12 måter AI kan påvirke helsesektoren på

Kunstig intelligens forventes å bli en transformasjonskraft innen helsevesenet.Så hvordan drar leger og pasienter nytte av virkningen av AI-drevne verktøy?
Dagens helseindustri er svært moden og kan gjøre noen store endringer.Fra kroniske sykdommer og kreft til radiologi og risikovurdering, ser helsevesenet ut til å ha utallige muligheter til å bruke teknologi for å implementere mer presise, effektive og effektive intervensjoner i pasientbehandlingen.
Med teknologiutviklingen har pasientene stadig høyere krav til leger, og antallet tilgjengelige data fortsetter å vokse i en alarmerende hastighet.Kunstig intelligens vil bli en motor for å fremme kontinuerlig forbedring av medisinsk behandling.
Sammenlignet med tradisjonell analyse og klinisk beslutningsteknologi har kunstig intelligens mange fordeler.Når læringsalgoritmen samhandler med treningsdataene, kan den bli mer nøyaktig, slik at leger kan få enestående innsikt om diagnose, sykepleieprosess, behandlingsvariabilitet og pasientresultater.
På 2018 World Artificial Intelligence Medical innovation Forum (wmif) holdt av Partners Healthcare, utdypet medisinske forskere og kliniske eksperter teknologiene og feltene i den medisinske industrien som mest sannsynlig vil ha en betydelig innvirkning på innføringen av kunstig intelligens i den neste tiår.
Anne kiblanksi, MD, CO-styreleder for wmif i 2018, og Gregg Meyer, MD, akademisk sjef for Partners Healthcare, sa at denne typen "subversjon" som bringes til ethvert industriområde har potensial til å gi betydelige fordeler for pasienter og har bred forretningssuksesspotensial.
Med hjelp av eksperter fra partnernes helsevesen, inkludert Dr. Keith Dreyer, professor ved Harvard Medical School (HMS), sjef for datavitenskap hos partnere, og Dr. Katherine andreole, direktør for forskningsstrategi og operasjoner ved Massachusetts General Hospital (MGH) , foreslått 12 måter AI vil revolusjonere medisinske tjenester og vitenskap.
1. Forene tenkning og maskin gjennom hjernens datamaskingrensesnitt

Å bruke datamaskin til å kommunisere er ikke en ny idé, men å skape et direkte grensesnitt mellom teknologi og menneskelig tenkning uten tastatur, mus og skjerm er et frontlinjeforskningsfelt, som har viktig anvendelse for noen pasienter.
Sykdommer og traumer i nervesystemet kan gjøre at noen pasienter mister evnen til meningsfull samtale, bevegelse og samhandling med andre og deres omgivelser.Brain Computer Interface (BCI) støttet av kunstig intelligens kan gjenopprette de grunnleggende opplevelsene for pasienter som er bekymret for å miste disse funksjonene for alltid.
"Hvis jeg ser en pasient på nevrologisk intensivavdeling som plutselig mister evnen til å handle eller snakke, håper jeg å gjenopprette evnen til å kommunisere neste dag," sa Leigh Hochberg, MD, direktør for senteret for nevroteknologi og nevrorehabilitering ved Massachusetts General Hospital (MGH).Ved å bruke hjernedatamaskingrensesnitt (BCI) og kunstig intelligens kan vi aktivere nervene knyttet til håndbevegelser, og vi bør kunne få pasienten til å kommunisere med andre minst fem ganger i løpet av hele aktiviteten, som å bruke allestedsnærværende kommunikasjonsteknologier som f.eks. som nettbrett eller mobiltelefoner."
Hjernedatamaskingrensesnitt kan i stor grad forbedre livskvaliteten til pasienter med amyotrofisk lateral sklerose (ALS), slag eller atresisyndrom, samt 500 000 pasienter med ryggmargsskade over hele verden hvert år.
2. Utvikle neste generasjon strålingsverktøy

