12 veidi, kā AI ietekmēt veselības aprūpes nozari

Paredzams, ka mākslīgais intelekts kļūs par transformācijas spēku veselības aprūpes jomā.Tātad, kā ārsti un pacienti gūst labumu no AI vadītu rīku ietekmes?
Mūsdienu veselības aprūpes nozare ir ļoti nobriedusi un var veikt dažas būtiskas izmaiņas.No hroniskām slimībām un vēža līdz radioloģijai un riska novērtēšanai, šķiet, ka veselības aprūpes nozarei ir neskaitāmas iespējas izmantot tehnoloģijas, lai pacientu aprūpē ieviestu precīzākus, efektīvākus un efektīvākus pasākumus.
Attīstoties tehnoloģijām, pacientiem tiek izvirzītas arvien augstākas prasības ārstiem, un pieejamo datu skaits turpina pieaugt satraucošā ātrumā.Mākslīgais intelekts kļūs par dzinēju, kas veicinās nepārtrauktu medicīniskās aprūpes uzlabošanu.
Salīdzinot ar tradicionālo analīzi un klīnisko lēmumu pieņemšanas tehnoloģiju, mākslīgajam intelektam ir daudz priekšrocību.Kad mācīšanās algoritms mijiedarbojas ar apmācību datiem, tas var kļūt precīzāks, ļaujot ārstiem gūt nebijušu ieskatu par diagnostiku, kopšanas procesu, ārstēšanas mainīgumu un pacientu rezultātiem.
2018. gada Pasaules mākslīgā intelekta medicīnas inovāciju forumā (wmif), ko organizēja Partners Healthcare, medicīnas pētnieki un klīniskie eksperti stāstīja par medicīnas nozares tehnoloģijām un jomām, kurām, visticamāk, būs būtiska ietekme uz mākslīgā intelekta ieviešanu nākamajā gadā. desmitgade.
Anne Kiblanksi, MD, wmif 2018. gada vadītāja, un Gregg Meyer, MD, Partners Healthcare galvenais akadēmiskais darbinieks, sacīja, ka šāda veida "sagraušana", kas tiek ieviesta katrā nozares jomā, var sniegt ievērojamu labumu pacientiem un tai ir plašas iespējas. biznesa veiksmes potenciāls.
Ar partneru veselības aprūpes ekspertu palīdzību, tostarp Dr. Kītu Dreijeru, Hārvardas Medicīnas skolas (HMS) profesoru, partneru datu zinātnes vadītāju un Dr. Ketrīnu Andreolu, Masačūsetsas vispārējās slimnīcas (MGH) pētniecības stratēģijas un operāciju direktori. , ierosināja 12 veidus, kā mākslīgais intelekts mainīs medicīnas pakalpojumus un zinātni.
1. Apvienojiet domāšanu un mašīnu, izmantojot smadzeņu datora saskarni

Datora izmantošana saziņai nav jauna ideja, taču tiešas saskarnes izveide starp tehnoloģijām un cilvēka domāšanu bez tastatūras, peles un displeja ir progresīva pētniecības joma, kas dažiem pacientiem ir svarīga.
Nervu sistēmas slimības un traumas dažiem pacientiem var zaudēt spēju runāt, kustēties un mijiedarboties ar citiem un apkārtējo vidi.Smadzeņu datora saskarne (BCI), ko atbalsta mākslīgais intelekts, var atjaunot šo pamata pieredzi pacientiem, kuri ir noraizējušies par šo funkciju zaudēšanu uz visiem laikiem.
"Ja es redzu pacientu neiroloģijas intensīvās terapijas nodaļā, kurš pēkšņi zaudē spēju rīkoties vai runāt, es ceru, ka nākamajā dienā atjaunošu viņa spēju sazināties," sacīja Leigh Hochberg, MD, Neirotehnoloģiju un neirorehabilitācijas centra direktors plkst. Masačūsetsas vispārējā slimnīca (MGH).Izmantojot smadzeņu datora interfeisu (BCI) un mākslīgo intelektu, mēs varam aktivizēt ar roku kustību saistītos nervus, un mums jāspēj likt pacientam sazināties ar citiem vismaz piecas reizes visas darbības laikā, piemēram, izmantojot visuresošas komunikācijas tehnoloģijas, piemēram, kā planšetdatorus vai mobilos tālruņus."
Smadzeņu datora saskarne katru gadu var ievērojami uzlabot pacientu ar amiotrofisko laterālo sklerozi (ALS), insultu vai atrēzijas sindromu, kā arī 500 000 pacientu ar muguras smadzeņu traumu dzīves kvalitāti.
2.Izstrādāt nākamās paaudzes radiācijas rīkus

Radiācijas attēli, kas iegūti ar magnētiskās rezonanses attēlveidošanu (MRI), CT skeneriem un rentgena stariem, nodrošina neinvazīvu redzamību cilvēka ķermeņa iekšienē.Tomēr daudzas diagnostikas procedūras joprojām balstās uz fiziskiem audu paraugiem, kas iegūti ar biopsijas palīdzību, kas rada infekcijas risku.
Eksperti prognozē, ka dažos gadījumos mākslīgais intelekts ļaus nākamās paaudzes radioloģijas instrumentiem būt pietiekami precīziem un detalizētiem, lai aizstātu pieprasījumu pēc dzīvo audu paraugiem.
Aleksandra golbija, medicīnas doktore, Brigamas sieviešu slimnīcas (BWh) attēlu vadītas neiroķirurģijas direktore, sacīja: "Mēs vēlamies apvienot diagnostikas attēlveidošanas komandu ar ķirurgiem vai intervences radiologiem un patologiem, taču tas ir milzīgs izaicinājums dažādām komandām, lai panāktu sadarbību. un mērķu konsekvenci. Ja mēs vēlamies, lai radioloģija sniegtu informāciju, kas pašlaik ir pieejama no audu paraugiem, tad mums būs jāspēj sasniegt ļoti tuvus standartus, lai zinātu jebkura pikseļa pamatfaktus.
Panākumi šajā procesā var ļaut klīnicistiem precīzāk izprast audzēja vispārējo darbību, nevis pieņemt lēmumus par ārstēšanu, pamatojoties uz nelielu daļu no ļaundabīgā audzēja atribūtiem.
AI var arī labāk definēt vēža invazivitāti un atbilstošāk noteikt ārstēšanas mērķi.Turklāt mākslīgais intelekts palīdz realizēt "virtuālo biopsiju" un veicināt inovācijas radioloģijas jomā, kas ir apņēmusies izmantot uz attēlu balstītus algoritmus, lai raksturotu audzēju fenotipiskās un ģenētiskās īpašības.
3. Paplašināt medicīniskos pakalpojumus nepietiekami apkalpotajos vai jaunattīstības reģionos

Apmācītu veselības aprūpes pakalpojumu sniedzēju trūkums jaunattīstības valstīs, tostarp ultraskaņas tehniķu un radiologu trūkums, ievērojami samazinās iespēju izmantot medicīniskos pakalpojumus, lai glābtu pacientu dzīvības.
Sanāksmē tika norādīts, ka sešās Bostonas slimnīcās ar slaveno Longvudas avēniju strādā vairāk radiologu nekā visās Rietumāfrikas slimnīcās.
Mākslīgais intelekts var palīdzēt mazināt klīnicistu kritiskā trūkuma ietekmi, pārņemot dažus no diagnostikas pienākumiem, kas parasti tiek uzticēti cilvēkiem.
Piemēram, mākslīgā intelekta attēlveidošanas rīks var izmantot krūškurvja rentgenstarus, lai pārbaudītu tuberkulozes simptomus, parasti ar tādu pašu precizitāti kā ārsts.Šo funkciju var izvietot, izmantojot lietojumprogrammu pakalpojumu sniedzējiem resursu nabadzīgos apgabalos, samazinot vajadzību pēc pieredzējušiem diagnostikas radiologiem.
"Šai tehnoloģijai ir liels potenciāls veselības aprūpes uzlabošanai," sacīja Dr. Jayashree kalpathy Cramer, Masačūsetsas Vispārējās slimnīcas (MGH) neiroloģijas asistents un radioloģijas asociētais profesors.
Tomēr AI algoritmu izstrādātājiem ir rūpīgi jāapsver fakts, ka dažādu tautību vai reģionu cilvēkiem var būt unikāli fizioloģiski un vides faktori, kas var ietekmēt slimības veiktspēju.
"Piemēram, Indijas iedzīvotāju skaits, ko skārusi slimība, var ļoti atšķirties no tiem, kas atrodas Amerikas Savienotajās Valstīs," viņa teica.Izstrādājot šos algoritmus, ir ļoti svarīgi nodrošināt, lai dati atspoguļotu slimības prezentāciju un iedzīvotāju daudzveidību.Mēs varam ne tikai izstrādāt algoritmus, kuru pamatā ir viena populācija, bet arī cerēt, ka tai var būt nozīme citās populācijās."
4. Samazināt elektronisko veselības karšu izmantošanas slogu

Elektroniskajai veselības kartei (viņai) ir bijusi svarīga loma veselības aprūpes nozares digitālajā ceļojumā, taču šī transformācija ir radījusi daudzas problēmas, kas saistītas ar kognitīvo pārslodzi, bezgalīgiem dokumentiem un lietotāju nogurumu.
Elektronisko veselības karšu (viņas) izstrādātāji tagad izmanto mākslīgo intelektu, lai izveidotu intuitīvāku saskarni un automatizētu rutīnas, kas aizņem daudz lietotāja laika.
Dr. Adams Landmens, Brigham veselības viceprezidents un galvenais informācijas virsnieks, sacīja, ka lietotāji lielāko daļu sava laika pavada trīs uzdevumiem: klīniskajai dokumentācijai, pasūtījuma ievadīšanai un iesūtņu kārtošanai.Runas atpazīšana un diktēšana var palīdzēt uzlabot klīnisko dokumentu apstrādi, taču ar dabiskās valodas apstrādes (NLP) rīkiem var nepietikt.
"Es domāju, ka var būt nepieciešams būt drosmīgākam un apsvērt dažas izmaiņas, piemēram, video ierakstīšanas izmantošanu klīniskai ārstēšanai, tāpat kā policijai, kas valkā kameras," sacīja Landmens.Pēc tam mākslīgo intelektu un mašīnmācīšanos var izmantot, lai indeksētu šos videoklipus turpmākai izguvei.Tāpat kā Siri un Alexa, kuri mājās izmanto mākslīgā intelekta palīgus, arī turpmāk pie pacientu gultas tiks nogādāti virtuālie asistenti, kas ļaus ārstiem izmantot iegulto intelektu, lai ievadītu medicīniskos pasūtījumus."

AI var arī palīdzēt apstrādāt parastos pieprasījumus no iesūtnēm, piemēram, medikamentu piedevas un rezultātu paziņošanu.Tas var arī palīdzēt noteikt prioritāti uzdevumiem, kuriem patiešām nepieciešama klīnicistu uzmanība, atvieglojot pacientiem savu uzdevumu sarakstu apstrādi, piebilda Landmans.
5. Antibiotiku rezistences risks

