ИИ революционизирует каждую отрасль и, в частности, здравоохранение. Несмотря на то, что со многими изобретениями ИИ и множеством стартапов, направленных на улучшение здравоохранения, мы все еще не достигли цели.
Каковы различные варианты использования ИИ в здравоохранении?
Искусственный интеллект нашел свое применение в здравоохранении с вариантами использования для предварительной диагностики, вспомогательной хирургии, административной деятельности больницы, помощников медсестры, автоматической диагностики изображений и многих других. Согласно исследованию PwC, существует более 300 вариантов использования ИИ для улучшения здравоохранения.
1. Прогнозирующая диагностика
Алгоритмы глубокого обучения получили распространение, когда они могут обнаруживать такие заболевания, как рак, щитовидная железа, диабет, болезни глаз и т. Д., Но мы еще не достигли точки, когда мы можем полностью доверять диагностике ИИ. ИИ может предсказывать заболевания с степенью точности 87% по сравнению с 86% у специалистов здравоохранения, но все еще существует скептицизм в диагностике ИИ.
2. Вспомогательная хирургия
Вспомогательная хирургия с помощью роботов началась еще в 1985 году, когда промышленная механика использовалась в хирургических процедурах как часть эксперимента. Эксперименты показали, что роботизированный искусственный интеллект легко и точно справляется с деликатными хирургическими процедурами.
Такие роботы, как Da Vinci, Transenterix, Titan Sport, используют свои роботизированные руки для операций, в то время как робот CyberKnife уничтожает опухоли. Благодаря точным движениям хирургических роботов вместе с их лапароскопическими камерами в последние годы повысились показатели успешности лечения и ухода за пациентами.
3. Действия администратора больницы
Административная деятельность больницы включает в себя распределение бюджетов, ведение медицинских записей, составление планов действий в чрезвычайных ситуациях, доведение нормативных требований до медицинских работников и лиц, обеспечивающих уход. Медсестра тратит 25% своего времени на административную и нормативную деятельность. Значительно выросла автоматизация административной деятельности с использованием моделей машинного обучения, основанных на опыте специалистов в области здравоохранения. Robotic Process Automation (RPA) собирает как цифровые, так и физические данные и направляет их к соответствующим действиям, таким как планирование встреч, оптимизация требований, автоматизация инструкций по выписке и создание аналитических данных для дальнейших обработок.
4. Помощники медсестры
Из-за нехватки медсестер мы неохотно надеемся, что медсестры-роботы сократят сверхурочные работы медсестер и тем самым предотвратят любые человеческие ошибки из-за летаргии.
Роботы-медсестры уже на горизонте: RoNA , роботизированные помощники медсестер, помогающие медсестрам поднимать пациентов, роботы TUG, перевозящие медицинские принадлежности, чат-боты с поддержкой ИИ, дающие менее важные медицинские советы и так далее.
5. Автоматическая диагностика изображений
Глубокое обучение наряду с большими данными и доступными вычислительными мощностями обогащает отрасль здравоохранения интеллектуальными возможностями, позволяющими обнаруживать закономерности и диагностировать заболевания на основе обработки изображений. Несмотря на то, что ажиотаж вокруг диагностики на основе изображений бурлит, его внедрение идет медленно.
Что препятствует внедрению ИИ в здравоохранении?
1. Готовность данных
Данные, используемые для прогнозной диагностики, могут быть не полностью интегрированы со всеми источниками данных, к которым медицинские работники привыкли при лечении своих пациентов. Отсутствие унифицированных источников данных, объединяющих клинические данные, науки о жизни, льготы сотрудников, а также исследования в области лекарств и фармацевтических достижений, оказывается постоянной борьбой за внедрение медицинских технологий.
2. Конфиденциальность данных
Данные в сфере здравоохранения являются конфиденциальными по своей природе, будь то медицинские данные пациента, информация о работнике поставщика медицинских услуг, все проводные устройства и устройства Интернета вещей, собирающие статистику здоровья пациентов. Крайне важно безопасно хранить и управлять всеми электронными медицинскими записями (EHR) в соответствии с Законом о переносимости и подотчетности медицинского страхования (HIPAA). В соответствии с требованиями HIPAA необходимо авторизовать медицинский доступ, зашифровать данные, оптимизировать ePHI (защищенная электронная медицинская информация), отчеты аудита и действия, зарегистрированные на различных медицинских устройствах. Правило конфиденциальности данных сложнее в обращении, и широкий спектр нормативных актов варьируется от GDPR (Общие правила защиты данных) в ЕС до CCPA (Калифорнийский закон о конфиденциальности потребителей) свертывает технологический прогресс в здравоохранении.
