12 cara AI mempengaruhi industri penjagaan kesihatan

Kecerdasan buatan dijangka menjadi daya transformasi dalam bidang penjagaan kesihatan.Jadi, bagaimanakah doktor dan pesakit mendapat manfaat daripada kesan alatan yang dipacu AI?
Industri penjagaan kesihatan hari ini sangat matang dan boleh membuat beberapa perubahan besar.Daripada penyakit kronik dan kanser kepada radiologi dan penilaian risiko, industri penjagaan kesihatan nampaknya mempunyai banyak peluang untuk menggunakan teknologi untuk menggunakan campur tangan yang lebih tepat, cekap dan berkesan dalam penjagaan pesakit.
Dengan perkembangan teknologi, pesakit mempunyai keperluan yang lebih tinggi dan lebih tinggi untuk doktor, dan bilangan data yang tersedia terus berkembang pada kadar yang membimbangkan.Kecerdasan buatan akan menjadi enjin untuk menggalakkan peningkatan berterusan penjagaan perubatan.
Berbanding dengan analisis tradisional dan teknologi membuat keputusan klinikal, kecerdasan buatan mempunyai banyak kelebihan.Apabila algoritma pembelajaran berinteraksi dengan data latihan, ia boleh menjadi lebih tepat, membolehkan doktor memperoleh cerapan yang belum pernah berlaku sebelum ini tentang diagnosis, proses kejururawatan, kebolehubahan rawatan dan hasil pesakit.
Di forum inovasi perubatan (wmif) Kecerdasan Buatan Dunia 2018 yang diadakan oleh Partners Healthcare, penyelidik perubatan dan pakar klinikal menghuraikan teknologi dan bidang industri perubatan yang berkemungkinan besar memberi impak yang besar terhadap penggunaan kecerdasan buatan pada masa akan datang. dekad.
Anne kiblanksi, MD, pengerusi CO wmif pada 2018, dan Gregg Meyer, MD, ketua pegawai akademik Penjagaan Kesihatan Rakan Kongsi, berkata bahawa "subversi" jenis ini yang dibawa ke setiap kawasan industri berpotensi untuk membawa manfaat yang besar kepada pesakit dan mempunyai luas. potensi kejayaan perniagaan.
Dengan bantuan pakar dari penjagaan kesihatan rakan kongsi, termasuk Dr. Keith Dreyer, Profesor Sekolah Perubatan Harvard (HMS), ketua pegawai sains data rakan kongsi, dan Dr. Katherine andreole, pengarah strategi dan operasi penyelidikan di Massachusetts General Hospital (MGH) , mencadangkan 12 cara AI akan merevolusikan perkhidmatan perubatan dan sains.
1.Menyatukan pemikiran dan mesin melalui antara muka komputer otak

Menggunakan komputer untuk berkomunikasi bukanlah idea baru, tetapi mewujudkan antara muka langsung antara teknologi dan pemikiran manusia tanpa papan kekunci, tetikus dan paparan adalah bidang penyelidikan sempadan, yang mempunyai aplikasi penting untuk sesetengah pesakit.
Penyakit sistem saraf dan trauma boleh menyebabkan sesetengah pesakit kehilangan keupayaan perbualan, pergerakan dan interaksi yang bermakna dengan orang lain dan persekitaran mereka.Antara muka komputer otak (BCI) yang disokong oleh kecerdasan buatan boleh memulihkan pengalaman asas tersebut untuk pesakit yang bimbang kehilangan fungsi ini selama-lamanya.
"Jika saya melihat pesakit di unit rawatan rapi neurologi yang tiba-tiba kehilangan keupayaan untuk bertindak atau bercakap, saya berharap dapat memulihkan keupayaannya untuk berkomunikasi pada hari berikutnya," kata Leigh Hochberg, MD, pengarah pusat neuroteknologi dan pemulihan saraf di Hospital Besar Massachusetts (MGH).Dengan menggunakan antara muka komputer otak (BCI) dan kecerdasan buatan, kita boleh mengaktifkan saraf yang berkaitan dengan pergerakan tangan, dan kita sepatutnya dapat membuat pesakit berkomunikasi dengan orang lain sekurang-kurangnya lima kali semasa keseluruhan aktiviti, seperti menggunakan teknologi komunikasi di mana-mana seperti sebagai komputer tablet atau telefon mudah alih."
Antara muka komputer otak boleh meningkatkan kualiti hidup pesakit dengan amyotrophic lateral sclerosis (ALS), strok atau sindrom atresia, serta 500000 pesakit yang mengalami kecederaan saraf tunjang di seluruh dunia setiap tahun.
2. Membangunkan alat sinaran generasi akan datang

Imej sinaran yang diperolehi oleh pengimejan resonans magnetik (MRI), pengimbas CT, dan sinar-X memberikan penglihatan yang tidak invasif ke dalam bahagian dalam badan manusia.Walau bagaimanapun, banyak prosedur diagnostik masih bergantung pada sampel tisu fizikal yang diperoleh melalui biopsi, yang mempunyai risiko jangkitan.
Pakar meramalkan bahawa dalam beberapa kes, kecerdasan buatan akan membolehkan alat Radiologi generasi akan datang cukup tepat dan terperinci untuk menggantikan permintaan untuk sampel tisu hidup.
Alexandra golby, MD, pengarah pembedahan saraf berpandukan imej di Hospital wanita Brigham (BWh), berkata, "kami mahu membawa pasukan pengimejan diagnostik bersama pakar bedah atau ahli radiologi intervensi dan ahli patologi, tetapi ia adalah satu cabaran besar bagi pasukan yang berbeza untuk mencapai kerjasama dan ketekalan matlamat. Jika kami mahu radiologi menyediakan maklumat yang tersedia pada masa ini daripada sampel tisu, maka kami perlu mencapai piawaian yang sangat rapat untuk mengetahui fakta asas bagi mana-mana piksel tertentu."
Kejayaan dalam proses ini mungkin membolehkan doktor memahami dengan lebih tepat prestasi keseluruhan tumor, dan bukannya membuat keputusan rawatan berdasarkan sebahagian kecil sifat tumor malignan.
AI juga boleh mentakrifkan invasif kanser dengan lebih baik dan menentukan sasaran rawatan dengan lebih tepat.Selain itu, kecerdasan buatan membantu merealisasikan "biopsi maya" dan menggalakkan inovasi dalam bidang Radiologi, yang komited untuk menggunakan algoritma berasaskan imej untuk mencirikan ciri fenotip dan genetik tumor.
3.Meluaskan perkhidmatan perubatan di kawasan yang kurang mendapat perkhidmatan atau membangun