Strålingsbilder oppnådd ved magnetisk resonansavbildning (MRI), CT-skannere og røntgenstråler gir ikke-invasiv synlighet inn i det indre av menneskekroppen.Imidlertid er mange diagnostiske prosedyrer fortsatt avhengige av fysiske vevsprøver oppnådd ved biopsi, som har risiko for infeksjon.
Eksperter spår at i noen tilfeller vil kunstig intelligens gjøre det mulig for neste generasjon av radiologiverktøy å være nøyaktige og detaljerte nok til å erstatte etterspørselen etter levende vevsprøver.
Alexandra golby, MD, direktør for bildeveiledet nevrokirurgi ved Brigham Women's Hospital (BWh), sa: "vi ønsker å bringe det diagnostiske bildediagnostiske teamet sammen med kirurger eller intervensjonsradiologer og patologer, men det er en stor utfordring for forskjellige team å oppnå samarbeid og konsistens i mål. Hvis vi vil at radiologi skal gi den informasjonen som for øyeblikket er tilgjengelig fra vevsprøver, må vi være i stand til å oppnå svært nære standarder for å kjenne de grunnleggende faktaene til en gitt piksel."
Suksess i denne prosessen kan gjøre det mulig for klinikere å mer nøyaktig forstå den generelle ytelsen til svulsten, i stedet for å ta behandlingsbeslutninger basert på en liten del av egenskapene til den ondartede svulsten.
AI kan også bedre definere invasiviteten til kreft, og mer hensiktsmessig bestemme behandlingsmålet.I tillegg er kunstig intelligens med på å realisere «virtuell biopsi» og fremme innovasjon innen radiologi, som er forpliktet til å bruke bildebaserte algoritmer for å karakterisere de fenotypiske og genetiske egenskapene til svulster.
3.Utvid medisinske tjenester i undertjente områder eller områder i utvikling

Mangelen på utdannede helsepersonell i utviklingsland, inkludert ultralydteknikere og radiologer, vil i stor grad redusere sjansene for å bruke medisinske tjenester for å redde pasienters liv.
Møtet påpekte at det er flere radiologer som jobber på seks sykehus i Boston med den berømte Longwood Avenue enn på alle sykehus i Vest-Afrika.
Kunstig intelligens kan bidra til å dempe virkningen av en kritisk mangel på klinikere ved å overta noen av de diagnostiske ansvarsområdene som normalt tildeles mennesker.
For eksempel kan et AI-bildeverktøy bruke røntgenstråler for å undersøke symptomene på tuberkulose, vanligvis med samme nøyaktighet som en lege.Denne funksjonen kan distribueres gjennom en applikasjon for tilbydere i ressursfattige områder, noe som reduserer behovet for erfarne diagnostiske radiologer.
"Denne teknologien har et stort potensial for å forbedre helsevesenet," sa Dr. jayashree kalpathy Cramer, assisterende nevrovitenskap og førsteamanuensis i radiologi ved Massachusetts General Hospital (MGH)
Imidlertid må utviklere av AI-algoritmer nøye vurdere det faktum at mennesker av forskjellige nasjonaliteter eller regioner kan ha unike fysiologiske og miljømessige faktorer, som kan påvirke ytelsen til sykdommen.
"For eksempel kan befolkningen som er rammet av sykdom i India være veldig forskjellig fra den i USA," sa hun.Når vi utvikler disse algoritmene, er det svært viktig å sikre at dataene representerer sykdomspresentasjonen og mangfoldet i befolkningen.Vi kan ikke bare utvikle algoritmer basert på en enkelt populasjon, men også håpe at den kan spille en rolle i andre populasjoner."
4. Reduser bruksbyrden av elektroniske helsejournaler

