Быстрое развитие технологий ИИ вызвало огромный интерес к ИИ: компании, занимающиеся ИИ и машинным обучением (МО), получили 3,6 млрд долларов венчурных инвестиций в 2016 году, а здравоохранение неизменно является ведущей отраслью для сделок с ИИ.
По данным CB Insights, с 2012 года ИИ в здравоохранении получил 1,8 млрд долларов финансирования в рамках 270 сделок, и Accenture прогнозирует, что рынок ИИ для здравоохранения увеличится с 600 млн долларов в 2014 году до 6,6 млрд долларов в 2021 году.
Учитывая огромную стоимость здравоохранения, 3,2 трлн долларов в США, интерес к решениям искусственного интеллекта неудивителен, особенно с учетом надвигающейся нехватки медицинских работников.
Исследования прогнозируют прогнозируемую нехватку 41-105 тысяч врачей только в США к 2030 году, а глобальная нехватка медицинских работников, по прогнозам, достигнет 12,9 миллиона к 2035 году.
Присоединяйтесь к 30 000+ людям, которые читают еженедельную рассылку Машинное обучение, чтобы понять, как ИИ повлияет на их работу.
CB Insights определила некоторые области, в которых работают венчурные компании, работающие с искусственным интеллектом в сфере здравоохранения, в том числе: медицинская визуализация и диагностика, данные о пациентах и аналитика рисков и обнаружение лекарств.
Тем не менее, одна тенденция, которая меня очень интересует, - это потенциал искусственного интеллекта для расширения потребительского спроса на здравоохранение, делая медицинскую информацию и аналитические данные доступными для конечных пользователей.
Нынешняя модель оказания медицинской помощи, при которой врачи общей практики выступают в качестве привратников к услугам, которые обычно предоставляются в больницах, хорошо подходит для мира, в котором острые заболевания являются основной причиной смерти, но уже устарели.
Сегодня более половины американцев имеют хотя бы одно хроническое заболевание, и на хронические заболевания приходится 7 из 10 смертей и 86% расходов на здравоохранение в США.
Переход к более проактивной модели здравоохранения, ориентированной на профилактику, а не на лечение, будет ключом к улучшению результатов и снижению стоимости хронических заболеваний.
Добраться до этого момента представляет собой сложную задачу для существующей системы здравоохранения, особенно с учетом нехватки медицинских работников.
Нагрузку на систему здравоохранения можно было бы уменьшить, если бы потребители стали больше брать на себя ответственность за свое здоровье, но в настоящее время немногие способны управлять своим здоровьем без понимания и поддержки со стороны медицинских специалистов и связанных с этим затрат.
Предоставляя эту информацию и поддержку смартфонам пользователей, ИИ может как значительно улучшить, так и упростить лечение хронических заболеваний.
Хронические заболевания представляют собой проблему для систем здравоохранения, потому что условия сложны, долговременны и связаны с множеством факторов риска.
Лечение часто связано с изменением образа жизни, а не с такими вмешательствами, как лекарства по рецепту или хирургическое вмешательство. Хроническое заболевание необходимо лечить в повседневной жизни пациента, а не только в то короткое время, когда он находится на приеме у врача.
Однако врач не может находиться рядом с пациентом каждый час в течение дня, а смартфон может. Смартфон дает возможность круглосуточного наблюдения за пациентами и взаимодействия с ними.
Это важно не только для пациента: полученные данные и то, что мы можем извлечь из них, прокладывают путь в будущее здравоохранения.
Диапазон заболеваний, которым может помочь лечение болезней с помощью искусственного интеллекта, огромен, в том числе болезни сердца и ХОБЛ, диабет, аутоиммунные заболевания, аллергии и ожирение.
Несмотря на то, что эти заболевания широко различаются по симптомам, пациенты сталкиваются с постоянными проблемами, такими как отслеживание симптомов, выявление тенденций и закономерностей и понимание того, как улучшить их состояние.
Для решения этих проблем приложения для управления, вероятно, будут охватывать основной набор возможностей, включая сбор пользовательских данных, визуализацию, подключение (к устройствам и сторонним данным), аналитику на основе искусственного интеллекта и персонализированные рекомендации.
Я рассматриваю возможности как иерархию, в которой каждое здание находится на нижнем уровне (см. Рисунок).
Уровень 1 - Сбор данных
Одна из проблем ведения хронических заболеваний - нехватка данных. Врачи нечасто видят пациентов, что ограничивает их способность правильно отслеживать и контролировать состояние своего пациента или понимать результаты своего вмешательства.
Пациентам часто приходится как можно лучше управлять своими симптомами и полагаться на жесткие предписания (не есть молочные продукты, принимать по одной таблетке в день) или действовать самостоятельно, исходя из того, как они себя чувствуют.
Сбор данных об аллергии WebMD
Был выпущен широкий спектр приложений, позволяющих пользователям отслеживать собственное здоровье, включая такие состояния, как ожирение / хорошее самочувствие (MyFitnessPal, Lose It), диабет (mySugr, Diabetes: M), аллергии (WebMD Аллергия , AlliApp ), здоровье пищеварительной системы ( Cara , Bowelle ) и астма ( AsthmaMD , AsthmaSENSE ).
Собирая данные с течением времени, эти приложения дают пользователям лучшее представление о том, как развивались их симптомы, и позволяют пользователям начать видеть корреляцию между входными данными, такими как диета или сон, и симптомами.
Хотя сбор данных о пациентах в цифровой форме сам по себе не является значительным преимуществом для пациентов, оцифрованные данные позволяют предоставлять более ценные услуги.
Таким образом, хорошо продуманный пользовательский интерфейс, который делает ввод данных пациента максимально простым, важен для обеспечения сбора чистых, пригодных для использования данных в любом масштабе.
Многие люди, страдающие хроническими заболеваниями, должны отслеживать несколько событий в день (приемы пищи, упражнения, лекарства, симптомы и т. Д.), И любое ненужное трение в процессе может привести к тому, что пользователи вернутся к отслеживанию с помощью ручки и бумаги или вообще не будут отслеживать.
Уровень 2 - Визуализация
Визуализация данных One Drop
Очевидным следующим шагом после сбора информации о здоровье пользователя является ее визуализация. Пользователи могут просматривать изменения своих симптомов с течением времени и то, как эти изменения соотносятся с изменениями в их поведении.
Хорошо продуманная визуализация может стимулировать сбор данных, помогая пользователям понять свое здоровье и выявить факторы, улучшающие или ухудшающие их симптомы, добавляя при этом аспект самопознания и удовлетворения любопытства.
Однако, хотя визуализация может помочь выявить закономерности в их опыте, пользователи все же должны иметь представление о том, что они ищут, что может быть затруднительно для сложных состояний, которые имеют ряд факторов риска.
Визуализация данных AsthmaMD
Уровень 3 - Связь
Хотя приложения для смартфонов могут собирать данные от пользователей, эти данные часто более полезны в сочетании с другими источниками данных, такими как данные с подключенных устройств, геномные данные и данные об окружающей среде.
Приложения, которые подключаются к таким устройствам, как фитнес-трекеры или мониторы глюкозы, могут собирать данные пассивно, без вмешательства пользователя, уменьшая трение и увеличивая объем собираемых данных.
Кроме того, соединение с другими наборами данных, такими как геномные данные или данные об окружающей среде, позволяет пользователям анализировать более широкий диапазон входных данных и выявлять ранее скрытые закономерности.
Эта возможность подключения, вероятно, станет все более важной с использованием подходов на основе машинного обучения, которые могут анализировать несколько наборов данных для выявления сложных корреляций, а также по мере роста экосистемы решений, предоставляющих соответствующие данные.
По мере роста экосистемы подключенных устройств и потенциальных поставщиков данных появились такие платформы, как Validic, которые упрощают интеграцию данных из нескольких источников (см. Рисунок), что значительно снижает сложность использования данных от третьих сторон или подключенных устройств.
Действительная экосистема
Уровень 4 - понимание
Следующий уровень, помимо помощи пользователям в сборе и визуализации данных о своем здоровье, - это анализ этих данных, позволяющий получить представление об их здоровье.
Имея достаточно данных, машинное обучение можно использовать для выявления сложного ряда факторов, влияющих на симптомы пользователей, для выявления ранее незаметных тенденций и закономерностей.
Учитывая недостаток информации, доступной в настоящее время людям, страдающим хроническими заболеваниями, перспектива приложения, которое может дать им представление об их личных триггерах и факторах риска, имеет огромное значение для пользователей и системы здравоохранения в целом.
Приложения на уровне 4 могут персонализировать понимание каждого пользователя, уводя здравоохранение от обобщенных данных на уровне населения, чтобы понять каждого отдельного пациента.
