Dabartinė sveikatos priežiūros pramonės padėtis ir kaip gali pasikeisti PG

Įsivaizduoju pasaulį, kuriame AI privers mus dirbti produktyviau, gyventi ilgiau ir turėti švaresnę energiją. –Fei-Fei Li, Stanfordo universiteto informatikos profesorius


Dirbtinis intelektas gali pagerinti kiekvieną mūsų gyvenimo aspektą ir padėti pakeisti sveikatos apsaugą. Pažvelkime, kaip šiandien praktikuojama sveikatos priežiūra ir kaip AI ją keičia.

Sveikatos priežiūra reiškia asmens sveikatos išlaikymą iki žymės arba jo gerinimą. Jis apima sužalojimus, susijusius su kraujo vėžiu, tiek mažus, kiek įpjautas popierius.

Sveikatos priežiūrą galima suskirstyti į tris kategorijas, būtent:.

  • Kietėjimas
  • Prevencinis
  • Nuspėjamasis

Kiekvieną dieną mes galime panaudoti didžiulį kiekį duomenų, skirtų geriau išgydyti ligą, surasti naujų vaistų ir net numatyti ligos tikimybę dar ilgai, kol nebus pastebėti su ja susiję simptomai..

Sveikatos priežiūros pramonės problemos

Sveikatos priežiūros pramonės problemas galima suskirstyti į dvi dideles kategorijas. Viena kategorijos problema kyla dėl socialinių ir politinių problemų, o kita – dėl technologinių iššūkių pramonėje. Tokios problemos kaip lovų trūkumas, sveikatos priežiūros darbuotojų trūkumas ir nekvalifikuoti medicinos praktikai priklauso pirmajai kategorijai. Antroji kategorija apima tokias problemas kaip lėti tyrimai, žmogiškos klaidos analizuojant duomenis ir duomenų skaidrumo stoka organizacijose.

Šiame pranešime daugiausia dėmesio skirsime tik technologiniams iššūkiams.

PG pagerinti sveikatos apsaugą

Dirbtinis intelektas

Dirbtinis intelektas suteikia nuostabią galimybę didžiuliu būdu pakeisti pasaulį. Tai buvo vadinama naująja elektra Andrew Ng. Jis gali prasmingai paliesti kiekvieno žmogaus gyvenimą, kaip ir elektra.

Sveikatos priežiūros srityje PG gali padėti pagerinti kiekvieną ekosistemos žingsnį. Nuo ligos numatymo iki naujo vaisto suradimo iki visų naujų genų modifikacijų.

Pažvelkime, koks yra potencialas ateityje.

AI sveikatos priežiūros ekosistema

Įsivaizduokite scenarijų, kai pora ruošiasi tuoktis. PG sistema gali patikrinti jų genų suderinamumą, kad išsiaiškintų, ar nėra jokios rizikos vaikui ar kažkokiam genui, kuris gali sukelti komplikacijas įprastame vaiko gyvenime. Ši sistema gali padėti išsiaiškinti tinkamas priemones, kurių galima imtis prieš kūdikio gimimą ir po jo.

Tarkime, kad sistema nustatė tam tikro geno problemą, tada galėtume pakeisti šį geną, kad pašalintume jo žalingą poveikį. PG taip pat gali padėti atrasti tinkamą vaistą, kuris galėtų padėti kontroliuoti problemą net gimus vaikui.

Vaikas gimė sveikas ir dabar yra paauglys; ji nešioja sveikatos stebėjimo įrangą, tokią kaip „Fitbit“, kuri stebi visus savo gyvybingumus, pavyzdžiui, širdies plakimą, veiksmus per dieną ir kalorijas, sudegintas per dieną. Šiuos rodmenis naudoja jos AI padėjėja, norėdama papasakoti apie pokyčius, kuriuos ji turi atlikti savo kasdienybėje, kad galėtų tęsti sveiką gyvenimo būdą.

Deja, vieną dieną ji patenka į kritinę situaciją ir yra išvežama į ligoninę. Jos „Fitbit“ skaitymas galėtų būti nusiųstas paramedikams priimti sprendimus dar prieš jiems atvykstant į jos vietą. PG sistema gali nurodyti galimas problemas, kurias ji gali patirti, pavyzdžiui, širdies sustojimą ir kt.

Kraujo mėginį, paimtą kelyje, galima lengvai analizuoti kompiuterine regėjimo sistema, kad būtų galima atlikti preliminarią diagnozę. Šiuo metu didžiąją dalį diagnozės rankiniu būdu nustato ekspertas, žvelgdamas į mikroskopą ir tirdamas ląsteles.

Išleidus ją iš ligoninės, ankstesni PG sistemos analizuojami duomenys leis prognozuoti jos readmisijos į ligoninę tikimybę ir pasiūlys tinkamas priemones jos prevencijai. Tai galima padaryti nuolat primenant apie vaisto dozės vartojimą. Taip pat gali būti paruošiami intelektualūs vaistai, kurie siunčia signalą, kai pacientas išgėrė, kad viskas būtų automatiškai.

Didėjant amžiui, jos AI padėjėja nuolatos renka duomenis, kad galėtų numatyti sveikatą, ir imsis tinkamų prevencinių priemonių, kad jos sveikata būtų kuo geresnė..

Šiuos svarbius visą gyvenimą trunkančius duomenis sistema naudos, norėdama patobulinti save ir padaryti viską daug geresnius nuo kitos akimirkos.

AI veikiant

Skaitmeninė diagnostika naudojant kompiuterinę viziją

Šiuo metu daug diagnostikos reikalauja kvalifikuotas specialistas, kad mikroskopu galėtų ištirti kraujo, seilių, audinių, spermos ir kt. Pavyzdžius. Tai reikalauja daug laiko ir reikalauja klaidų. Yra įvairių mašinų, skirtų skirtingiems bandymams, tačiau pigesnis sprendimas yra įmanomas naudojant AI.

Skaitmeninė diagnostika naudoja kompiuterinio matymo technologiją analizuodama šių pavyzdžių atvaizdus ir pritaikydama tokius algoritmus kaip ANN ir CNN, kad išsiaiškintų ląstelių dydžio formą ir judesį. Tada šie duomenys naudojami kaip mokymasis, naudojantis mašinų mokymosi modeliu, siekiant išsiaiškinti, kokias problemas gali kilti pacientas.

Panaši technologija taip pat naudojama rentgeno ir CT nuskaitymams analizuoti. Konvoliuciniai neuroniniai tinklai labai gerai analizuoja vaizdus. Jie naudoja filtrus, kad surastų vaizdo ypatybes, o tai neįmanoma naudojant įprastus objektų inžinerijos metodus.

Prognozuojamas viruso protrūkių plitimas

Virusų ir kitų infekcinių ligų plitimui numatyti buvo naudojami įvairūs kompiuterinio mokymo modeliai. Socialinės žiniasklaidos duomenys iš tokių platformų kaip „Facebook“, „Twitter“ ir kt. Naudojami regresijos modeliams pritaikyti numatant kitų protrūkių sritis..

Pacientų srauto optimizavimas

Norėdami numatyti pacientų, kurie gali atvykti į ligoninę tam tikrą dieną, skaičių galime naudoti tokius duomenis kaip pacientų skaičius per valandą apsilankymų ligoninėje, dabartinės oro sąlygos ir bendros traumos. Ši žvalgyba yra naudinga medicinos centrams, kad būtų galima optimizuoti atsargas ir geriau pasirengti kritinėms situacijoms.

 Asmeniniai gydytojai

Natūralios kalbos apdorojimo pažanga leido sukurti išmanesnius pokalbių failus, kurie padėtų pacientams bet kurią paros valandą. Vartotojas gali tiesiog įvesti įprastus simptomus, su kuriais susiduria, ir jos pokalbių programa pasakys jai, ar ji turėtų kreiptis į gydytoją, ar ne. Padėjėjas taip pat gali rezervuoti susitikimą su gydytoju automatiškai, atsižvelgiant į situacijos skubumą.

NLP padeda surasti vartotojo „ketinimą“ iš vartotojo įvesto sakinio. Duomenims apdoroti naudojamos tokios technologijos kaip kamienų sudarymas ir lemmatizacija, žodžių pašalinimas. Šie iš anksto apdoroti duomenys perduodami tokiems modeliams, kaip LSTM, siekiant išsiaiškinti asmens ketinimus ir atitinkamai surasti atsakymą į jį.

24 × 7 stebėjimas

Stebint pacientą, gydytojai ir slaugytojai turi reguliariai lankytis, kad stebėtų paciento gyvybinę galią. Tai užima daug laiko ir dėl vizitų pertraukų taip pat gali sukelti ekstremalių situacijų. PG sistemos dabar gali visą laiką sekti šiuos duomenis ir numatyti, ar nutiks kažkas negero. Laiku pateikiami šių sistemų įspėjimai padeda taupyti laiką ir gyvybes.

Laiko eilučių prognozavimas yra vienas iš metodų, naudojamų tokioje sistemoje, nes gauti duomenys yra vertybių srautas su laiku. Pasikartojantys neuroniniai tinklai taip pat gali būti naudojami tokiems duomenims analizuoti, nes RNNs gerai prognozuoja būsimas vertes, remdamasis praeities vertėmis sraute.

Iššūkiai

Aukščiau aprašyta AI sveikatos priežiūros ekosistema, nors ir labai idealistinė, jau vyksta šiuo metu, tačiau nėra tokia susijusi, kaip turėtų būti. Čia yra keletas iššūkių, su kuriais susiduria dabartinė pramonė.

  • Tvarką sveikatos srityje nėra labai lengva įgyvendinti. Duomenys gyvena silosuose; „Fitbit“ negali susisiekti su ligoninės sistema; skaitmeninė patologija negali susisiekti su kita sistema ligoninėje. Jei paciento sveikatos įrašai yra iš kitos ligoninės, tada naujoji ligoninė negali jų naudoti, nes šiuo metu duomenis kiekviena organizacija saugo privačiai..
  • Nėra jokių sveikatos priežiūros duomenų tvarkymo, saugojimo, privatumo ir dalijimosi jais standartų. Kiekviena organizacija laikosi standartų, kuriuos nustato jų IT komanda ar pardavėjas. Dėl to labai sunku dalintis duomenimis tarp organizacijų ir sistemų. Norint suvienyti šią ekosistemą, reikalinga nacionalinė ir tarptautinė politika.

Sveikatos priežiūros etika

Etika yra vienas iš svarbiausių galvosūkių, kai kalbame apie AI sveikatos priežiūros srityje. Aš palieku skaitytojui pamąstyti apie šiuos scenarijus ir suvokti, koks sudėtingas jis gali būti, kai turime intelektualias mašinas, kurios priima sprendimus už mus.

  • Kam priklauso jūsų duomenys? Elektroninis sveikatos dokumentas (EHR), kuris priklauso jūsų ligoninei, tačiau ar jums turėtų būti leista perimti nuosavybės teisę į jį? Ką daryti, jei sirgote labai reta liga ir jūsų duomenys yra nepaprastai svarbūs, jei visuomenei turėtų būti leista naudoti duomenis, net jei to nenorite?
  • Tarkime, AI sistema sužino, kad labai tikėtina, kad sergate tokio tipo vėžiu, kuris yra nepagydomas. Ar norėtumėte sužinoti apie tai? Pagalvokite apie emocinę įtaką, kurią ji gali turėti asmeniui.
  • Ką daryti, jei AI prognozės buvo klaidingos. Kas turėtų būti atsakingas už tai, ar tai užprogramuotas kūrėjas, ar organizacijos, kurios sukūrė sistemą, ar duomenys, kurie buvo naudojami sistemai sukurti?

PG sveikatos priežiūros srityje turi didžiulį potencialą, jei galime išspręsti kai kuriuos iš aukščiau paminėtų klausimų. Mes matome milžinišką pažangą rajone, ir dauguma dalykų, aprašytų šiame straipsnyje, nėra tokie išgalvoti, kaip skamba..

ŽENKLAI:

  • AI

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map