3. Отсутствие конвейера данных
Это путь к автоматизации, который неуклонно улучшает здравоохранение, но в то же время требует надлежащего управления данными, поскольку данные являются ключевым моментом. Громадность данных наряду с отсутствием оптимизированного конвейера данных усложняет процедуру автоматизации. Операции в пакетном режиме уже недостаточно, так как все больше и больше данных в реальном времени растет с увеличением количества медицинских устройств, собирающих наши физические данные каждую минуту. Технологии больших данных, такие как Splunk, превращающие данные в действие, Spark, управляющие вычислениями в кластерном режиме, передача данных Kafka, побуждают технологов оптимизировать медицинские данные из различных источников данных.
4. ИИ по своей природе является черным ящиком
Отсутствие знаний об ИИ у экспертов в предметной области заставляет их полагать, что ИИ - это черный ящик, чудесным образом решающий все проблемы. Повышение осведомленности и информирование о необходимости ИИ в здравоохранении проложит путь к надежному здравоохранению для всех.
5. Специалисты по обработке данных против экспертов в предметной области
Тот факт, что данные обучения, используемые в моделях машинного обучения для прогнозирования заболеваний, готовятся профессионалами, не имеющими знаний о медицинских данных, используемых для диагностики, усиливает скептицизм в отношении доверия ИИ. Специалисты по обработке данных должны очень тесно сотрудничать с экспертами в соответствующей области для автоматизации повторяющихся процедур. Поскольку специалисты по обработке данных не являются экспертами в предметной области, любое небольшое допущение при построении моделей машинного обучения может привести к неудаче и снижению доверия к ИИ.
6. Отсутствие непрерывной автоматизации искусственного интеллекта
Построение прогностических моделей для диагностики заболеваний - это не разовая деятельность, а постоянное совершенствование за счет вмешательства человека в цикл и моделей переподготовки всякий раз, когда появляются новые медицинские данные. Существует потребность в автоматизации всего жизненного цикла проектов ИИ. Нам остро нужна унифицированная платформа для экспериментов с различными библиотеками и алгоритмами машинного обучения, развертывания в любой облачной среде и мониторинга производительности модели для постоянного улучшения.
Здравоохранение для всех
Здравоохранение для всех больше не должно быть мечтой, а скорее реальностью с такими же стандартами здравоохранения, которые распространяются на все уголки мира. Автоматизация административных действий не только помогает специалистам в области здравоохранения обеспечивать личный уход, но также снижает количество человеческих ошибок и управляет растущими расходами на лечение. Автоматизируя утомительную ручную работу, он освобождает медицинских работников от рутинной деятельности и направляет их время и энергию на столь необходимое лечение пациентов.
Мы уже являемся свидетелями будущего роботизированных операций, когда операции выполняются удаленно, когда Corindus Vascular Robotics с ее технологией CorPath использовала стент для установки стента в кровеносные сосуды сердца.
Революция искусственного интеллекта и виртуальной реальности подготавливает мир к большей взаимосвязи с ресурсами здравоохранения, делая невозможное возможным.
Подпишитесь на нас, чтобы узнать больше о платформах и решениях для машинного обучения
Заметка от AI In Plain English
Еще у нас есть еще три публикации! Проявите любовь к нашим новым публикациям, подписавшись на них: JavaScript на простом английском, UX на простом английском, Python на простом английском - спасибо и продолжайте учиться!
Мы также всегда заинтересованы в продвижении качественного контента. Если у вас есть статья, которую вы хотели бы отправить в какую-либо из наших публикаций, отправьте нам электронное письмо по адресу [email protected] с вашим именем пользователя Medium, и мы добавим вас в качестве автора. Также сообщите нам, к каким публикациям вы хотите быть добавлены.