Elektronisk helsejournal (henne) har spilt en viktig rolle i helsesektorens digitale reise, men denne transformasjonen har ført til en rekke problemer knyttet til kognitiv overbelastning, endeløse dokumenter og brukertretthet.
Elektronisk helsejournal (hennes) utviklere bruker nå kunstig intelligens for å lage et mer intuitivt grensesnitt og automatisere rutiner som tar mye brukertid.
Dr. Adam Landman, visepresident og informasjonssjef i Brigham Health, sa at brukere bruker mesteparten av tiden på tre oppgaver: klinisk dokumentasjon, ordreinntasting og sortering av innboksene.Talegjenkjenning og diktering kan bidra til å forbedre klinisk dokumentbehandling, men verktøy for naturlig språkbehandling (NLP) er kanskje ikke nok.
"Jeg tror det kan være nødvendig å være mer dristig og vurdere noen endringer, for eksempel å bruke videoopptak for klinisk behandling, akkurat som politiet har på seg kameraer," sa Landman.Kunstig intelligens og maskinlæring kan deretter brukes til å indeksere disse videoene for fremtidig gjenfinning.Akkurat som Siri og Alexa, som bruker kunstig intelligens-assistenter hjemme, vil virtuelle assistenter bli brakt til pasientenes seng i fremtiden, slik at klinikere kan bruke innebygd intelligens for å legge inn medisinske ordre."

AI kan også hjelpe med å håndtere rutinemessige forespørsler fra innbokser, for eksempel medikamenttilskudd og varsling av resultater.Det kan også hjelpe å prioritere oppgaver som virkelig trenger klinikeres oppmerksomhet, noe som gjør det lettere for pasienter å behandle oppgavelistene sine, la Landman til.
5.Risiko for antibiotikaresistens

Antibiotikaresistens er en økende trussel mot mennesker, fordi overforbruk av disse nøkkelmedisinene kan føre til utviklingen av superbakterier som ikke lenger reagerer på behandling.Multiresistente bakterier kan forårsake alvorlig skade i sykehusmiljøet og drepe titusenvis av pasienter hvert år.Clostridium difficile alene koster rundt 5 milliarder dollar i året for det amerikanske helsevesenet og forårsaker mer enn 30 000 dødsfall.
EPJ-dataene hjelper til med å identifisere infeksjonsmønstre og synliggjøre risikoen før pasienten begynner å vise symptomer.Ved å bruke maskinlæring og kunstig intelligens-verktøy for å drive disse analysene kan det forbedre nøyaktigheten og skape raskere og mer nøyaktige varsler for helsepersonell.
– Verktøy for kunstig intelligens kan møte forventningene til infeksjonskontroll og antibiotikaresistens, sier Dr. Erica Shenoy, assisterende direktør for infeksjonskontroll ved Massachusetts General Hospital (MGH).Hvis de ikke gjør det, vil alle mislykkes.Fordi sykehus har mye EPJ-data, hvis de ikke utnytter dem fullt ut, hvis de ikke oppretter bransjer som er smartere og raskere i design av kliniske studier, og hvis de ikke bruker EPJ-er som lager disse dataene, de vil møte fiasko."
6.Create mer nøyaktig analyse for patologiske bilder

Dr. Jeffrey golden, leder for patologiavdelingen ved Brigham Women's Hospital (BWh) og professor i patologi ved HMS, sa at patologer gir en av de viktigste kildene til diagnostiske data for et komplett utvalg av medisinske tjenesteleverandører.
"70% av helsevesenets beslutninger er basert på patologiske resultater, og mellom 70% og 75% av alle data i EPJer kommer fra patologiske resultater," sa han.Og jo mer nøyaktige resultatene er, desto raskere vil riktig diagnose bli stilt.Dette er målet som digital patologi og kunstig intelligens har en sjanse til å oppnå."
Dyp pikselnivåanalyse på store digitale bilder gjør det mulig for leger å gjenkjenne subtile forskjeller som kan unnslippe menneskelige øyne.
"Vi har nå kommet til et punkt hvor vi bedre kan vurdere om kreft vil utvikle seg raskt eller sakte, og hvordan vi kan endre behandlingen av pasienter basert på algoritmer snarere enn kliniske stadier eller histopatologisk gradering," sa golden.Det kommer til å være et stort skritt fremover."
Han la til, "AI kan også forbedre produktiviteten ved å identifisere funksjoner av interesse i lysbilder før klinikere gjennomgår dataene. AI kan filtrere gjennom lysbilder og veilede oss til å se riktig innhold slik at vi kan vurdere hva som er viktig og hva som ikke er det. Dette forbedrer effektiviteten av bruken av patologer og øker verdien av deres studie av hvert enkelt tilfelle."
Ta med intelligens til medisinsk utstyr og maskiner