Antibiotiku rezistence ir arvien lielāks drauds cilvēkiem, jo ​​šo galveno zāļu pārmērīga lietošana var izraisīt superbaktēriju attīstību, kas vairs nereaģē uz ārstēšanu.Daudzām zālēm rezistentās baktērijas var izraisīt nopietnus bojājumus slimnīcas vidē, katru gadu nogalinot desmitiem tūkstošu pacientu.Clostridium difficile vien ASV veselības aprūpes sistēmai izmaksā apmēram 5 miljardus USD gadā un izraisa vairāk nekā 30 000 nāves gadījumu.
EHR dati palīdz noteikt infekcijas modeļus un izcelt risku, pirms pacientam sāk parādīties simptomi.Mašīnmācības un mākslīgā intelekta rīku izmantošana šo analīžu veikšanai var uzlabot to precizitāti un radīt ātrākus un precīzākus brīdinājumus veselības aprūpes sniedzējiem.
"Mākslīgā intelekta instrumenti var apmierināt cerības attiecībā uz infekciju kontroli un rezistenci pret antibiotikām," sacīja Masačūsetsas Vispārējās slimnīcas (MGH) infekciju kontroles direktora vietniece Dr. Erica Shenoy.Ja viņi to nedarīs, tad visi cietīs neveiksmi.Tā kā slimnīcām ir daudz EHR datu, ja tās tos pilnībā neizmanto, ja tās nerada nozares, kas ir gudrākas un ātrākas klīnisko pētījumu plānošanā, un ja tās neizmanto EHR, kas rada šos datus, viņi saskarsies ar neveiksmi."
6. Izveidojiet precīzāku patoloģisko attēlu analīzi

Dr. Džefrijs Goldens, Brigamas sieviešu slimnīcas (BWh) patoloģijas nodaļas vadītājs un HMS patoloģijas profesors, sacīja, ka patologi nodrošina vienu no svarīgākajiem diagnostikas datu avotiem daudziem medicīnas pakalpojumu sniedzējiem.
"70% veselības aprūpes lēmumu ir balstīti uz patoloģiskiem rezultātiem, un no 70% līdz 75% no visiem EHR datiem nāk no patoloģiskiem rezultātiem," viņš teica.Un jo precīzāki ir rezultāti, jo ātrāk tiks veikta pareizā diagnoze.Tas ir mērķis, ko digitālajai patoloģijai un mākslīgajam intelektam ir iespēja sasniegt."
Dziļā pikseļu līmeņa analīze lieliem digitālajiem attēliem ļauj ārstiem atpazīt smalkas atšķirības, kas var izvairīties no cilvēka acīm.
"Tagad mēs esam nonākuši pie tā, ka varam labāk novērtēt, vai vēzis attīstīsies ātri vai lēni, un kā mainīt pacientu ārstēšanu, pamatojoties uz algoritmiem, nevis klīniskiem posmiem vai histopatoloģisko klasifikāciju," sacīja Goldens.Tas būs milzīgs solis uz priekšu."
Viņš piebilda: "AI var arī uzlabot produktivitāti, identificējot interesējošās iezīmes slaidos, pirms ārsti pārskata datus. AI var filtrēt slaidus un palīdzēt mums redzēt pareizo saturu, lai mēs varētu novērtēt, kas ir svarīgs un kas nav. Tas uzlabo patologu izmantošanas efektivitāti un palielina viņu katra gadījuma pētījuma vērtību.
Sniedziet inteliģenci medicīnas ierīcēm un iekārtām

Viedās ierīces pārņem patērētāju vidi un nodrošina dažādas ierīces, sākot no reāllaika video ledusskapī līdz automašīnām, kas nosaka vadītāja uzmanību.
Medicīnas vidē viedās ierīces ir būtiskas pacientu uzraudzībai ICU un citur.Mākslīgā intelekta izmantošana, lai uzlabotu spēju noteikt stāvokļa pasliktināšanos, piemēram, norādot, ka attīstās sepse, vai komplikāciju uztveri, var ievērojami uzlabot rezultātus un samazināt ārstēšanas izmaksas.
"Kad mēs runājam par dažādu datu integrēšanu visā veselības aprūpes sistēmā, mums ir jāintegrē un jābrīdina ICU ārsti, lai tie pēc iespējas ātrāk iejauktos, un ka šo datu apkopošana nav laba lieta, ko var darīt ārsti," sacīja Marks Mihalskis. , BWh Klīnisko datu zinātnes centra izpilddirektors.Viedo algoritmu ievietošana šajās ierīcēs samazina kognitīvo slogu ārstiem un nodrošina, ka pacienti tiek ārstēti pēc iespējas ātrāk."
8.imūnterapijas veicināšana vēža ārstēšanā

