12 sätt för AI att påverka sjukvårdsindustrin

Artificiell intelligens förväntas bli en transformationskraft inom hälso- och sjukvårdsområdet.Så hur drar läkare och patienter nytta av effekten av AI-drivna verktyg?
Dagens sjukvårdsindustri är väldigt mogen och kan göra stora förändringar.Från kroniska sjukdomar och cancer till radiologi och riskbedömning verkar sjukvårdsindustrin ha otaliga möjligheter att använda teknik för att distribuera mer exakta, effektiva och effektiva interventioner i patientvård.
Med teknikutvecklingen har patienter högre och högre krav för läkare, och antalet tillgängliga data fortsätter att växa med en oroväckande takt.Konstgjord intelligens kommer att bli en motor för att främja kontinuerlig förbättring av medicinsk vård.
Jämfört med traditionell analys och klinisk beslutsteknik har artificiell intelligens många fördelar.När inlärningsalgoritmen interagerar med träningsdata kan det bli mer exakt, vilket gör det möjligt för läkare att få enastående insikter om diagnos, omvårdnadsprocess, behandlingsvariabilitet och patientresultat.
Vid World World Artificial Intelligence Medical Innovation Forum (WMIF) som innehas av Partners Healthcare, har medicinska forskare och kliniska experter utarbetat teknologier och områden inom den medicinska industrin som troligen har en betydande inverkan på antagandet av konstgjord intelligens i nästa års teknik och områden årtionde.
Anne Kiblanksi, MD, CO -ordförande för WMIF 2018, och Gregg Meyer, MD, Chief Academic Officer för Partners Healthcare, sa att denna typ av "subversion" som föras till varje branschområde har potential att ge betydande fördelar för patienterna och har bredt Affärsframgångspotential.
Med hjälp av experter från Partners Healthcare, inklusive Dr. Keith Dreyer, professor i Harvard Medical School (HMS), Chief Data Science Officer för Partners, och Dr. Katherine Andreole, chef för forskningsstrategi och operationer vid Massachusetts General Hospital (MGH) , föreslog 12 sätt att AI kommer att revolutionera medicinska tjänster och vetenskap.
1.unify Thinking and Machine via Brain Computer Interface

Att använda dator för att kommunicera är inte en ny idé, men att skapa ett direkt gränssnitt mellan teknik och mänskligt tänkande utan tangentbord, mus och display är ett gränsforskningsfält, som har en viktig tillämpning för vissa patienter.
Sjukdomar och trauma på nervsystemet kan få vissa patienter att förlora förmågan att meningsfull konversation, rörelse och interaktion med andra och deras miljö.Hjärndatorgränssnitt (BCI) som stöds av artificiell intelligens kan återställa de grundläggande upplevelserna för patienter som är oroliga för att förlora dessa funktioner för alltid.
"Om jag ser en patient i neurologin intensivvårdsavdelning som plötsligt förlorar förmågan att agera eller tala, hoppas jag att återställa hans förmåga att kommunicera nästa dag," sa Leigh Hochberg, MD, chef för Center for Neurotechnology and Neurorehabilitation at Massachusetts General Hospital (MGH).Genom att använda Brain Computer Interface (BCI) och Artificial Intelligence kan vi aktivera nerverna relaterade till handrörelse, och vi bör kunna få patienten att kommunicera med andra minst fem gånger under hela aktiviteten, till exempel att använda allestädes närvarande kommunikationstekniker som sådana som surfplattor eller mobiltelefoner."
Hjärndatorgränssnitt kan förbättra livskvaliteten hos patienter med amyotrofisk lateral skleros (ALS), stroke eller atresia -syndrom, samt 500000 patienter med ryggmärgsskada över hela världen varje år.
2. Utveckla nästa generation av strålningsverktyg

