По мере роста сложности и объема данных в здравоохранении плательщики, поставщики и медико-биологические компании все чаще используют искусственный интеллект (ИИ) для оказания качественной помощи пациентам. Это связано с тем, что компьютеры и алгоритмы могут очищать колоссальные объемы данных намного быстрее и точнее, чем ученые-люди или медицинские работники, выявляя закономерности и прогнозы, которые улучшают диагностику заболеваний, информируют о планах лечения и улучшают здоровье и безопасность населения.

Это критическое время для внедрения ИИ и машинного обучения в здравоохранение. Пандемия Covid-19 создала нагрузку на системы здравоохранения из-за растущего спроса на медицинскую помощь, беспрецедентного числа госпитализаций, а также нехватки кадров и поставок, что показало, насколько хрупкой на самом деле является наша система здравоохранения. В свете этого ИИ и машинное обучение обладают большим потенциалом для облегчения части нагрузки на медицинских работников и системы здравоохранения в целом.

Некоторые новаторы в области здравоохранения и технологий уже сотрудничают, чтобы экспериментировать с искусственным интеллектом и машинным обучением. В первой части этой серии мы говорили о том, как искусственный интеллект и технологии машинного обучения используются для повышения безопасности и эффективности клинических испытаний, лечения эпилепсии и решений для отказа от курения. В этом блоге мы рассмотрим, как мобильные устройства, роботизированные операции и носимые устройства используют машинное обучение для улучшения оказания медицинских услуг.

Медицинские приложения на основе краудсорсинга

В последние годы наблюдается явная спешка в получении исходных данных с целого ряда мобильных устройств для ряда медицинских приложений. Эта гонка за сбором данных о потребителях в конечном итоге, вероятно, предоставит исследователям и другим заинтересованным сторонам отрасли здравоохранения доступ к постоянно расширяющемуся арсеналу информации и знаний, которые потенциально могут помочь в борьбе с тяжелыми заболеваниями и другими состояниями.

Например, IBM Watson уделяет большое внимание сбору как можно большего количества медицинских данных. В 2016 году IBM приобрела Truven Health Analytics, в которой были данные о стоимости лечения более 200 пациентов, за единовременную сумму в 2,6 миллиарда долларов. Используя эти данные пациентов с программным обеспечением искусственного интеллекта Watson, Watson Health стремится работать в качестве специализированного цифрового помощника для врачей и администраторов здравоохранения, чтобы улучшить уход и сократить расходы. В 2018 году IBM объединилась с Medtronic для разработки цифрового решения под названием Sugar.IQ, чтобы помочь пациентам анализировать данные о диабете и инсулине в режиме реального времени.

Аналогичные усилия можно увидеть в Apple ResearchKit, который нацелен на помощь в лечении болезни Паркинсона и аутизма с помощью интерактивных приложений, которые оценивают состояние пользователей в течение длительных периодов времени.

Роботизированная хирургия

Хирургическая система да Винчи по понятным причинам привлекла большое внимание благодаря своей способности помогать хирургам в искусном манипулировании роботизированными конечностями во время операций, проводимых в ограниченном пространстве, и предлагая более легкую, но более устойчивую руку, чем люди обычно могут поддерживать самостоятельно.

Решения для роботизированной хирургии используют не только машинное обучение, но и компьютерное зрение с поддержкой машинного обучения, которое необходимо для точного определения конкретных частей тела и расстояний. Машинное обучение также иногда используется для непрерывной стабилизации движения роботизированных конечностей, которыми управляют люди-операторы.

Личная генетика

ИИ и машинное обучение также имеют решающее значение для понимания того, как наша ДНК влияет на нашу жизнь. Хотя геном человека был полностью секвенирован и теперь может быть правильно прочитан и отредактирован, наше понимание большей части того, что геном может нам сказать, по-прежнему отсутствует.

Алгоритмы машинного обучения, такие как встроенные в такие системы, как Глубокий разум Google, могут помочь преодолеть этот разрыв благодаря своей беспрецедентной способности обнаруживать самые тонкие закономерности и вариации. Эти алгоритмы позволяют эффективно обрабатывать и применять познание паттернов к почти непостижимым объемам данных, включая истории болезни пациентов, режимы лечения, диагностические изображения и клинические записи — задача, не под силу исследователям без посторонней помощи.

Глубокая геномика, например, добилась значительных успехов в разработке системы, позволяющей интерпретировать ДНК. Предсказывая молекулярные эффекты генетических вариаций, Deep Genomics и данные, которые они накапливают, могут определить, как сотни миллионов генетических вариаций могут повлиять на генетический код.

День, когда мы достигнем лучшего понимания ДНК человека, — это день, когда мы сможем предоставлять персонализированные идеи, основанные на индивидуальных биологических предрасположенностях и персонализированной медицине. Эта возможность откроет эру персонализированной генетики, позволяющей людям достичь большего контроля над своим здоровьем с помощью большей информации о своем теле, чем когда-либо прежде.

Носимые устройства с искусственным интеллектом

Недавние достижения в области мобильных медицинских технологий изменили то, как врачи, больницы и дома престарелых собирают и анализируют данные. Обычные аксессуары, такие как часы и очки, приобрели новую полезность в 21 веке с появлением машинного обучения. Применяя алгоритмы машинного обучения к носимым устройствам, технологии удаленного мониторинга пациентов (RPM) расширяют возможности и помогают медицинским работникам оказывать качественную помощь, как никогда раньше.

Медицинские работники теперь могут не только выявлять тенденции в области здравоохранения (например, ухудшение здоровья) из огромного количества данных, но теперь они могут использовать данные в режиме реального времени для прогнозирования состояния здоровья и улучшения своих диагнозов и планов лечения. Запатентованная Somatix технология обнаружения жестов является одним из примеров, когда носимые устройства в сочетании с искусственным интеллектом и машинным обучением обеспечивают мощную прогностическую аналитику, клинические данные, критические предупреждения и напоминания о медицинских вмешательствах.

Алгоритмы Somatix Safebeingᵀᴹ удаленно и пассивно определяют физические и эмоциональные показатели, чтобы получить представление о факторах риска неблагоприятных событий, уровнях активности, качестве сна, несоблюдении режима приема лекарств, падениях, обезвоживании, нарушениях и многом другом. Информация и прогнозы SafeBeingᵀᴹ затем представляются поставщикам через панель инструментов, которая позволяет им управлять всеми своими пациентами на одной платформе.

Мощные интегрированные инструменты цифрового здравоохранения, такие как SafeBeingᵀᴹ, позволяют пожилым людям, лицам, осуществляющим уход, и медицинским работникам выявлять изменения в активности и самочувствии до того, как состояние здоровья близкого человека ухудшится. В исследовании, проведенном Accenture✎ EditSign исследователи обнаружили, что восемь из десяти врачей считают RPM высокоэффективным, особенно в процессе раннего выявления.

Некоторые, такие как Accenture, утверждают, что RPM станет третьим столпом терапевтической структуры✎ EditSign в будущем, поэтому неудивительно, что крупные игроки сферы здравоохранения увеличивают свои инвестиции на рынке носимых и подключенных устройств. . Например, Best Buy потратила почти 400 миллионов долларов на приобретение Current Health, а Google приобрела Fitbit за 2,1 миллиарда долларов. Только время покажет, насколько быстро носимые устройства будут полностью интегрированы в сектор здравоохранения, а пока алгоритмы будут продолжать учиться.