Kekurangan penyedia penjagaan kesihatan terlatih di negara membangun, termasuk juruteknik ultrasound dan ahli radiologi, akan mengurangkan peluang menggunakan perkhidmatan perubatan untuk menyelamatkan nyawa pesakit.
Mesyuarat itu menunjukkan bahawa terdapat lebih ramai pakar radiologi yang bekerja di enam hospital di Boston dengan Longwood Avenue yang terkenal berbanding di semua hospital di Afrika Barat.
Kecerdasan buatan boleh membantu mengurangkan kesan kekurangan kritikal doktor dengan mengambil alih beberapa tanggungjawab diagnostik yang biasanya diberikan kepada manusia.
Sebagai contoh, alat pengimejan AI boleh menggunakan X-ray dada untuk memeriksa simptom batuk kering, biasanya dengan ketepatan yang sama seperti doktor.Ciri ini boleh digunakan melalui aplikasi untuk pembekal di kawasan miskin sumber, mengurangkan keperluan untuk ahli radiologi diagnostik yang berpengalaman.
"Teknologi ini mempunyai potensi besar untuk meningkatkan penjagaan kesihatan," kata Dr. jayashree kalpathy Cramer, penolong sains saraf dan profesor bersekutu Radiologi di Massachusetts General Hospital (MGH)
Walau bagaimanapun, pembangun algoritma AI mesti mempertimbangkan dengan teliti fakta bahawa orang yang berlainan bangsa atau wilayah mungkin mempunyai faktor fisiologi dan persekitaran yang unik, yang boleh menjejaskan prestasi penyakit itu.
"Sebagai contoh, populasi yang terjejas oleh penyakit di India mungkin sangat berbeza daripada di Amerika Syarikat," katanya.Apabila kami membangunkan algoritma ini, adalah sangat penting untuk memastikan bahawa data mewakili persembahan penyakit dan kepelbagaian populasi.Kita bukan sahaja boleh membangunkan algoritma berdasarkan populasi tunggal, tetapi juga berharap ia boleh memainkan peranan dalam populasi lain."
4.Mengurangkan beban penggunaan rekod kesihatan elektronik

Rekod kesihatan elektronik (dia) telah memainkan peranan penting dalam perjalanan digital industri penjagaan kesihatan, tetapi transformasi ini telah membawa banyak masalah yang berkaitan dengan beban kognitif, dokumen yang tidak berkesudahan dan keletihan pengguna.
Pembangun rekod kesihatan elektronik (dia) kini menggunakan kecerdasan buatan untuk mencipta antara muka yang lebih intuitif dan mengautomasikan rutin yang mengambil banyak masa pengguna.
Dr. Adam Landman, naib presiden dan ketua pegawai maklumat kesihatan Brigham, berkata pengguna menghabiskan sebahagian besar masa mereka untuk tiga tugas: dokumentasi klinikal, kemasukan pesanan dan mengisih peti masuk mereka.Pengecaman pertuturan dan imlak boleh membantu meningkatkan pemprosesan dokumen klinikal, tetapi alat pemprosesan bahasa semula jadi (NLP) mungkin tidak mencukupi.
"Saya rasa mungkin perlu untuk menjadi lebih berani dan mempertimbangkan beberapa perubahan, seperti menggunakan rakaman video untuk rawatan klinikal, sama seperti polis yang memakai kamera," kata Landman.Kecerdasan buatan dan pembelajaran mesin kemudiannya boleh digunakan untuk mengindeks video ini untuk mendapatkan semula masa hadapan.Sama seperti Siri dan Alexa, yang menggunakan pembantu kecerdasan buatan di rumah, pembantu maya akan dibawa ke sisi katil pesakit pada masa hadapan, membolehkan doktor menggunakan kecerdasan terbenam untuk memasukkan pesanan perubatan."

AI juga boleh membantu mengendalikan permintaan rutin daripada peti masuk, seperti suplemen ubat dan pemberitahuan keputusan.Ia juga boleh membantu untuk mengutamakan tugas yang benar-benar memerlukan perhatian doktor, menjadikannya lebih mudah bagi pesakit untuk memproses senarai tugasan mereka, tambah Landman.
5.Risiko rintangan antibiotik