Imūnterapija ir viens no daudzsološākajiem vēža ārstēšanas veidiem.Izmantojot paša organisma imūnsistēmu, lai uzbruktu ļaundabīgiem audzējiem, pacienti var pārvarēt noturīgus audzējus.Tomēr tikai daži pacienti reaģē uz pašreizējo imūnterapijas shēmu, un onkologiem joprojām nav precīzas un uzticamas metodes, lai noteiktu, kuri pacienti gūs labumu no shēmas.
Mašīnmācīšanās algoritmi un to spēja sintezēt ļoti sarežģītas datu kopas var izskaidrot indivīdu unikālo gēnu sastāvu un nodrošināt jaunas iespējas mērķtiecīgai terapijai.
"Pēdējā laikā aizraujošākā attīstība ir bijusi kontrolpunktu inhibitori, kas bloķē proteīnus, ko ražo noteiktas imūnās šūnas," skaidro Dr Long Le, Masačūsetsas vispārējās slimnīcas (MGH) visaptverošās diagnostikas centra skaitļošanas patoloģijas un tehnoloģiju attīstības direktors.Bet mēs joprojām nesaprotam visas problēmas, kas ir ļoti sarežģīti.Mums noteikti ir nepieciešams vairāk pacientu datu.Šīs ārstēšanas metodes ir salīdzinoši jaunas, tāpēc maz pacientu tās faktiski lieto.Tāpēc neatkarīgi no tā, vai dati ir jāintegrē organizācijā vai vairākās organizācijās, tas būs galvenais faktors, lai palielinātu pacientu skaitu, lai vadītu modelēšanas procesu."
9. Pārvērtiet elektroniskos veselības ierakstus par uzticamiem riska prognozētājiem

Elektroniskā veselības karte (viņa) ir pacientu datu bagātība, taču pakalpojumu sniedzējiem un izstrādātājiem tas ir pastāvīgs izaicinājums precīzā, savlaicīgā un uzticamā veidā iegūt un analizēt lielu informācijas apjomu.
Datu kvalitātes un integritātes problēmas kopā ar datu formātu neskaidrību, strukturētu un nestrukturētu ievadi un nepilnīgiem ierakstiem apgrūtina cilvēku precīzu izpratni par to, kā veikt nozīmīgu riska stratifikāciju, paredzamo analīzi un klīnisko lēmumu atbalstu.
Dr Ziad OBERMEYER, Brigamas sieviešu slimnīcas (BWh) neatliekamās medicīnas docents un Hārvardas Medicīnas skolas (HMS) docents, sacīja: "Ir smagi jāstrādā, lai datus integrētu vienā vietā. Taču vēl viena problēma ir saprast ko cilvēki saņem, prognozējot slimību elektroniskajā veselības kartē (viņas). Cilvēki var dzirdēt, ka mākslīgā intelekta algoritmi var paredzēt depresiju vai insultu, taču viņi atklāj, ka viņi patiesībā prognozē insulta izmaksu pieaugumu. Tas ļoti atšķiras no pats insults."

Viņš turpināja: "Šķiet, ka paļaušanās uz MRI rezultātiem sniedz konkrētāku datu kopu. Bet tagad mums ir jādomā par to, kurš var atļauties MRI? Tātad galīgā prognoze nav gaidītais rezultāts."
NMR analīze ir radījusi daudzus veiksmīgus riska vērtēšanas un stratifikācijas rīkus, jo īpaši, ja pētnieki izmanto dziļas mācīšanās metodes, lai identificētu jaunus savienojumus starp šķietami nesaistītām datu kopām.
Tomēr OBERMEYER uzskata, ka, lai nodrošinātu, ka šie algoritmi neidentificē datos slēptās novirzes, ir ļoti svarīgi ieviest rīkus, kas var patiesi uzlabot klīnisko aprūpi.
"Lielākais izaicinājums ir pārliecināties, ka mēs precīzi zinām, ko mēs prognozējām, pirms sākam atvērt melno kasti un meklēt, kā prognozēt," viņš teica.
10. Veselības stāvokļa uzraudzība, izmantojot valkājamas ierīces un personīgās ierīces

