan ​​kolmeen tehtävään: kliiniseen dokumentointiin, tilausten syöttämiseen ja postilaatikoiden lajitteluun.Puheentunnistus ja sanelu voivat parantaa kliinisten asiakirjojen käsittelyä, mutta luonnollisen kielen käsittelytyökalut (NLP) eivät välttämättä riitä.
"Mielestäni saattaa olla tarpeen olla rohkeampi ja harkita joitain muutoksia, kuten videotallennusten käyttöä kliinisessä hoidossa, aivan kuten poliisin kameroiden käyttäminen", Landman sanoi.Tekoälyä ja koneoppimista voidaan sitten käyttää indeksoimaan nämä videot tulevaa hakua varten.Kuten Siri ja Alexa, jotka käyttävät tekoälyassistentteja kotona, virtuaaliset avustajat tuodaan tulevaisuudessa potilaiden sängyn viereen, jolloin kliinikot voivat käyttää sulautettua älykkyyttä lääketieteellisten tilausten tekemiseen."

Tekoäly voi myös auttaa käsittelemään rutiinipyyntöjä postilaatikoista, kuten lääkelisäpyyntöjä ja tuloksista ilmoittamista.Se voi myös auttaa priorisoimaan tehtäviä, jotka todella vaativat kliinikon huomiota, mikä helpottaa potilaiden tehtäväluetteloiden käsittelyä, Landman lisäsi.
5. Antibioottiresistenssin riski

Antibioottiresistenssi on kasvava uhka ihmisille, koska näiden keskeisten lääkkeiden liikakäyttö voi johtaa superbakteerien kehittymiseen, jotka eivät enää reagoi hoitoon.Monelle lääkkeelle resistentit bakteerit voivat aiheuttaa vakavia vahinkoja sairaalaympäristössä ja tappaa kymmeniä tuhansia potilaita vuosittain.Pelkästään Clostridium difficile maksaa noin 5 miljardia dollaria vuodessa Yhdysvaltain terveydenhuoltojärjestelmälle ja aiheuttaa yli 30 000 kuolemaa.
EHR-tiedot auttavat tunnistamaan infektiokuvioita ja tuomaan esiin riskin ennen kuin potilaalla alkaa ilmetä oireita.Koneoppimisen ja tekoälytyökalujen käyttö näiden analyysien ohjaamiseen voi parantaa niiden tarkkuutta ja luoda nopeampia ja tarkempia hälytyksiä terveydenhuollon tarjoajille.
"Tekoälytyökalut voivat täyttää odotukset infektioiden hallinnasta ja antibioottiresistenssistä", sanoi tohtori Erica Shenoy, Massachusettsin yleissairaalan (MGH) infektioiden hallinnan apulaisjohtaja.Jos he eivät, niin kaikki epäonnistuvat.Koska sairaaloilla on paljon EHR-dataa, jos ne eivät hyödynnä niitä täysimääräisesti, jos ne eivät luo toimialoja, jotka ovat älykkäämpiä ja nopeampia kliinisen kokeen suunnittelussa, ja jos ne eivät käytä EHR-tietoja, jotka luovat näitä tietoja, he kohtaavat epäonnistumisen."
6.Luo tarkempi analyysi patologisille kuville

Tri Jeffrey golden, Brighamin naistensairaalan (BWh) patologian osaston johtaja ja HMS:n patologian professori, sanoi, että patologit tarjoavat yhden tärkeimmistä diagnostisten tietojen lähteistä kaikille lääketieteellisten palvelujen tarjoajille.
"70 prosenttia terveydenhuollon päätöksistä perustuu patologisiin tuloksiin, ja 70 - 75 prosenttia kaikista EHR-tiedoista tulee patologisista tuloksista", hän sanoi.Ja mitä tarkempia tulokset ovat, sitä nopeammin oikea diagnoosi tehdään.Tämä on tavoite, jonka digitaalisella patologialla ja tekoälyllä on mahdollisuus saavuttaa."
Suurten digitaalisten kuvien syvä pikselitason analyysi antaa lääkärille mahdollisuuden tunnistaa hienovaraiset erot, jotka saattavat jäädä ihmisen silmistä.
"Olemme nyt tulleet siihen pisteeseen, että voimme paremmin arvioida, kehittyykö syöpä nopeasti vai hitaasti ja miten potilaiden hoitoa voidaan muuttaa algoritmien sijaan kliinisen vaiheen tai histopatologisen luokituksen perusteella", Golden sanoi.Se tulee olemaan valtava askel eteenpäin."
Hän lisäsi: "Tekoäly voi myös parantaa tuottavuutta tunnistamalla kiinnostavia piirteitä dioista ennen kuin lääkärit tarkastelevat tietoja. Tekoäly voi suodattaa diojen läpi 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 valtaavat kuluttajaympäristöt ja tarjoavat laitteita, jotka vaihtelevat reaaliaikaisesta videokuvasta jääkaapin sisällä autoihin, jotka havaitsevat kuljettajan häiriötekijöitä.
Lääketieteellisessä ympäristössä älykkäät laitteet ovat välttämättömiä potilaiden seurannassa teho-osastoilla ja muualla.Tekoälyn käyttö parantaa kykyä tunnistaa tilan heikkeneminen, kuten sepsiksen kehittymisen osoittaminen, tai komplikaatioiden havaitseminen voi parantaa merkittävästi tuloksia ja vähentää hoitokustannuksia.
"Kun puhumme erilaisten tietojen integroimisesta koko terveydenhuoltojärjestelmään, meidän on integroitava teho-osaston lääkäreitä ja varoitettava ne puuttumaan asiaan mahdollisimman varhaisessa vaiheessa, ja että näiden tietojen yhdistäminen ei ole hyvä asia, jota lääkärit voivat tehdä", Mark Michalski sanoi. , BWh:n kliinisen datan tiedekeskuksen toiminnanjohtaja.Älykkäiden algoritmien lisääminen näihin laitteisiin vähentää lääkäreiden kognitiivista taakkaa ja varmistaa, että potilaat saavat hoidon mahdollisimman nopeasti."
8. immunoterapian edistäminen syövän hoidossa

Immunoterapia on yksi lupaavimmista tavoista hoitaa syöpää.Käyttämällä kehon omaa immuunijärjestelmää hyökkäämään pahanlaatuisia kasvaimia vastaan, potilaat voivat pystyä voittamaan itsepäiset kasvaimet.Kuitenkin vain harvat potilaat reagoivat nykyiseen immunoterapia-ohjelmaan, eikä onkologeilla ole vieläkään tarkkaa ja luotettavaa menetelmää määrittää, mitkä potilaat hyötyvät hoito-ohjelmasta.
Koneoppimisalgoritmit ja niiden kyky syntetisoida erittäin monimutkaisia ​​tietojoukkoja voivat pystyä selvittämään yksilöiden ainutlaatuista geenikoostumusta ja tarjoamaan uusia vaihtoehtoja kohdennettuun hoitoon.
"Viime aikoina jännittävin kehitys on ollut tarkistuspisteestäjät, jotka estävät tiettyjen immuunisolujen tuottamat proteiinit", selittää tohtori long Le, laskennallisen patologian ja teknologian kehittämisen johtaja Massachusettsin yleissairaalan (MGH) kattavassa diagnostiikkakeskuksessa.Mutta emme vieläkään ymmärrä kaikkia ongelmia, mikä on hyvin monimutkaista.Tarvitsemme ehdottomasti lisää potilastietoja.Nämä hoidot ovat suhteellisen uusia, joten monet potilaat eivät käytä niitä.Siksi, olipa meidän integroitava tietoja organisaation sisällä tai useiden organisaatioiden välillä, se on avaintekijä mallinnusprosessin ohjaamisessa potilaiden määrän lisäämisessä."
9. Muuta sähköiset terveystiedot luotettaviksi riskien ennustajiksi

Sähköinen terveyskertomus (hänen) on potilastietojen aarre, mutta palveluntarjoajille ja kehittäjille on jatkuva haaste poimia ja analysoida suuren määrän tietoa tarkasti, oikea-aikaisesti ja luotettavasti.
Tietojen laatu- ja eheysongelmat yhdistettynä tietomuotojen sekaannukseen, jäsenneltyyn ja jäsentämättömään syöttöön ja epätäydellisiin tietueisiin tekevät ihmisten vaikeuksista ymmärtää tarkasti, miten mielekästä riskikerrostamista, ennakoivaa analyysiä ja kliinistä päätöstukea voidaan tehdä.
Tri Ziad OBERMEYER, Brighamin naisten sairaalan (BWh) hätälääketieteen apulaisprofessori ja Harvard Medical Schoolin (HMS) apulaisprofessori, sanoi: "Datan integroimiseksi yhteen paikkaan on tehtävä kovaa työtä. Mutta toinen ongelma on ymmärtää mitä ihmiset saavat, kun he ennustavat sairautta sähköisessä sairauskertomuksessa (hänen). Ihmiset saattavat kuulla, että tekoälyalgoritmit voivat ennustaa masennuksen tai aivohalvauksen, mutta huomaavat, että he itse asiassa ennustavat aivohalvauksen kustannusten nousua. Se on hyvin erilaista kuin aivohalvaus itse."

Hän jatkoi: "MRI-tuloksiin luottaminen näyttää tarjoavan tarkemman tietojoukon. Mutta nyt meidän on pohdittava, kenellä on varaa magneettikuvaukseen? Joten lopullinen ennuste ei ole odotettu tulos."
NMR-analyysi on tuottanut monia onnistuneita riskipisteytys- ja kerrostustyökaluja, varsinkin kun tutkijat käyttävät syväoppimistekniikoita uusien yhteyksien tunnistamiseen näennäisesti toisiinsa liittymättömien tietokokonaisuuksien välillä.
OBERMEYER uskoo kuitenkin, että sen varmistaminen, että nämä algoritmit eivät tunnista dataan piilotettuja harhoja, on ratkaisevan tärkeää sellaisten työkalujen käyttöönotossa, jotka voivat todella parantaa kliinistä hoitoa.
"Suurin haaste on varmistaa, että tiedämme tarkalleen, mitä ennustimme, ennen kuin alamme avata mustan laatikon ja katsoa kuinka ennustaa", hän sanoi.
10. Terveydentilan seuranta puettavien laitteiden ja henkilökohtaisten laitteiden avulla

Lähes kaikki kuluttajat voivat nyt käyttää antureita kerätäkseen tietoa terveydellisistä arvoista.Askelseurannalla varustetuista älypuhelimista sykettä koko päivän mittaaviin puettaviin laitteisiin voidaan luoda jatkuvasti enemmän terveyteen liittyviä tietoja.
Näiden tietojen kerääminen ja analysointi sekä potilaiden antamien tietojen täydentäminen sovellusten ja muiden kodin valvontalaitteiden avulla voi tarjota ainutlaatuisen näkökulman yksilön ja joukon terveyteen.
Tekoälyllä on tärkeä rooli hyödynnettävissä olevien oivallusten poimimisessa tästä suuresta ja monipuolisesta tietokannasta.
Mutta tohtori Omar arnout, Brighamin naisten sairaalan (BWh) neurokirurgi, laskennallisten neurotieteen tulosten keskuksen johtaja, sanoi, että saattaa vaatia lisätyötä potilaiden auttamiseksi sopeutumaan näihin intiimeihin, jatkuvaan seurantatietoihin.
"Olimme melko vapaita käsittelemään digitaalista dataa", hän sanoi.Mutta kun datavuotoja tapahtuu Cambridge analyticsissa ja Facebookissa, ihmiset ovat yhä varovaisempia sen suhteen, kenelle he jakavat mitä tietoja he jakavat."
Hän lisäsi, että potilaat luottavat lääkäreihinsä enemmän kuin suuriin yrityksiin, kuten Facebookiin, mikä voi auttaa helpottamaan tietojen toimittamisesta suuria tutkimusohjelmia varten.
"On todennäköistä, että puettavalla datalla on merkittävä vaikutus, koska ihmisten huomio on hyvin satunnaista ja kerätty data on erittäin karkeaa", arnout sanoi.Keräämällä jatkuvasti yksityiskohtaisia ​​tietoja tiedot auttavat todennäköisemmin lääkäreitä hoitamaan paremmin potilaita."
11.Tee älypuhelimista tehokas diagnostiikkatyökalu

Asiantuntijat uskovat, että älypuhelimista ja muista kuluttajatason resursseista saaduista kuvista tulee tärkeä lisä kliinisen laadun kuvantamiseen erityisesti alipalvelualueilla tai kehitysmaissa, kun kannettavien laitteiden tehokkaita toimintoja jatketaan.
Mobiilikameran laatu paranee vuosi vuodelta, ja se voi tuottaa kuvia, joita voidaan käyttää tekoälyalgoritmianalyysiin.Ihotauti ja oftalmologia ovat tämän suuntauksen varhaisia ​​hyötyjiä.
Brittitutkijat ovat jopa kehittäneet työkalun kehityssairauksien tunnistamiseen analysoimalla kuvia lasten kasvoista.Algoritmi voi havaita erillisiä piirteitä, kuten lasten alaleuan linjan, silmien ja nenän asennon ja muita ominaisuuksia, jotka voivat viitata kasvojen poikkeavuuksiin.Tällä hetkellä työkalu voi yhdistää yleisiä kuvia yli 90 sairauteen kliinisen päätöksenteon tueksi.
Tri Hadi shafiee, Brigham Women's Hospitalin (BWh) mikro-/nanolääketieteen ja digitaalisen terveyslaboratorion johtaja, sanoi: "Useimmat ihmiset on varustettu tehokkailla matkapuhelimilla, joissa on monia erilaisia ​​sisäänrakennettuja antureita. Se on meille loistava mahdollisuus. Lähes kaikki alan toimijat ovat alkaneet rakentaa Ai-ohjelmistoja ja -laitteita laitteisiinsa. Se ei ole sattumaa. Digitaalisessa maailmassamme syntyy päivittäin yli 2,5 miljoonaa teratavua dataa. Matkapuhelinten alalla valmistajat uskovat voivansa käyttää tätä tekoälyä varten henkilökohtaisempien, nopeampien ja älykkäämpien palvelujen tarjoamiseksi."
Älypuhelimien käyttäminen kuvien keräämiseen potilaiden silmistä, ihovaurioista, haavoista, infektioista, lääkkeistä tai muista aiheista voi auttaa korjaamaan asiantuntijoiden puutteen alipalvelualueilla ja lyhentää tiettyjen vaivojen diagnosointiin kuluvaa aikaa.
"Tulevaisuudessa saattaa olla suuria tapahtumia, ja voimme hyödyntää tämän tilaisuuden ratkaistaksemme tärkeitä taudinhallinnan ongelmia hoitopisteessä", shafiee sanoi.
12. Kliinisen päätöksenteon innovointi sängyn äärellä tapahtuvan tekoälyn avulla

Kun terveydenhuoltoala siirtyy maksullisiin palveluihin, se on yhä enemmän pois passiivisesta terveydenhuollosta.Ennaltaehkäisy ennen kroonista sairautta, akuutteja sairaustapahtumia ja äkillistä pahenemista on jokaisen palveluntarjoajan tavoitteena, ja korvausrakenne antaa viime kädessä mahdollisuuden kehittää prosesseja, joilla voidaan saavuttaa aktiivinen ja ennakoiva interventio.
Tekoäly tarjoaa monia perustekniikoita tätä kehitystä varten tukemalla ennakoivaa analyysia ja kliinisiä päätöksiä tukevia työkaluja ongelmien ratkaisemiseksi ennen kuin palveluntarjoajat ymmärtävät, että tarvitaan toimia.Tekoäly voi antaa varhaisen varoituksen epilepsiasta tai sepsisestä, mikä vaatii yleensä erittäin monimutkaisten tietokokonaisuuksien syvällistä analysointia.
Brandon Westover, MD, Massachusettsin yleissairaalan (MGH) kliinisten tietojen johtaja, sanoi, että koneoppiminen voisi myös auttaa tukemaan jatkuvaa hoitoa kriittisesti sairaille potilaille, kuten sydänpysähdyksen jälkeen koomaan oleville potilaille.
Hän selitti, että normaaleissa olosuhteissa lääkäreiden on tarkistettava näiden potilaiden EEG-tiedot.Tämä prosessi on aikaa vievä ja subjektiivinen, ja tulokset voivat vaihdella kliinikon taitojen ja kokemuksen mukaan.
Hän sanoi: "Näillä potilailla kehitys voi olla hidasta.Joskus kun lääkärit haluavat nähdä, onko joku toipumassa, he voivat tarkastella seurattuja tietoja 10 sekunnin välein.Kuitenkin nähdä, onko se muuttunut 10 sekunnin tiedoista 24 tunnin aikana, on kuin katsoisi, ovatko hiukset kasvaneet sillä välin.Jos kuitenkin käytetään tekoälyalgoritmeja ja suuria tietomääriä monilta potilailta, on helpompi yhdistää ihmisten näkemys pitkän aikavälin malleihin, ja joitain hienoisia parannuksia voidaan löytää, jotka vaikuttavat lääkäreiden päätöksentekoon hoitotyössä. ."
Tekoälyteknologian käyttö kliinisen päätöksenteon tukena, riskipisteytyksenä ja varhaisvaroituksena on yksi tämän vallankumouksellisen data-analyysimenetelmän lupaavimpia kehitysalueita.
Tarjoamalla tehoa uuden sukupolven työkaluille ja järjestelmille kliinikot voivat ymmärtää paremmin sairauksien vivahteita, tarjota hoitopalveluita tehokkaammin ja ratkaista ongelmia etukäteen.Tekoäly avaa uuden aikakauden kliinisen hoidon laadun parantamiseksi ja tekee jännittäviä läpimurtoja potilaiden hoidossa.


Postitusaika: 06.08.2021