Rintangan antibiotik adalah ancaman yang semakin meningkat kepada manusia, kerana penggunaan berlebihan ubat-ubatan utama ini boleh membawa kepada evolusi superbakteria yang tidak lagi bertindak balas terhadap rawatan.Bakteria tahan pelbagai ubat boleh menyebabkan kerosakan serius dalam persekitaran hospital, membunuh berpuluh ribu pesakit setiap tahun.Clostridium difficile sahaja menelan belanja kira-kira $5 bilion setahun kepada sistem penjagaan kesihatan AS dan menyebabkan lebih daripada 30000 kematian.
Data EHR membantu mengenal pasti corak jangkitan dan menyerlahkan risiko sebelum pesakit mula menunjukkan gejala.Menggunakan pembelajaran mesin dan alatan kecerdasan buatan untuk memacu analisis ini boleh meningkatkan ketepatannya dan mencipta makluman yang lebih pantas dan tepat untuk penyedia penjagaan kesihatan.
"Alat kecerdasan buatan boleh memenuhi jangkaan untuk kawalan jangkitan dan rintangan antibiotik," kata Dr Erica Shenoy, timbalan pengarah kawalan jangkitan di Massachusetts General Hospital (MGH).Jika tidak, maka semua orang akan gagal.Oleh kerana hospital mempunyai banyak data EHR, jika mereka tidak menggunakannya sepenuhnya, jika mereka tidak mencipta industri yang lebih bijak dan lebih pantas dalam reka bentuk percubaan klinikal, dan jika mereka tidak menggunakan EHR yang mencipta data ini, mereka akan menghadapi kegagalan."
6. Cipta analisis yang lebih tepat untuk imej patologi

Dr. Jeffrey golden, ketua jabatan patologi di Hospital wanita Brigham (BWh) dan profesor patologi di HMS, berkata pakar patologi menyediakan salah satu sumber data diagnostik yang paling penting untuk rangkaian penuh penyedia perkhidmatan perubatan.
"70% daripada keputusan penjagaan kesihatan adalah berdasarkan keputusan patologi, dan antara 70% dan 75% daripada semua data dalam EHR datang daripada keputusan patologi," katanya.Dan lebih tepat keputusannya, lebih cepat diagnosis yang betul akan dibuat.Ini adalah matlamat yang patologi digital dan kecerdasan buatan mempunyai peluang untuk dicapai."
Analisis tahap piksel dalam pada imej digital yang besar membolehkan doktor mengenali perbezaan halus yang mungkin terlepas daripada mata manusia.
"Kami kini telah sampai ke tahap di mana kami boleh menilai dengan lebih baik sama ada kanser akan berkembang dengan cepat atau perlahan, dan cara mengubah rawatan pesakit berdasarkan algoritma dan bukannya peringkat klinikal atau penggredan histopatologi," kata golden.Ia akan menjadi satu langkah besar ke hadapan."
Beliau menambah, "AI juga boleh meningkatkan produktiviti dengan mengenal pasti ciri minat dalam slaid sebelum doktor menyemak data. AI boleh menapis melalui slaid dan membimbing kami untuk melihat kandungan yang betul supaya kami boleh menilai apa yang penting dan apa yang tidak. Ini meningkatkan kecekapan penggunaan ahli patologi dan meningkatkan nilai kajian mereka bagi setiap kes."
Bawa kecerdasan kepada peranti dan mesin perubatan

Peranti pintar mengambil alih persekitaran pengguna dan menyediakan peranti daripada video masa nyata di dalam peti sejuk kepada kereta yang mengesan gangguan pemandu.
Dalam persekitaran perubatan, peranti pintar adalah penting untuk memantau pesakit di ICU dan di tempat lain.Penggunaan kecerdasan buatan untuk meningkatkan keupayaan mengenal pasti kemerosotan keadaan, seperti menunjukkan bahawa sepsis sedang berkembang, atau persepsi komplikasi boleh meningkatkan keputusan dengan ketara dan boleh mengurangkan kos rawatan.
"Apabila kita bercakap tentang mengintegrasikan data yang berbeza merentasi sistem penjagaan kesihatan, kita perlu menyepadukan dan memberi amaran kepada doktor ICU untuk campur tangan seawal mungkin, dan bahawa pengagregatan data ini bukanlah perkara yang baik yang boleh dilakukan oleh doktor manusia," kata mark Michalski. , pengarah eksekutif Pusat Sains data klinikal di BWh.Memasukkan algoritma pintar ke dalam peranti ini mengurangkan beban kognitif pada doktor dan memastikan pesakit dirawat secepat mungkin."
8.menggalakkan imunoterapi untuk rawatan kanser

Imunoterapi adalah salah satu cara yang paling menjanjikan untuk merawat kanser.Dengan menggunakan sistem imun badan sendiri untuk menyerang tumor malignan, pesakit mungkin dapat mengatasi tumor degil.Walau bagaimanapun, hanya beberapa pesakit bertindak balas terhadap rejimen imunoterapi semasa, dan pakar onkologi masih tidak mempunyai kaedah yang tepat dan boleh dipercayai untuk menentukan pesakit mana yang akan mendapat manfaat daripada rejimen tersebut.
Algoritma pembelajaran mesin dan keupayaannya untuk mensintesis set data yang sangat kompleks mungkin dapat menjelaskan komposisi gen unik individu dan menyediakan pilihan baharu untuk terapi yang disasarkan.
"Baru-baru ini, perkembangan yang paling menarik ialah perencat pusat pemeriksaan, yang menyekat protein yang dihasilkan oleh sel imun tertentu," jelas Dr long Le, pengarah patologi pengiraan dan pembangunan teknologi di pusat diagnostik komprehensif Massachusetts General Hospital (MGH).Tetapi kami masih tidak memahami semua masalah yang sangat rumit.Kami pasti memerlukan lebih banyak data pesakit.Rawatan ini agak baru, jadi tidak ramai pesakit yang benar-benar mengambilnya.Oleh itu, sama ada kita perlu menyepadukan data dalam organisasi atau merentas berbilang organisasi, ia akan menjadi faktor utama dalam meningkatkan bilangan pesakit untuk memacu proses pemodelan."
9.Tukar rekod kesihatan elektronik kepada peramal risiko yang boleh dipercayai

Rekod kesihatan elektronik (dia) adalah khazanah data pesakit, tetapi ia merupakan cabaran berterusan bagi penyedia dan pembangun untuk mengekstrak dan menganalisis sejumlah besar maklumat dengan cara yang tepat, tepat pada masanya dan boleh dipercayai.
Masalah kualiti dan integriti data, ditambah pula dengan kekeliruan format data, input berstruktur dan tidak berstruktur serta rekod tidak lengkap, menyukarkan orang ramai untuk memahami dengan tepat cara menjalankan stratifikasi risiko yang bermakna, analisis ramalan dan sokongan keputusan klinikal.
Dr. Ziad OBERMEYER, penolong profesor perubatan kecemasan di Hospital wanita Brigham (BWh) dan penolong profesor di Harvard Medical School (HMS), berkata, "terdapat beberapa kerja keras yang perlu dilakukan untuk mengintegrasikan data ke satu tempat. Tetapi masalah lain adalah untuk memahami apa yang orang dapat apabila mereka meramalkan penyakit dalam rekod kesihatan elektronik (dia). Orang ramai mungkin mendengar bahawa algoritma kecerdasan buatan boleh meramalkan kemurungan atau strok, tetapi mendapati bahawa mereka sebenarnya meramalkan peningkatan dalam kos strok. Ia sangat berbeza daripada strok itu sendiri."

Dia meneruskan, "bergantung pada keputusan MRI nampaknya menyediakan set data yang lebih spesifik. Tetapi sekarang kita perlu memikirkan siapa yang mampu membeli MRI? Jadi ramalan akhir bukanlah hasil yang diharapkan."
Analisis NMR telah menghasilkan banyak alat pemarkahan risiko dan stratifikasi yang berjaya, terutamanya apabila penyelidik menggunakan teknik pembelajaran mendalam untuk mengenal pasti hubungan baharu antara set data yang kelihatan tidak berkaitan.
Walau bagaimanapun, OBERMEYER percaya bahawa memastikan bahawa algoritma ini tidak mengenal pasti bias yang tersembunyi dalam data adalah penting untuk menggunakan alat yang benar-benar boleh meningkatkan penjagaan klinikal.
"Cabaran terbesar adalah untuk memastikan kami mengetahui dengan tepat apa yang kami ramalkan sebelum kami mula membuka kotak hitam dan melihat bagaimana untuk meramalkan," katanya.
10.Memantau status kesihatan melalui peranti boleh pakai dan peranti peribadi