Gandrīz visi patērētāji tagad var izmantot sensorus, lai savāktu datus par veselības vērtību.No viedtālruņiem ar soļu izsekotāju līdz valkājamām ierīcēm, kas visu dienu izseko sirdsdarbības ātrumu, jebkurā laikā var ģenerēt arvien vairāk ar veselību saistītu datu.
Šo datu vākšana un analīze un pacientu sniegtās informācijas papildināšana, izmantojot lietojumprogrammas un citas mājas uzraudzības ierīces, var sniegt unikālu skatījumu uz indivīda un pūļa veselību.
AI būs svarīga loma praktisku ieskatu iegūšanā no šīs lielās un daudzveidīgās datu bāzes.
Taču Dr. Omārs Arnouts, Brigamas sieviešu slimnīcas (BWh) neiroķirurgs, skaitļošanas neirozinātnes rezultātu centra direktors, teica, ka var būt nepieciešams papildu darbs, lai palīdzētu pacientiem pielāgoties šiem intīmajiem, nepārtrauktajiem uzraudzības datiem.
"Mēs agrāk varējām diezgan brīvi apstrādāt digitālos datus," viņš teica.Taču, tā kā Kembridžas analīzē un Facebook notiek datu noplūde, cilvēki arvien piesardzīgāk izvēlēsies, kam kopīgot datus."
Viņš piebilda, ka pacienti mēdz uzticēties saviem ārstiem vairāk nekā lieliem uzņēmumiem, piemēram, Facebook, kas varētu palīdzēt mazināt diskomfortu, sniedzot datus liela mēroga pētniecības programmām.
"Iespējams, ka valkājamiem datiem būs ievērojama ietekme, jo cilvēku uzmanība ir ļoti nejauša un savāktie dati ir ļoti aptuveni," sacīja Arnouts.Nepārtraukti vācot detalizētus datus, dati, visticamāk, palīdzēs ārstiem labāk aprūpēt pacientus."
11.padariet viedtālruņus par jaudīgu diagnostikas rīku

Eksperti uzskata, ka attēli, kas iegūti no viedtālruņiem un citiem patērētāju līmeņa resursiem, kļūs par nozīmīgu papildinājumu klīniskās kvalitātes attēlveidošanai, jo īpaši nepietiekami apkalpotos reģionos vai jaunattīstības valstīs, turpinot izmantot portatīvo ierīču jaudīgās funkcijas.
Mobilās kameras kvalitāte katru gadu uzlabojas, un tā var ģenerēt attēlus, ko var izmantot AI algoritmu analīzei.Dermatoloģija un oftalmoloģija ir pirmie ieguvēji no šīs tendences.
Britu pētnieki pat ir izstrādājuši rīku, lai identificētu attīstības slimības, analizējot bērnu seju attēlus.Algoritms var noteikt atsevišķas pazīmes, piemēram, bērnu apakšžokļa līniju, acu un deguna stāvokli un citus atribūtus, kas var liecināt par sejas anomālijām.Pašlaik rīks var saskaņot kopīgus attēlus ar vairāk nekā 90 slimībām, lai nodrošinātu klīnisko lēmumu atbalstu.
Dr Hadi Shafiee, Brigham sieviešu slimnīcas (BWh) mikro/nano medicīnas un digitālās veselības laboratorijas direktors, sacīja: "Lielākā daļa cilvēku ir aprīkoti ar jaudīgiem mobilajiem tālruņiem ar daudziem dažādiem iebūvētiem sensoriem. Tā mums ir lieliska iespēja. Gandrīz visi nozares spēlētāji savās ierīcēs ir sākuši veidot Ai programmatūru un aparatūru.Tā nav nejaušība.Mūsu digitālajā pasaulē katru dienu tiek ģenerēti vairāk nekā 2,5 miljoni terabaitu datu.Mobilo tālruņu jomā ražotāji uzskata, ka viņi var izmantot šo mākslīgā intelekta dati, lai nodrošinātu personalizētākus, ātrākus un viedākus pakalpojumus.
Viedtālruņu izmantošana pacientu acu, ādas bojājumu, brūču, infekciju, zāļu vai citu objektu attēlu vākšanai var palīdzēt novērst ekspertu trūkumu nepietiekami apkalpotās vietās, vienlaikus samazinot noteiktu sūdzību diagnosticēšanas laiku.
"Nākotnē var būt daži nozīmīgi notikumi, un mēs varam izmantot šo iespēju, lai atrisinātu dažas svarīgas slimības pārvaldības problēmas aprūpes punktā," sacīja Shafiee.
12. Inovatīva klīnisko lēmumu pieņemšana, izmantojot gultas AI

