Искусственный интеллект для точной медицины и лучшего здравоохранения

Введение

Точная медицина - это медицинская модель, которая предлагает адаптировать медицинское обслуживание к подгруппе пациентов на основе генетики, образа жизни и окружающей среды. Этот метод позволяет врачам и исследователям прогнозировать стратегии лечения и профилактики конкретного заболевания, которые могут работать на группе людей. Он противоположен универсальному подходу, при котором методы лечения и профилактики заболеваний продвигаются для среднего человека с гораздо меньшим вниманием к различиям между людьми.

Термины «прецизионное лечение» и «персонализированная медицина» частично совпадают. Согласно Национальному исследовательскому совету, «персонализированная медицина» - это традиционное слово со значением, близким к «точному лечению». Однако слово «персонализированный» может быть неправильно истолковано, предполагая, что методы лечения и профилактики разрабатываются индивидуально для каждого человека. В точной медицине основное внимание уделяется поиску методов, которые могут быть эффективными для группы пациентов.

Подход точной медицины использует генетический анамнез пациента, местонахождение, факторы окружающей среды, образ жизни и привычки, чтобы определить план действий для лечения. Искусственный интеллект успешно классифицирует проблемы с использованием различных алгоритмов и решает задачи точной медицины, например: точная диагностика заболеваний, выявление и прогнозирование заболеваний, оптимизация лечения. Анализ многомерных наборов данных для выявления вариаций может быть изучен (обучен) с помощью алгоритмов ИИ и выявления загадочных фенотипических или генотипических структур. Кроме того, его можно использовать для прогнозирования риска заболевания, определения реакции на заболевание и результатов для отдельных пациентов на основе их собственных характеристик. Недавно алгоритмы прогнозирования, использующие подходы искусственного интеллекта для рака и сердечно-сосудистых заболеваний, показали многообещающие результаты, прогнозируя риск заболевания с более высокой степенью точности (Uddin et al., 2019). В статье рассматривается применение искусственного интеллекта и различных алгоритмов, которые могут помочь улучшить здоровье человечества.

Аннотация

Точная медицина - важный и действенный метод диагностики заболеваний и ухода за пациентами. Он включает в себя анализ личных данных пациента, генетической информации, обстоятельств для диагностики и лечения болезни. Это позволяет исследователям разрабатывать и разрабатывать лекарства для предотвращения конкретных вирусов. У него есть потенциал для импровизации традиционной ретроспективной медицинской практики, основанной на симптомах, за счет возможности более раннего вмешательства с расширенной диагностикой, которая в дальнейшем может быть использована для индивидуального подхода к лечению. Определение пути разработки персонализированной медицины включает в себя анализ всеобъемлющей информации о пациентах, а также более широкие аспекты для мониторинга и различения здоровых и больных людей, что приведет к лучшему пониманию биологических показателей, которые могут сигнализировать об изменениях в состоянии здоровья. Чтобы положительно повлиять на здоровье пациента и обеспечить поддержку принятия решений в режиме реального времени, жизненно важно использовать возможности электронных медицинских карт путем интеграции разрозненных источников данных и выявления паттернов прогрессирования заболевания, характерных для конкретного пациента. Цель состоит в том, чтобы использовать несколько типов данных и классифицировать пациентов по точным группам, которым будет полезен данный подход к лечению. Методы искусственного интеллекта могут использоваться для извлечения, агрегации, управления и анализа клинических данных, чтобы помочь клиницистам эффективно стратифицировать субъектов для понимания конкретных сценариев и оптимизации принятия решений. Искусственный интеллект в здравоохранении имеет потенциал для достижения целей по предоставлению более персонализированной и популяционной медицины в реальном времени с меньшими затратами (Ahmed et al., 2020). В этой статье мы сосредоточимся на различных моделях машинного обучения, глубокого обучения и приложениях искусственного интеллекта, которые могут проложить путь к новой эпохе открытий в здравоохранении, ориентированной на данные.

Традиционная медицина против точной медицины

В традиционной медицине врач использует свои знания и опыт, основанный на опыте. Основываясь на предположениях, сделанных пациентами, врач предлагает одно и то же лекарство в одинаковой дозировке. Этот вид лечения может не всегда работать. Методы, которые приносят пользу любой жертве, слабы для других, и соответствующая инъекция может дополнительно вызвать последствия для пола только в некоторых случаях. (Гандикота и др., 2020)

Точная медицина - это ориентация клинической стратегии на конкретные характеристики конкретного пациента. Методика зависит от правильных выводов в нашем понимании того, как уникальный контур пациента делает его чувствительным к некоторым ситуациям. Соответствующий анализ расширяет нашу информацию, чтобы определить, какие методы лечения являются надежными и действительными для любого случая. Как показано на рисунке ниже, врач предлагает лекарство и дозировку на основе ДНК человека и личной информации о здоровье. (Гандикота и др., 2020)

Подход точной медицины можно рассматривать как расширение традиционных подходов к более точному лечению заболевания. Профиль вариаций генов пациента может определять выбор лекарств или протоколов лечения, которые уменьшают побочные эффекты или обеспечивают более успешные результаты.