Hampir semua pengguna kini boleh menggunakan penderia untuk mengumpul data tentang nilai kesihatan.Daripada telefon pintar dengan penjejak langkah kepada peranti boleh pakai yang menjejaki kadar denyutan jantung sepanjang hari, semakin banyak data berkaitan kesihatan boleh dijana pada bila-bila masa.
Mengumpul dan menganalisis data ini dan menambah maklumat yang diberikan oleh pesakit melalui aplikasi dan peranti pemantauan rumah yang lain boleh memberikan perspektif yang unik untuk kesihatan individu dan orang ramai.
AI akan memainkan peranan penting dalam mengekstrak cerapan yang boleh diambil tindakan daripada pangkalan data yang besar dan pelbagai ini.
Tetapi Dr. Omar arnout, pakar bedah saraf di Hospital wanita Brigham (BWh), pengarah CO pusat untuk keputusan neurosains pengiraan, berkata ia mungkin memerlukan kerja tambahan untuk membantu pesakit menyesuaikan diri dengan data pemantauan berterusan yang intim ini.
“Kami dahulunya agak bebas untuk memproses data digital,” katanya.Tetapi apabila kebocoran data berlaku di analisis Cambridge dan Facebook, orang ramai akan lebih berhati-hati tentang siapa yang hendak berkongsi data yang mereka kongsi."
Pesakit cenderung untuk mempercayai doktor mereka lebih daripada syarikat besar seperti Facebook, tambahnya, yang boleh membantu mengurangkan ketidakselesaan menyediakan data untuk program penyelidikan berskala besar.
"Kemungkinan data boleh pakai akan memberi kesan yang ketara kerana perhatian orang ramai sangat tidak disengajakan dan data yang dikumpul adalah sangat kasar," kata arnout.Dengan mengumpul data butiran secara berterusan, data lebih berkemungkinan membantu doktor menjaga pesakit dengan lebih baik."
11. jadikan telefon pintar alat diagnostik yang berkuasa

Pakar percaya bahawa imej yang diperoleh daripada telefon pintar dan sumber peringkat pengguna lain akan menjadi tambahan penting kepada pengimejan kualiti klinikal, terutamanya di kawasan kurang mendapat perkhidmatan atau negara membangun, dengan terus menggunakan fungsi berkuasa peranti mudah alih.
Kualiti kamera mudah alih bertambah baik setiap tahun, dan ia boleh menjana imej yang boleh digunakan untuk analisis algoritma AI.Dermatologi dan oftalmologi adalah penerima awal trend ini.
Penyelidik British juga telah membangunkan alat untuk mengenal pasti penyakit perkembangan dengan menganalisis imej wajah kanak-kanak.Algoritma boleh mengesan ciri diskret, seperti garis rahang bawah kanak-kanak, kedudukan mata dan hidung, dan sifat-sifat lain yang mungkin menunjukkan keabnormalan muka.Pada masa ini, alat ini boleh memadankan imej biasa dengan lebih daripada 90 penyakit untuk memberikan sokongan keputusan klinikal.
Dr Hadi shafiee, pengarah perubatan mikro / nano dan makmal kesihatan digital di Hospital wanita Brigham (BWh), berkata: "kebanyakan orang dilengkapi dengan telefon bimbit berkuasa dengan pelbagai penderia terbina dalam. Ia adalah peluang yang baik untuk kami. Hampir semua pemain industri telah mula membina perisian dan perkakasan Ai dalam peranti mereka. Ia bukan satu kebetulan. Dalam dunia digital kita, lebih daripada 2.5 juta terabait data dijana setiap hari. Dalam bidang telefon mudah alih, pengeluar percaya bahawa mereka boleh menggunakan ini data untuk kecerdasan buatan untuk menyediakan perkhidmatan yang lebih diperibadikan, lebih pantas dan lebih pintar."
Menggunakan telefon pintar untuk mengumpul imej mata pesakit, lesi kulit, luka, jangkitan, ubat atau subjek lain boleh membantu menangani kekurangan pakar di kawasan yang kurang mendapat perkhidmatan, sambil mengurangkan masa untuk mendiagnosis aduan tertentu.
"Mungkin terdapat beberapa peristiwa besar pada masa hadapan, dan kami boleh memanfaatkan peluang ini untuk menyelesaikan beberapa masalah penting pengurusan penyakit di pusat penjagaan," kata shafiee
12. Menginovasi membuat keputusan klinikal dengan AI di sisi katil

Memandangkan industri penjagaan kesihatan beralih kepada perkhidmatan berasaskan bayaran, industri itu semakin jauh daripada penjagaan kesihatan pasif.Pencegahan sebelum penyakit kronik, kejadian penyakit akut dan kemerosotan mendadak adalah matlamat setiap pembekal, dan struktur pampasan akhirnya membolehkan mereka membangunkan proses yang boleh mencapai campur tangan aktif dan ramalan.
Kecerdasan buatan akan menyediakan banyak teknologi asas untuk evolusi ini, dengan menyokong analisis ramalan dan alat sokongan keputusan klinikal, untuk menyelesaikan masalah sebelum penyedia menyedari keperluan untuk mengambil tindakan.Kecerdasan buatan boleh memberikan amaran awal untuk epilepsi atau sepsis, yang biasanya memerlukan analisis mendalam bagi set data yang sangat kompleks.
Brandon Westover, MD, pengarah data klinikal di Massachusetts General Hospital (MGH), berkata pembelajaran mesin juga boleh membantu menyokong penyediaan penjagaan berterusan untuk pesakit kritikal, seperti mereka yang koma selepas serangan jantung.
Beliau menjelaskan dalam keadaan biasa, doktor perlu menyemak data EEG pesakit ini.Proses ini memakan masa dan subjektif, dan hasilnya mungkin berbeza dengan kemahiran dan pengalaman doktor.
Beliau berkata, "Dalam pesakit ini, trend mungkin perlahan.Kadangkala apabila doktor ingin melihat sama ada seseorang sedang pulih, mereka mungkin melihat data yang dipantau sekali setiap 10 saat.Walau bagaimanapun, untuk melihat sama ada ia telah berubah daripada 10 saat data yang dikumpul dalam 24 jam adalah seperti melihat jika rambut telah tumbuh dalam masa yang sama.Walau bagaimanapun, jika algoritma kecerdasan buatan dan sejumlah besar data daripada ramai pesakit digunakan, lebih mudah untuk memadankan apa yang dilihat orang dengan corak jangka panjang, dan beberapa penambahbaikan halus mungkin ditemui, yang akan menjejaskan pengambilan keputusan doktor dalam bidang kejururawatan. ."
Menggunakan teknologi kecerdasan buatan untuk sokongan keputusan klinikal, pemarkahan risiko dan amaran awal adalah salah satu bidang pembangunan yang paling menjanjikan bagi kaedah analisis data revolusioner ini.
Dengan menyediakan kuasa untuk alat dan sistem generasi baharu, doktor boleh memahami dengan lebih baik nuansa penyakit, menyediakan perkhidmatan kejururawatan dengan lebih berkesan dan menyelesaikan masalah dengan lebih awal.Kecerdasan buatan akan menyambut era baharu untuk meningkatkan kualiti rawatan klinikal, dan membuat penemuan menarik dalam penjagaan pesakit.


Masa siaran: Ogos-06-2021