Sisältö
- Lääketieteellinen kuvantaminen
- Elektroniset potilastiedot (EMR)
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Kliinisen päätöksenteon tuki (CDS)
- Huumeiden kehittäminen
- Hyppy tulevaisuuteen
- Sana viisaalle
Lähde: video-lääkäri / iStockphoto
Ottaa mukaan:
AI: n avulla lääketieteellinen tekniikka voi kehittyä yhä nopeammin. Tässä on joitain viimeisimpiä läpimurtoja.
Keinotekoinen älykkyys mullistaa maailmaa monilla käsittämättömillä tavoilla. Neljännen teollisen vallankumouksen partaalla ihmiskunta on tällä hetkellä todistamassa koneiden ensimmäisiä askeleita keksimään maailmaa, jossa elämme. Ja keskustelemme jatkuvasti mahdollisista haitoista ja eduista, jotka aiheutuvat ihmisten korvaamisesta älykkäillä, itseoppivilla koneilla, yksi alue, jolla AI: n myönteiset vaikutukset parantavat ehdottomasti elämämme laatua: terveydenhuoltoala.
Lääketieteellinen kuvantaminen
Koneoppimisalgoritmit voivat käsitellä käsittämättömiä määriä tietoa silmänräpäyksessä. Ja ne voivat olla paljon tarkempia kuin ihmiset tarkkailemalla pienimmätkin yksityiskohdat lääketieteellisissä kuvantamisraporteissa, kuten mammografiassa ja CT-skannauksessa.
Zebra Medical Vision -yritys kehitti uuden foorumin nimeltä Profound, joka sisältää algoritmipohjaisen analyysin kaikentyyppisistä lääketieteellisistä kuvantamisraporteista ja joka 90 prosentilla pystyy löytämään kaikki merkit mahdollisista tiloista, kuten osteoporoosista, rintasyövästä, aortan aneurysmista ja monista muista. tarkkuusaste. Ja sen syväoppimiskyky on koulutettu tarkistamaan muiden sairauksien piileviä oireita, joita terveydenhuollon tarjoaja ei ehkä ole etsinyt. Muut syväoppimisverkot ansaitsivat jopa 100-prosenttisen tarkkuuspisteen havaitsemalla rintasyövän erityisen tappavia muotoja biopsialevyissä.
Tietokonepohjainen analyysi on tietojen tai kuvien tulkinnassa paljon tehokkaampaa (ja halvempaa) kuin ihmisten, että jotkut ovat jopa väittäneet, että tulevaisuudessa saattaa olla epäeettistä olla korvaamaan AI joillakin ammateilla, kuten radiologeilla ja patologeilla! (Lisätietoja lääketieteen IT: stä, katso IT: n rooli lääketieteellisessä diagnoosissa.)
Elektroniset potilastiedot (EMR)
Sähköisen sairauskertomuksen (EMR) vaikutus terveystietotekniikkaan on yksi viime vuosikymmenen kiistanalaisimmista keskustelunaiheista. Joidenkin tutkimusten mukaan ne edustavat käännekohtaa hoidon laadun parantamisessa ja lisäävät samalla tuottavuutta ja ajantasaisuutta. Monet terveydenhuollon tarjoajat pitivät niitä kuitenkin hankalina ja vaikeina käyttää, mikä johti huomattavaan tekniikan vastustuskykyyn ja laajaan tehottomuuteen. Voisiko uudempi AI-pohjainen ohjelmisto auttaa monia lääkäreitä, sairaanhoitajia ja apteekkereita, jotka sekoittuvat päivittäin EMR-potilaiden hankaliin turmeluihin?
Yksi suurimmista tämän uuden terveydenhuollon tekniikan ongelmista on, että se pakottaa lääkärit viettämään aivan liian suuren osan kallisarvoisesta ajastaan toistuvien tehtävien suorittamiseen. AI voi kuitenkin helposti automatisoida ne, esimerkiksi käyttämällä puheentunnistusta vierailun aikana jokaisen yksityiskohdan tallentamiseksi lääkärin puhuessa potilaan kanssa. Kaaviot voivat sisältää ja sisältävät paljon yksityiskohtaisempia tietoja, jotka voitaisiin kerätä monista lähteistä, kuten puettavista laitteista ja ulkoisista antureista, ja AI syöttää ne suoraan EMR: ään.
Mutta siirtymällä eteenpäin tiedonkeruun ensimmäisestä vaiheesta, kun tarpeeksi olennaista tietoa ymmärretään ja ekstrapoloidaan oikein syvän oppimisen algoritmeilla, sitä voidaan käyttää parantamaan hoidon laatua monin tavoin. Se voi parantaa potilaiden hoitoon sitoutumista ja vähentää ehkäiseviä tapahtumia tai jopa ohjata lääkäreitä ennustavan AI-analyysin avulla korkeiden kustannusten, hengenvaarallisten tilojen hoidossa. Jotta mainittakoon käytännöllinen esimerkki, äskettäisessä JAMA-verkostossa julkaistussa tutkimuksessa löydettiin, kuinka EMR: ista poimitut ja AI: n sulamat suuret tiedot San Franciscon terveyskeskuksessa auttoivat hoidossa mahdollisesti tappavaa Clostridium difficile (C. diff. ) infektiot.
Ja on helppo nähdä, kuinka paljon lääketieteellisten tietojen louhinta tulee olemaan seuraava "iso asia" terveydenhoidossa, kun kukaan muu kuin Google käynnisti oman Google DeepMind Health -projektin parantaakseen hoidon nopeutta, laatua ja tasapuolisuutta.
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Kliinisen päätöksenteon tuki (CDS)
Toinen mielenkiintoinen esimerkki syvällisestä oppimisesta voi auttaa koneita tekemään parempia päätöksiä kuin heidän inhimilliset kollegansa on kliinisen päätöksenteon tukityökalujen (CDS) leviäminen.
Nämä työkalut on yleensä integroitu EMR-järjestelmään avustamaan lääkäreitä heidän työssään ehdottamalla parasta hoitosuunnitelmaa, varoittamaan mahdollisista vaaroista, kuten farmakologisista yhteisvaikutuksista tai aiemmista tiloista, ja analysoimaan pienimmätkin yksityiskohdat potilaan terveyskertomuksessa.
Mielenkiintoinen esimerkki on MatrixCare, ohjelmistotalo, joka pystyi integroimaan Microsoftin kuuluisan AI Cortanan työkaluunsa, jota käytetään hoitokodeiden hallinnassa. Koneoppimisen voimakas analysointikyky vahvisti tukityökalujen päätöksentekokykyä suhteettomasti.
"Yksi lääkäri voi lukea lääketieteellistä päiväkirjaa ehkä kahdesti kuukaudessa", selitti toimitusjohtaja John Damgaard. "Cortana voi lukea kaikki historiassa julkaistut syöpätutkimukset ennen keskipäivää ja kello 15.00 mennessä." antaa potilaskohtaisia suosituksia hoitosuunnitelmista ja parantaa tuloksia. ”
CDS tuo esiin myös väitteen, jonka mukaan koneet kykenevät kommunikoimaan keskenään paljon paremmin kuin ihmiset. Erityisesti kaikki lääkinnälliset laitteet voidaan yhdistää Internetiin samoin kuin kaikki muut esineiden internet (IoT) -laitteet (kannettavat osat, näytöt, sängyn anturit jne.) Ja myös EMR-ohjelmistoon. Yhteentoimivuus on kriittinen kysymys nykyaikaisesta terveydenhoidosta, koska hoidon pirstoutuminen on tärkeä syy sopimattomaan hoitoon ja lisääntyneisiin sairaalahoitoihin. Älykkään AI: n johtamana erilaiset EMR-alustat pystyvät “puhumaan” keskenään Internetin välityksellä, lisäämällä yhteistyötä eri osastojen ja jopa erilaisten terveydenhuoltolaitosten välillä.
Huumeiden kehittäminen
Uuden lääkkeen kehittäminen kliinisissä tutkimuksissa on usein erittäin kallis tapa. Ei pelkästään ajasta (puhuttiin vuosikymmenistä) ja sijoitetuista dollareista (kustannukset saattavat helposti olla jopa useita miljardia dollaria), vaan myös ihmishenkistä. Monet uudet lääkkeet vaativat itse asiassa monien vuosien lisätestejä reaalimaailmassa henkilöillä ns. Markkinoille saattamisen jälkeisenä aikana, ja se ei ole niin harvinaista, että monet vakavat (tai jopa tappavat) haittavaikutukset havaitaan monien vuosien ajan lääkityksen antamisen jälkeen. käynnistetty.
Jälleen kerran tehokas supertietokoneella toimiva AI voi juurruttaa uusia lääkkeitä molekyylirakenteiden tietokannasta, jota kukaan ihminen ei koskaan uskaltanut analysoida. Näkyvä esimerkki on Atomwises AI, joka pystyi ennustamaan kaksi lääkettä, jotka voisivat lopettaa Ebola-viruksen epidemian. Alle yhden päivän kuluessa heidän virtuaalihaun avulla löydettiin kaksi turvallista, jo olemassa olevaa lääkettä, jotka voitiin uusittaa uudelleen tappavan viruksen torjumiseksi. Parasta on, että he löysivät tavan reagoida tehokkaasti pandemian hätätilanteeseen vain skannaamalla lääkkeitä, joita oli jo markkinoitu potilaille vuosia, ja todistaa heidän turvallisuutensa. (Jos haluat lisätietoja siitä, kuinka tekniikka ohjaa lääkekehitystä, katso Big Data -vaikutus lääketieteessä ja lääkkeissä.)
Hyppy tulevaisuuteen
Jotkut hämmästyttävimmistä tekniikoista eivät ole vielä valmiita, koska ne ovat vain prototyyppejä, mutta niiden vaikutukset ovat niin henkeäsalpaavat, että ne ovat silti mainitsemisen arvoisia.
Yksi näistä on tarkkuuslääketiede, todella kunnianhimoinen kurinalaisuus, joka käyttää syviä genomiikka-algoritmeja tutkiakseen potilaan DNA: ta etsien mutaatioita ja poikkeavuuksia, jotka voisivat olla yhteydessä sairauksiin, kuten syöpään. Craig Venter, yksi Human Genome Project -projektin isistä, työskentelee parhaillaan uuden sukupolven laskennallisten tekniikoiden avulla, jotka voivat ennakoida minkä tahansa geneettisen muutoksen vaikutukset, tasoittavat tietä yksilöityihin hoidoihin ja monien ehkäisevien sairauksien varhaiseen havaitsemiseen.
Sana viisaalle
Niin innoissamme kuin on mahdollista, että AI: n käyttöönotto terveydenhuollossa on valtava, on tärkeää, että ymmärrämme sen rajoitukset. AI: n käytöllä lääketieteessä ei ole riskiä, vaikka monet niistä voitetaan helposti, kun olemme tottuneet siihen.
Maksimi "älä tee vahinkoa" on kriittinen määriteltäessä eettisiä normeja, jotka toimisivat rajoina. Nykyään sijoitettiin vastuuseen rakentaa kehys, jonka pohjalta tulevat sukupolvet tekevät päätöksensä.