Чтобы достичь уровня 4 и реализовать обещания машинного обучения, приложениям требуются большие объемы пользовательских данных для построения персонализированных моделей. Это означает, что с наибольшей вероятностью преуспеют те предприятия, которые могут поощрять частое взаимодействие для создания наиболее полного представления о пользователях. Это может вызвать что-то вроде проблемы «курицы и яйца», касающейся того, как предоставить пользователям достаточную ценность, чтобы стимулировать их вводить данные, не имея данных, необходимых для понимания.
Скорее всего, решения изначально будут обеспечивать ведение журнала и визуализацию для сбора достаточного количества данных для построения понимания на основе машинного обучения, хотя для некоторых условий можно сразу же предложить простой хорошо понятный анализ, чтобы обеспечить ценность, одновременно собирая данные, необходимые для более сложного понимания.
Другая альтернатива - начать с ручного анализа данных, возможно, с помощью бизнес-модели премиум-класса, основанной на коучинге, которая имеет дополнительное преимущество в виде генерации дополнительных данных для обучения машинному обучению.
Уровень 5 - Действия
Последняя возможность приложения для управления заболеваниями на основе искусственного интеллекта выходит за рамки предоставления персонализированной информации и предоставляет персонализированный коучинг, основанный на их индивидуальных обстоятельствах.
В зависимости от охваченного заболевания рекомендации могут принимать форму продуктов, которые следует есть или избегать, когда и сколько лекарств следует принимать, или конкретных упражнений, которые нужно выполнить.
Переход от помощи пользователю в понимании его состояния к выработке рекомендаций сопряжен с дополнительным риском и регулирующим надзором (и связанными с этим расходами), но создает наставника по вопросам здоровья, работающего круглосуточно и без выходных, для каждого пользователя.
Учась на взаимодействии с пользователями, приложения на этом уровне адаптируют обмен сообщениями к каждому отдельному пользователю, чтобы наилучшим образом управлять его поведением в отношении здоровья с помощью индивидуальных рекомендаций.
Недавнее исследование показало, что сочетание самоконтроля с электронным коучингом (и, в частности, персонализированным электронным коучингом) эффективно для пропаганды более здорового образа жизни, и последствия получения каждым больным хроническим заболеванием персонализированных медицинских рекомендаций в реальном времени огромны, как для здоровья. результаты и стоимость лечения, поскольку автоматизация позволяет оказывать масштабные профилактические медицинские услуги.
Монетизация
Монетизация цифровых товаров для здоровья, ориентированных на потребителя, может оказаться сложной задачей, поскольку из-за распространенности бесплатных приложений пользователи не хотят платить. Кроме того, важность сбора данных вознаграждает компании, которые могут стимулировать массовое вовлечение пользователей, что лучше всего достигается с помощью бесплатных приложений.
Таким образом, наиболее вероятно, что большинство компаний, нацеленных на эту область, примут бизнес-модели freemium с бесплатными базовыми функциями, такими как сбор и визуализация данных, монетизируемыми за счет премиальных функций (например, персонализированное понимание или рекомендации), продажа сторонних продуктов или услуг (например, анализ крови , подключенные медицинские устройства), услуги по обучению или партнерские отношения с предприятиями.
Что ищут Forward Partners
Глядя на ландшафт цифрового здравоохранения, я вижу множество примеров продуктов, предлагающих уровни 1-3 в иерархии цифрового здоровья, но еще не продуктов, предлагающих уровни 4 и 5.
Возможно, существующие игроки лучше всего подходят для добавления этих возможностей в свои продукты, но я считаю, что есть возможности для создания прорывных решений, которые используют возможности машинного обучения для повышения ценности для пользователей и достижения массового масштаба.
Для этого продукты должны сначала соответствовать уровням 1–3 с пользовательским интерфейсом мирового класса, дизайном и распространением продукта, чтобы обеспечить вовлечение пользователей и данные обучения, необходимые для достижения уровней 4 и 5.
Учитывая огромную стоимость хронических заболеваний, у предприятий есть огромный потенциал, который может использовать ИИ, чтобы помочь потребителям лучше управлять своим здоровьем, и есть огромные преимущества, когда пациенты оказываются в центре здравоохранения.
Если вы создаете продукт в этом пространстве или планируете это сделать, мы будем рады услышать от вас. Нам особенно важно понять ваши планы по созданию набора данных и то, как вы планируете приносить пользу пользователям, пока вы это делаете.
Изначально сообщение было опубликовано в блоге Forward Partners.
Присоединяйтесь к 30 000+ людям, которые читают еженедельную рассылку Машинное обучение, чтобы понять, как ИИ повлияет на их работу.