Strålningsbilder erhållna genom magnetisk resonansavbildning (MRI), CT-skannrar och röntgenstrålar ger icke-invasiv synlighet i människokroppens inre.Många diagnostiska procedurer förlitar sig emellertid fortfarande på fysiska vävnadsprover erhållna genom biopsi, som har risken för infektion.
Experter förutspår att i vissa fall kommer artificiell intelligens att göra det möjligt för nästa generation av radiologiska verktyg att vara korrekt och detaljerade nog för att ersätta efterfrågan på levande vävnadsprover.
Alexandra Golby, MD, chef för bildstyrd neurokirurgi på Brigham Women's Hospital (BWH), sa: "Vi vill föra diagnostiska avbildningsgruppen med kirurger eller interventionella radiologer och patologer, men det är en enorm utmaning för olika team att uppnå samarbete och konsistensen av mål. Om vi ​​vill att radiologi ska tillhandahålla den information som för närvarande är tillgänglig från vävnadsprover, måste vi kunna uppnå mycket nära standarder för att veta de grundläggande fakta för en given pixel. "
Framgång i denna process kan göra det möjligt för kliniker att mer exakt förstå tumörens övergripande prestanda, snarare än att fatta behandlingsbeslut baserat på en liten del av attributen för den maligna tumören.
AI kan också bättre definiera cancerens invasivitet och mer lämpligt bestämma behandlingsmålet.Dessutom hjälper artificiell intelligens att förverkliga "virtuell biopsi" och främja innovation inom röntgenområdet, som har åtagit sig att använda bildbaserade algoritmer för att karakterisera de fenotypiska och genetiska egenskaperna hos tumörer.
3. Expand medicinska tjänster inom undervärda eller utvecklande områden

Avsaknaden av utbildade vårdgivare i utvecklingsländerna, inklusive ultraljudstekniker och radiologer, kommer att minska chansen att använda medicinska tjänster för att rädda patientens liv.
Mötet påpekade att det finns fler radiologer som arbetar på sex sjukhus i Boston med den berömda Longwood Avenue än på alla sjukhus i Västafrika.
Konstgjord intelligens kan hjälpa till att mildra effekterna av en kritisk brist på kliniker genom att ta över några av de diagnostiska ansvarsområdena som normalt tilldelas människor.
Till exempel kan ett AI-avbildningsverktyg använda röntgenstrålar i bröstet för att undersöka symtomen på tuberkulos, vanligtvis med samma noggrannhet som en läkare.Den här funktionen kan distribueras genom en ansökan om leverantörer i resursens fattiga områden, vilket minskar behovet av erfarna diagnostiska radiologer.
"Denna teknik har stor potential att förbättra sjukvården," sade Dr. Jayashree Kalpathy Cramer, assistent neurovetenskap och docent i radiologi vid Massachusetts General Hospital (MGH)
AI -algoritmutvecklare måste emellertid noggrant överväga det faktum att människor med olika nationaliteter eller regioner kan ha unika fysiologiska och miljömässiga faktorer, vilket kan påverka sjukdomens prestanda.
"Till exempel kan befolkningen som påverkas av sjukdom i Indien vara mycket annorlunda än i USA," sade hon.När vi utvecklar dessa algoritmer är det mycket viktigt att se till att uppgifterna representerar sjukdomspresentationen och befolkningens mångfald.Vi kan inte bara utveckla algoritmer baserade på en enda population, utan också hoppas att den kan spela en roll i andra populationer."
4. Redutera användningsbördan för elektroniska hälsoregister

Electronic Health Record (HER) har spelat en viktig roll i den digitala resan inom sjukvårdsindustrin, men denna omvandling har gett många problem relaterade till kognitiv överbelastning, oändliga dokument och användartrötthet.
Electronic Health Record (HER) utvecklare använder nu artificiell intelligens för att skapa ett mer intuitivt gränssnitt och automatisera rutiner som tar mycket användartid.
Dr. Adam Landman, vice president och Chief Information Officer för Brigham Health, sa att användare tillbringar större delen av sin tid på tre uppgifter: klinisk dokumentation, orderinmatning och sortering av sina inkorgar.Taligenkänning och diktat kan bidra till att förbättra klinisk dokumentbehandling, men NLP -verktyg för naturliga språk (Natural Language Processing (NLP) kanske inte räcker.
"Jag tror att det kan vara nödvändigt att vara mer djärv och överväga några förändringar, till exempel att använda videoinspelning för klinisk behandling, precis som polis som bär kameror," sade Landman.Konstgjord intelligens och maskininlärning kan sedan användas för att indexera dessa videor för framtida hämtning.Precis som Siri och Alexa, som använder artificiella intelligensassistenter hemma, kommer virtuella assistenter att föras till patientens sängplats i framtiden, vilket gör att kliniker kan använda inbäddad intelligens för att komma in på medicinska ordningar."

AI kan också hjälpa till att hantera rutinmässiga förfrågningar från inkorgar, till exempel läkemedelstillskott och meddelanden om resultat.Det kan också hjälpa till att prioritera uppgifter som verkligen behöver klinikernas uppmärksamhet, vilket gör det enklare för patienter att bearbeta sina uppgifter, tilllade Landman.
5.Risk av antibiotikaresistens

Antibiotikaresistens är ett växande hot mot människor, eftersom överanvändning av dessa viktiga läkemedel kan leda till utvecklingen av superbakterier som inte längre svarar på behandlingen.Multi -läkemedelsresistenta bakterier kan orsaka allvarliga skador i sjukhusmiljön och döda tiotusentals patienter varje år.Clostridium difficile ensam kostar cirka 5 miljarder dollar per år till det amerikanska sjukvårdssystemet och orsakar mer än 30000 dödsfall.
EHR -data hjälper till att identifiera infektionsmönster och lyfta fram risken innan patienten börjar visa symtom.Att använda maskininlärning och konstgjorda intelligensverktyg för att driva dessa analyser kan förbättra deras noggrannhet och skapa snabbare och mer exakta varningar för vårdgivare.
"Artificiella intelligensverktyg kan uppfylla förväntningarna på infektionskontroll och antibiotikaresistens", säger Dr. Erica Shenoy, biträdande chef för infektionskontroll vid Massachusetts General Hospital (MGH).Om de inte gör det, kommer alla att misslyckas.Eftersom sjukhus har mycket EHR -data, om de inte utnyttjar dem, om de inte skapar branscher som är smartare och snabbare i klinisk prövningsdesign, och om de inte använder EHR: er som skapar dessa data, De kommer att möta misslyckande."
6. Skapa mer exakt analys för patologiska bilder

Dr. Jeffrey Golden, chef för patologiavdelningen vid Brigham Women's Hospital (BWH) och professor i patologi vid HMS, sa att patologer tillhandahåller en av de viktigaste källorna till diagnostiska data för ett komplett utbud av leverantörer av medicinska tjänster.
"70% av beslut om sjukvården är baserade på patologiska resultat, och mellan 70% och 75% av all data i EHR kommer från patologiska resultat," sade han.Och ju mer exakta resultaten är, desto tidigare kommer den korrekta diagnosen att göras.Detta är målet att digital patologi och konstgjord intelligens har en chans att uppnå."
Djup pixelnivåanalys på stora digitala bilder gör det möjligt för läkare att känna igen subtila skillnader som kan undkomma mänskliga ögon.
"Vi har nu kommit till den punkt där vi bättre kan bedöma om cancer kommer att utvecklas snabbt eller långsamt och hur man kan ändra behandlingen av patienter baserat på algoritmer snarare än kliniska stadier eller histopatologisk gradering," sade Golden.Det kommer att bli ett enormt steg framåt."
Han tillade, "AI kan också förbättra produktiviteten genom att identifiera funktioner i intresse i bilder innan kliniker granskar uppgifterna. AI kan filtrera genom bilder och vägleda oss att se rätt innehåll så att vi kan bedöma vad som är viktigt och vad som inte är. Detta förbättras Effektiviteten i användningen av patologer och ökar värdet av deras studie av varje fall. "
Ta med intelligens till medicintekniska produkter och maskiner

Smarta enheter tar över konsumentmiljöer och tillhandahåller enheter som sträcker sig från realtidsvideo inuti kylskåpet till bilar som upptäcker förarens distraktion.
I en medicinsk miljö är intelligenta apparater viktiga för att övervaka patienter i ICU och på andra håll.Användningen av konstgjord intelligens för att förbättra förmågan att identifiera försämring av tillståndet, till exempel att indikera att sepsis utvecklas, eller uppfattningen av komplikationer kan förbättra resultaten avsevärt och kan minska behandlingskostnaderna.
"När vi pratar om att integrera olika data över sjukvårdssystemet måste vi integrera och varna ICU -läkare för att ingripa så tidigt som möjligt, och att aggregeringen av dessa data inte är bra som mänskliga läkare kan göra," sade Mark Michalski , verkställande direktör för Clinical Data Science Center på BWH.Att infoga smarta algoritmer i dessa enheter minskar den kognitiva bördan för läkare och säkerställer att patienterna behandlas så snabbt som möjligt."
8.Promotering av immunterapi för cancerbehandling

Immunterapi är ett av de mest lovande sätten att behandla cancer.Genom att använda kroppens eget immunsystem för att attackera maligna tumörer kan patienter kunna övervinna envisa tumörer.Emellertid svarar endast ett fåtal patienter på den nuvarande immunterapiregimen, och onkologer har fortfarande inte en exakt och pålitlig metod för att bestämma vilka patienter som kommer att dra nytta av behandlingen.
Maskininlärningsalgoritmer och deras förmåga att syntetisera mycket komplexa datamängder kan kunna belysa den unika genkompositionen för individer och tillhandahålla nya alternativ för riktad terapi.
"Nyligen har den mest spännande utvecklingen varit kontrollpunkthämmare, som blockerar proteiner som produceras av vissa immunceller," förklarar Dr. Long LE, chef för beräkningspatologi och teknikutveckling vid Massachusetts General Hospital (MGH) Comprehensive Diagnostic Center.Men vi förstår fortfarande inte alla problem, vilket är mycket komplicerat.Vi behöver definitivt mer patientdata.Dessa behandlingar är relativt nya, så inte många patienter tar dem faktiskt.Oavsett om vi behöver integrera data i en organisation eller i flera organisationer, kommer det att vara en nyckelfaktor för att öka antalet patienter för att driva modelleringsprocessen."
9. Turn av elektroniska hälsoregister i tillförlitliga riskprediktorer

Electronic Health Record (HER) är en skatt av patientdata, men det är en ständig utmaning för leverantörer och utvecklare att extrahera och analysera en stor mängd information på ett korrekt, snabb och pålitligt sätt.
Datakvalitet och integritetsproblem, i kombination med förvirring av dataformat, strukturerad och ostrukturerad input och ofullständig poster, gör det svårt för människor att exakt förstå hur man genomför meningsfull riskstratifiering, förutsägbar analys och kliniskt beslutsstöd.
Dr. Ziad Obermeyer, biträdande professor i akutmedicin vid Brigham Women's Hospital (BWH) och biträdande professor vid Harvard Medical School (HMS), sa: "Det finns lite hårt arbete att göra för att integrera data på ett ställe. Men ett annat problem är att förstå Vad människor får när de förutsäger en sjukdom i Electronic Health Record (HER). Människor kan höra att konstgjorda intelligensalgoritmer kan förutsäga depression eller stroke, men upptäcker att de faktiskt förutsäger en ökning av strokkostnaderna. Det skiljer sig från stämningen från The Slag själv. "

Han fortsatte, "Att förlita sig på MR -resultat verkar ge en mer specifik datauppsättning. Men nu måste vi tänka på vem som har råd med MR? Så den slutliga förutsägelsen är inte det förväntade resultatet."
NMR -analys har producerat många framgångsrika riskpoäng- och stratifieringsverktyg, särskilt när forskare använder djupinlärningstekniker för att identifiera nya anslutningar mellan till synes icke -relaterade datamängder.
Obermeyer anser emellertid att säkerställa att dessa algoritmer inte identifierar de fördomar som är dolda i uppgifterna är avgörande för att distribuera verktyg som verkligen kan förbättra klinisk vård.
"Den största utmaningen är att se till att vi vet exakt vad vi förutspådde innan vi börjar öppna den svarta rutan och titta på hur man förutsäger," sade han
10. Övervägande hälsostatus genom bärbara enheter och personliga enheter

Nästan alla konsumenter kan nu använda sensorer för att samla in data om hälsovärde.Från smartphones med stegspårare till bärbara enheter som spårar hjärtfrekvens hela dagen kan mer och mer hälsorelaterade data genereras när som helst.
Att samla in och analysera dessa data och komplettera informationen som tillhandahålls av patienter genom applikationer och andra hemövervakningsanordningar kan ge ett unikt perspektiv för individuell och publikhälsa.
AI kommer att spela en viktig roll för att extrahera handlingsbara insikter från denna stora och olika databas.
Men Dr. Omar Arnout, en neurokirurg på Brigham Women's Hospital (BWH), CO -chef för Center for Computational Neuroscience Resultat, sa att det kan ta ytterligare arbete för att hjälpa patienter att anpassa sig till denna intima, pågående övervakningsdata.
"Vi brukade vara ganska fria att bearbeta digitala data," sade han.Men när dataläckar inträffar på Cambridge Analytics och Facebook kommer människor att vara mer och mer försiktiga med vem de ska dela vilka uppgifter de delar."
Patienter tenderar att lita på sina läkare mer än stora företag som Facebook, tillade han, vilket kan hjälpa till att underlätta obehaget att tillhandahålla data för storskaliga forskningsprogram.
"Det är troligt att bärbara data kommer att ha en betydande inverkan eftersom människors uppmärksamhet är mycket oavsiktlig och de insamlade uppgifterna är mycket grov," sade Arnout.Genom att kontinuerligt samla in granulära data är det mer troligt att data hjälper läkare att bättre ta hand om patienter."
11. Gör smarta telefoner Ett kraftfullt diagnostiskt verktyg

Experter tror att bilder som erhållits från smarta telefoner och andra resurser på konsumentnivå kommer att bli ett viktigt tillskott till klinisk kvalitetsavbildning, särskilt i undervärda områden eller utvecklingsländer, genom att fortsätta använda de kraftfulla funktionerna i bärbara enheter.
Kvaliteten på mobilkameran förbättras varje år och den kan generera bilder som kan användas för AI -algoritmanalys.Dermatologi och oftalmologi är tidiga mottagare av denna trend.
Brittiska forskare har till och med utvecklat ett verktyg för att identifiera utvecklingssjukdomar genom att analysera bilder av barns ansikten.Algoritmen kan upptäcka diskreta funktioner, såsom barns mandible linje, positionen för ögon och näsa och andra attribut som kan indikera ansiktsavvikelser.För närvarande kan verktyget matcha vanliga bilder med mer än 90 sjukdomar för att ge kliniskt beslutsstöd.
Dr Hadi Shafiee, chef för Micro / Nano Medicine and Digital Health Laboratory på Brigham Women's Hospital (BWH), sa: "De flesta är utrustade med kraftfulla mobiltelefoner med många olika sensorer inbyggda. Det är en fantastisk möjlighet för oss. Nästan alla Branschaktörer har börjat bygga AI -programvara och hårdvara i sina enheter. Det är inte en slump. I vår digitala värld genereras mer än 2,5 miljoner terabyte data varje dag. Inom mobiltelefoner tror tillverkare att de kan använda detta Data för konstgjord intelligens för att ge mer personliga, snabbare och mer intelligenta tjänster. "
Att använda smarta telefoner för att samla bilder av patientens ögon, hudskador, sår, infektioner, läkemedel eller andra ämnen kan hjälpa till att ta itu med bristen på experter i undervärda områden, samtidigt som tiden för att diagnostisera vissa klagomål.
"Det kan finnas några stora händelser i framtiden, och vi kan dra nytta av denna möjlighet att lösa några viktiga problem med sjukdomshantering i vårdpunkten," sa Shafiee
12. Innovating kliniskt beslutsfattande med sängen AI

När sjukvårdsindustrin vänder sig till avgiftsbaserade tjänster blir det alltmer bort från passiv sjukvård.Förebyggande före kronisk sjukdom, akuta sjukdomshändelser och plötslig försämring är målet för varje leverantör, och kompensationsstrukturen gör det slutligen att utveckla processer som kan uppnå aktiv och förutsägbar intervention.
Konstgjord intelligens kommer att tillhandahålla många grundläggande tekniker för denna utveckling, genom att stödja förutsägbar analys och kliniska beslutsstödverktyg, för att lösa problem innan leverantörer inser behovet av att vidta åtgärder.Konstgjord intelligens kan ge tidig varning för epilepsi eller sepsis, vilket vanligtvis kräver djupgående analys av mycket komplexa datamängder.
Brandon Westover, MD, chef för kliniska data vid Massachusetts General Hospital (MGH), sa att maskininlärning också kan hjälpa till att stödja den fortsatta tillhandahållandet av vård för kritiskt sjuka patienter, till exempel de i koma efter hjärtstopp.
Han förklarade att läkarna under normala omständigheter måste kontrollera EEG -uppgifterna för dessa patienter.Denna process är tidskrävande och subjektiv, och resultaten kan variera med klinikernas färdigheter och erfarenheter.
Han sa ”Hos dessa patienter kan trenden vara långsam.Ibland när läkarna vill se om någon återhämtar sig kan de titta på data som övervakas en gång var tionde sekund.Att se om det har ändrats från 10 sekunder av data som samlats in på 24 timmar är dock som att titta på om håret har vuxit under tiden.Men om artificiell intelligensalgoritmer och stora mängder data från många patienter används, kommer det att vara lättare att matcha vad folk ser med långsiktiga mönster, och några subtila förbättringar kan hittas, vilket kommer att påverka läkarnas beslut i omvårdnad ."
Att använda artificiell intelligensteknik för kliniskt beslutsstöd, riskpoäng och tidig varning är ett av de mest lovande utvecklingsområdena i denna revolutionära dataanalysmetod.
Genom att tillhandahålla kraft för en ny generation av verktyg och system kan kliniker bättre förstå nyanserna av sjukdom, ge vårdtjänster mer effektivt och lösa problem i förväg.Konstgjord intelligens kommer att inleda en ny era för att förbättra kvaliteten på klinisk behandling och göra spännande genombrott i patientvård.


Posttid: 2021-06-06