Smarte enheter tar over forbrukermiljøer og gir enheter som spenner fra sanntidsvideo inne i kjøleskapet til biler som oppdager sjåførdistraksjon.
I et medisinsk miljø er intelligente enheter avgjørende for å overvåke pasienter på intensivavdelinger og andre steder.Bruk av kunstig intelligens for å forbedre evnen til å identifisere forverring av tilstanden, for eksempel å indikere at sepsis er under utvikling, eller oppfatningen av komplikasjoner kan forbedre resultatene betydelig og kan redusere behandlingskostnadene.
"Når vi snakker om å integrere ulike data på tvers av helsevesenet, må vi integrere og varsle intensivleger om å gripe inn så tidlig som mulig, og at aggregeringen av disse dataene ikke er en god ting som menneskelige leger kan gjøre," sa Mark Michalski , administrerende direktør for Clinical Data Science Center ved BWh.Å sette inn smarte algoritmer i disse enhetene reduserer den kognitive belastningen på leger og sikrer at pasienter behandles så raskt som mulig."
8. fremme immunterapi for kreftbehandling

Immunterapi er en av de mest lovende måtene å behandle kreft på.Ved å bruke kroppens eget immunsystem til å angripe ondartede svulster, kan pasienter være i stand til å overvinne gjenstridige svulster.Imidlertid er det bare noen få pasienter som reagerer på dagens immunterapiregime, og onkologer har fortsatt ikke en presis og pålitelig metode for å avgjøre hvilke pasienter som vil ha nytte av kuren.
Maskinlæringsalgoritmer og deres evne til å syntetisere svært komplekse datasett kan være i stand til å belyse den unike gensammensetningen til individer og gi nye alternativer for målrettet terapi.
"Nylig har den mest spennende utviklingen vært sjekkpunkthemmere, som blokkerer proteiner produsert av visse immunceller," forklarer Dr. long Le, direktør for beregningspatologi og teknologiutvikling ved Massachusetts General Hospital (MGH) omfattende diagnostiske senter.Men vi forstår fortsatt ikke alle problemene, noe som er veldig komplisert.Vi trenger definitivt mer pasientdata.Disse behandlingene er relativt nye, så det er ikke mange pasienter som faktisk tar dem.Derfor, enten vi trenger å integrere data i en organisasjon eller på tvers av flere organisasjoner, vil det være en nøkkelfaktor for å øke antall pasienter som skal drive modelleringsprosessen."
9. Gjør elektroniske helsejournaler til pålitelige risikoprediktorer

Elektronisk helsejournal (henne) er en skatt av pasientdata, men det er en konstant utfordring for tilbydere og utviklere å trekke ut og analysere en stor mengde informasjon på en nøyaktig, tidsriktig og pålitelig måte.
Problemer med datakvalitet og integritet, kombinert med dataformatforvirring, strukturerte og ustrukturerte inndata og ufullstendige poster, gjør det vanskelig for folk å nøyaktig forstå hvordan de skal utføre meningsfull risikostratifisering, prediktiv analyse og klinisk beslutningsstøtte.
Dr. Ziad OBERMEYER, assisterende professor i akuttmedisin ved Brigham Women's Hospital (BWh) og assisterende professor ved Harvard Medical School (HMS), sa: "det er hardt arbeid å gjøre for å integrere data på ett sted. Men et annet problem er å forstå hva folk får når de forutsier en sykdom i den elektroniske helsejournalen (henne). Folk kan høre at kunstig intelligens-algoritmer kan forutsi depresjon eller hjerneslag, men finner ut at de faktisk forutsier en økning i kostnadene ved hjerneslag. Det er veldig forskjellig fra slag selv."

Han fortsatte, "å stole på MR-resultater ser ut til å gi et mer spesifikt datasett. Men nå må vi tenke på hvem som har råd til MR? Så den endelige prediksjonen er ikke det forventede resultatet."
NMR-analyse har produsert mange vellykkede risikoscorings- og stratifiseringsverktøy, spesielt når forskere bruker dyplæringsteknikker for å identifisere nye sammenhenger mellom tilsynelatende urelaterte datasett.
OBERMEYER mener imidlertid at det å sikre at disse algoritmene ikke identifiserer skjevhetene som er skjult i dataene, er avgjørende for å implementere verktøy som virkelig kan forbedre klinisk behandling.
"Den største utfordringen er å sørge for at vi vet nøyaktig hva vi spådde før vi begynner å åpne den svarte boksen og se på hvordan vi kan forutsi," sa han
10. Overvåking av helsestatus gjennom bærbare enheter og personlige enheter

Nesten alle forbrukere kan nå bruke sensorer til å samle inn data om helseverdi.Fra smarttelefoner med step tracker til bærbare enheter som sporer puls hele dagen, mer og mer helserelatert data kan genereres når som helst.
Innsamling og analyse av disse dataene og utfylling av informasjonen gitt av pasienter gjennom applikasjoner og andre hjemmeovervåkingsenheter kan gi et unikt perspektiv for individuell og folkehelse.
AI vil spille en viktig rolle i å trekke ut handlingskraftig innsikt fra denne store og mangfoldige databasen.
Men Dr. Omar arnout, en nevrokirurg ved Brigham Women's Hospital (BWh), CO-direktør for senteret for beregningsmessige nevrovitenskapelige resultater, sa at det kan kreve ekstra arbeid for å hjelpe pasienter med å tilpasse seg disse intime, pågående overvåkingsdataene.
"Vi pleide å være ganske frie til å behandle digitale data," sa han.Men etter hvert som datalekkasjer oppstår hos Cambridge analytics og Facebook, vil folk bli mer og mer forsiktige med hvem de skal dele hvilke data de deler."
Pasienter har en tendens til å stole mer på legene sine enn store selskaper som Facebook, la han til, noe som kan bidra til å lette ubehaget ved å levere data til store forskningsprogrammer.
"Det er sannsynlig at bærbare data vil ha en betydelig innvirkning fordi folks oppmerksomhet er veldig tilfeldig og dataene som samles inn er svært grove," sa arnout.Ved kontinuerlig å samle inn granulære data, er det mer sannsynlig at data hjelper leger med bedre omsorg for pasienter."
11.gjør smarttelefoner til et kraftig diagnoseverktøy

Eksperter mener at bilder hentet fra smarttelefoner og andre ressurser på forbrukernivå vil bli et viktig supplement til klinisk kvalitetsavbildning, spesielt i undertjente områder eller utviklingsland, ved å fortsette å bruke de kraftige funksjonene til bærbare enheter.
Kvaliteten på mobilkameraet forbedres hvert år, og det kan generere bilder som kan brukes til AI-algoritmeanalyse.Dermatologi og oftalmologi er tidlige mottakere av denne trenden.
Britiske forskere har til og med utviklet et verktøy for å identifisere utviklingssykdommer ved å analysere bilder av barns ansikter.Algoritmen kan oppdage diskrete funksjoner, som barns underkjevelinje, plasseringen av øyne og nese, og andre attributter som kan indikere ansiktsavvik.For tiden kan verktøyet matche vanlige bilder med mer enn 90 sykdommer for å gi klinisk beslutningsstøtte.
Dr. Hadi shafiee, direktør for laboratoriet for mikro/nanomedisin og digital helse ved Brigham Women's Hospital (BWh), sa: "De fleste er utstyrt med kraftige mobiltelefoner med mange forskjellige sensorer innebygd. Det er en flott mulighet for oss. Nesten alle Bransjeaktører har begynt å bygge Ai-programvare og -maskinvare i enhetene sine. Det er ikke tilfeldig. I vår digitale verden genereres det mer enn 2,5 millioner terabyte med data hver dag. Innenfor mobiltelefoner tror produsentene at de kan bruke dette data for kunstig intelligens for å tilby mer personlig tilpassede, raskere og mer intelligente tjenester."
Å bruke smarttelefoner til å samle inn bilder av pasienters øyne, hudlesjoner, sår, infeksjoner, medikamenter eller andre emner kan bidra til å løse mangelen på eksperter i underbetjente områder, samtidig som det reduserer tiden for å diagnostisere visse plager.
"Det kan være noen store hendelser i fremtiden, og vi kan benytte oss av denne muligheten til å løse noen viktige problemer med sykdomshåndtering i pleiepunktet," sa shafiee
12. Nyskapende klinisk beslutningstaking med AI ved sengekanten

Etter hvert som helsesektoren går over til avgiftsbaserte tjenester, er den i økende grad borte fra passiv helsetjeneste.Forebygging før kronisk sykdom, akutte sykdomshendelser og plutselig forverring er målet for hver enkelt tilbyder, og kompensasjonsstrukturen tillater dem til syvende og sist å utvikle prosesser som kan oppnå aktiv og prediktiv intervensjon.
Kunstig intelligens vil gi mange grunnleggende teknologier for denne utviklingen, ved å støtte prediktiv analyse og kliniske beslutningsstøtteverktøy, for å løse problemer før leverandørene innser behovet for å iverksette tiltak.Kunstig intelligens kan gi tidlig advarsel for epilepsi eller sepsis, som vanligvis krever en grundig analyse av svært komplekse datasett.
Brandon Westover, MD, direktør for kliniske data ved Massachusetts General Hospital (MGH), sa at maskinlæring også kan bidra til å støtte fortsatt omsorg for kritisk syke pasienter, som de som er i koma etter hjertestans.
Han forklarte at under normale omstendigheter må leger sjekke EEG-dataene til disse pasientene.Denne prosessen er tidkrevende og subjektiv, og resultatene kan variere med klinikernes ferdigheter og erfaring.
Han sa "Hos disse pasientene kan trenden være langsom.Noen ganger når leger ønsker å se om noen er i bedring, kan de se på data som overvåkes en gang hvert 10. sekund.Men å se om det har endret seg fra 10 sekunder med data samlet på 24 timer er som å se på om håret har vokst i mellomtiden.Men hvis kunstig intelligens-algoritmer og store mengder data fra mange pasienter brukes, vil det være lettere å matche det folk ser med langsiktige mønstre, og noen subtile forbedringer kan bli funnet, som vil påvirke legers beslutningstaking i sykepleie ."
Bruk av kunstig intelligens-teknologi for klinisk beslutningsstøtte, risikoscoring og tidlig varsling er et av de mest lovende utviklingsområdene for denne revolusjonerende dataanalysemetoden.
Ved å gi kraft til en ny generasjon verktøy og systemer, kan klinikere bedre forstå nyansene ved sykdom, yte sykepleietjenester mer effektivt og løse problemer på forhånd.Kunstig intelligens vil innlede en ny æra med å forbedre kvaliteten på klinisk behandling, og gjøre spennende gjennombrudd innen pasientbehandling.


Innleggstid: Aug-06-2021