Роль искусственного интеллекта в точной медицине

Искусственный интеллект (ИИ) уже много лет используется в сфере здравоохранения и с каждым годом продолжает стремительно расти благодаря своей способности продвигать медицину и исследования. Даже точная медицина невозможна без добавления алгоритмов машинного обучения, помогающих в этом процессе. Машинное обучение (ML) - это приложение искусственного интеллекта (AI), которое может учиться и обновляться на основе опыта и без явного программирования программистом. ML специализируется на разработке компьютерных программ, которые могут извлекать данные и использовать их для обучения. Наиболее часто используемые алгоритмы машинного обучения в медицине включают SVM, глубокое обучение, логистическую регрессию, DA, дерево решений, случайный лес, линейную регрессию, наивный байесовский алгоритм, K-ближайший сосед (KNN) и скрытую марковскую модель (HMM). (Ахмед и др., 2020)

На приведенном выше рисунке показано, что алгоритмы машинного обучения применяются для клинических исследований, геномики, метабломики, визуализации, заявлений, лабораторий, слияния, интеграции и анализа данных о питательных веществах и образе жизни. Таким образом, алгоритмы машинного обучения объединяют несколько источников данных для получения более согласованной, точной и полезной информации, чем та, которая предоставляется любым отдельным источником данных.

За последние несколько лет подходы ИИ использовались при расстройствах нервного развития, в частности, при расстройствах аутистического спектра, эпилептической энцефалопатии, умственной отсталости, синдроме дефицита внимания и гиперактивности (СДВГ) и редких генетических нарушениях. (Мохаммед и др., 2019). Алгоритмы искусственного интеллекта могут оказать влияние на решение 4 сложных нерешенных проблем расстройств нервного развития, как показано на рисунке ниже.

(1) Выявление причинных генов

Методы ИИ имеют решающее значение для выявления причинных генов и локусов. Прогнозы биоинформатики все еще не позволяют точно классифицировать наиболее распространенные миссенс-мутации по патогенности. Даже выявление причинных генов из этих «вариаций неопределенной важности» (VUS) остается серьезной неразрешенной проблемой, которая поддается решению искусственного интеллекта.

Модели искусственного интеллекта недавно продемонстрировали разумный успех в улучшении генетической диагностики нарушений развития нервной системы (NDD). Два алгоритма искусственного интеллекта, названные Human Splicing Code, и DeepSEA, показали очень многообещающие результаты в сложной задаче правильной классификации недостающих вариантов.

(2) Фенотипическая и генетическая неоднородность

Несмотря на то, что NDD обычно имеют генетическую этиологию, окружающая среда, тем не менее, влияет на формирование генетически обусловленного паттерна мозга и, следовательно, может влиять на тяжесть заболевания. Несколько независимых отчетов показали связь между постзиготными мозаичными мутациями и расстройствами аутистического спектра, умственной отсталостью, эпилепсией и другими NDD. За последние несколько десятилетий в результате оцифровки медицинских карт был добавлен большой объем данных, связанных со здравоохранением. Применение алгоритмов искусственного интеллекта может получить значительную выгоду от тех усилий по оцифровке, которые могут помочь установить связь генотип-фенотип для генетических заболеваний и иметь возможность заключать многочисленные фенотипические корреляции и ассоциации.

(3) Оценка полигенного риска и взаимодействия генов

Взаимодействие гена с геном является основным фактором фенотипической изменчивости NDD, но в настоящее время нет надежного алгоритма ИИ, способного справиться с данными в этой шкале. Существуют серьезные сложности, касающиеся глубоких фенотипических и крупномасштабных данных омиков. Подходы неконтролируемого ИИ могут быть применены для восприятия ранее неизвестных субструктур в случаях NDD на основе факторов окружающей среды, баланса доз и т. Д. Даже при том, что ни один из методов не был реализован в количественном контексте. Таким образом, в будущем можно будет провести количественную оценку полигенетической оценки и взаимодействия генов с использованием алгоритмов AI / ML.

(4) Открытие наркотиков

Модели искусственного интеллекта находятся на переднем крае терапевтического вмешательства и разработки лекарств. В настоящее время существует 51 лекарственный препарат, одобренный Управлением по контролю за продуктами и лекарствами (FDA), уникальный генный препарат для неврологии и психиатрии. Появление технологии секвенирования в основном было направлено на облегчение выполнения ранней точной диагностики. Недавно появление технологий модификации генома (например, CRISPR / cas9) и антисмысловых олигонуклеотидных средств позволило ученым имитировать клеточный фенотип и помочь понять точные молекулярные цели. Такой дизайн лекарств потребует первичного толчка к реализации алгоритма ИИ. В последнее время идея перепрофилирования лекарства превращается в главную область исследований с использованием алгоритмов искусственного интеллекта.