Tā kā veselības aprūpes nozare pievēršas maksas pakalpojumiem, tā arvien vairāk attālinās no pasīvās veselības aprūpes.Profilakse pirms hroniskām slimībām, akūtiem slimības gadījumiem un pēkšņas stāvokļa pasliktināšanās ir katra pakalpojumu sniedzēja mērķis, un kompensācijas struktūra galu galā ļauj viņiem izstrādāt procesus, kas var nodrošināt aktīvu un paredzamu iejaukšanos.
Mākslīgais intelekts nodrošinās daudzas pamattehnoloģijas šai attīstībai, atbalstot prognozēšanas analīzi un klīnisko lēmumu atbalsta rīkus, lai atrisinātu problēmas, pirms pakalpojumu sniedzēji sapratīs, ka ir jārīkojas.Mākslīgais intelekts var nodrošināt agrīnu brīdinājumu par epilepsiju vai sepsi, kas parasti prasa ļoti sarežģītu datu kopu padziļinātu analīzi.
Brendons Vestovers, MD, Masačūsetsas vispārējās slimnīcas (MGH) klīnisko datu direktors, teica, ka mašīnmācīšanās varētu arī palīdzēt atbalstīt nepārtrauktu aprūpi kritiski slimiem pacientiem, piemēram, tiem, kas atrodas komā pēc sirds apstāšanās.
Viņš skaidroja, ka normālos apstākļos ārstiem ir jāpārbauda šo pacientu EEG dati.Šis process ir laikietilpīgs un subjektīvs, un rezultāti var atšķirties atkarībā no klīnicistu prasmēm un pieredzes.
Viņš teica: "Šiem pacientiem tendence var būt lēna.Dažreiz, kad ārsti vēlas redzēt, vai kāds atveseļojas, viņi var apskatīt datus, kas tiek novēroti reizi 10 sekundēs.Tomēr, lai redzētu, vai tas ir mainījies no 10 sekunžu datiem, kas savākti 24 stundu laikā, ir tāpat kā skatīties, vai mati pa šo laiku ir atauguši.Tomēr, ja tiks izmantoti mākslīgā intelekta algoritmi un liels datu apjoms no daudziem pacientiem, būs vieglāk saskaņot cilvēku redzēto ar ilgtermiņa modeļiem, un var tikt konstatēti daži smalki uzlabojumi, kas ietekmēs ārstu lēmumu pieņemšanu māsu jomā. ."
Mākslīgā intelekta tehnoloģiju izmantošana klīnisko lēmumu atbalstam, riska vērtēšanai un agrīnai brīdināšanai ir viena no šīs revolucionārās datu analīzes metodes daudzsološākajām attīstības jomām.
Nodrošinot jaudu jaunas paaudzes instrumentiem un sistēmām, ārsti var labāk izprast slimības nianses, efektīvāk nodrošināt aprūpes pakalpojumus un jau iepriekš atrisināt problēmas.Mākslīgais intelekts ievadīs jaunu ēru klīniskās ārstēšanas kvalitātes uzlabošanai un radīs aizraujošus sasniegumus pacientu aprūpē.


Publicēšanas laiks: 06.07.2021