Применение искусственного интеллекта в точной медицине

Примером может служить разработка биомаркеров в прецизионной медицине для ранней стадии рака легких. Биомаркеры - это характеристики тела, которые мы можем измерить. например артериальное давление или частоту сердечных сокращений можно рассматривать как биомаркеры. Биомаркеры являются неотъемлемой частью разработки лекарств, потому что нам необходимо измерять влияние исследуемых лекарств на людей во время клинических испытаний. Он продемонстрировал использование точной медицины (биомаркеров) для классификации пациентов с ранней стадией рака легких на подклассы для обеспечения соответствующего лечения. На приведенном ниже рисунке классифицируются раки легких на ранних стадиях (IA и IB) по биомаркерам, которые позволяют прогнозировать риск рецидива, возникающий с использованием стратегии исследования точной медицины, на низкий риск рецидива и высокий риск рецидива. (Эшли и др., 2016)

Заключение

Искусственный интеллект выводит точную медицину на новый уровень и повышает точность и предсказание результатов для пациентов. Это также может сделать лечение более доступным и доступным для тех, кто в настоящее время не может получить его из-за стоимости и медицинской страховки. Перед тем, как стать совершенной точной медициной, предстоит еще много проблем, но искусственный интеллект может помочь нам приблизиться к этим целям.

Библиография

• Зишан Ахмед, Халид Мохамед, Саман Зишан, Синь Ци Донг, Искусственный интеллект с многофункциональной платформой машинного обучения для улучшения здравоохранения и точной медицины, База данных, том 2020, 2020, baaa010, https://doi.org/ 10.1093 / база данных / baaa010
• Сушен Чжан, С. М. Хоссейни Бамакан, Цян Цюй, Ша Ли, «Обучение персонализированной медицине: всесторонний обзор с точки зрения глубокого обучения», Ieee Reviews in Biomedical Engineering, Vol. XX, No. XX, март 2018 г.
• Гандикота Раму, П. Дилип Кумар Редди и Аппавала Джаянти, «Обзор стратегии точной медицины с использованием когнитивных вычислений», Международный журнал машинного обучения и вычислений, Vol. 8, №6, декабрь 2018 г.
• Джамилу Аввалу, Али Гарба Гарба, Анахита Газвини и Роуз Атуах, «Искусственный интеллект в персонализированной медицине, применение алгоритмов искусственного интеллекта для решения проблем персонализированной медицины», Международный журнал компьютерной теории и инженерии, Vol. 7, №6, декабрь 2015 г.
• Эшли Дж. Варгас, Кертис К. Харрис, «Развитие биомаркеров в эпоху точной медицины: рак легких как тематическое исследование», Nat Rev Cancer, 2016 г.
• Мохаммед Уддин, Юйцзян Ван, Марк Вудбери-Смит, Искусственный интеллект для точной медицины при нарушениях развития нервной системы, npj Digital Medicine (2019) 2: 112; Https://doi.org/10.1038/s41746-019-0191-0

Авторы

Камал Джайн - он динамичный, ориентированный на результат цифровой технократ с более чем 19-летним опытом и подтвержденным опытом создания футуристических продуктов с использованием цифровых технологий - искусственного интеллекта (ИИ), нейронных сетей и глубокого обучения, машин Обучение (ML), Обработка естественного языка (NLP), Инфраструктура виртуальных рабочих столов (VDI), «Принесите свое собственное устройство» (BYOD), стек решений «Программное обеспечение как услуга» (SaaS). Он имеет богатый опыт в создании сложных технических продуктовых решений в матричных организациях с международным опытом в разных странах - США, Великобритании, Испании, Южной Корее, ОАЭ и Индии. В рамках помощи обществу и технологическому сектору он добровольно наставляет и проводит семинары в различных университетах, технологических стартапах в области искусственного интеллекта, машинного обучения, глубокого обучения и нейронных сетей, облачных технологий и т. Д. .

Профиль Linkedin:

Винита Шах - Она работает доцентом на кафедре информационных технологий инженерного и технологического колледжа Дж. Х. Пателя, В. В. Нагар, Ананд, Гуджарат. Педагогический стаж более 9 лет. Она получила степень магистра информационных технологий в Технологическом университете Гуджарата. Она опубликовала более 18 научных работ на различных национальных / международных конференциях и в журналах. Ее исследовательские интересы включают искусственный интеллект, машинное обучение, компьютерное зрение и науку о данных.

Профиль Linkedin: