Последние 2 года мир находится в эпохе пандемий из-за Covid-19. Хотя сейчас условия стали лучше, все же появляются новые варианты Covid. Врачи круглосуточно работают над решением этой проблемы. Помимо Ковида, есть и другие заболевания, для лечения которых нужны врачи, но может ли быть решение, облегчающее задачу врачей? Да, есть искусственный интеллект. Но что такое ИИ? и как это можно использовать в медицине?

ИИ — это обширная отрасль компьютерных наук, занимающаяся созданием интеллектуальных машин, способных выполнять задачи, которые обычно требуют человеческого интеллекта. Медицинские науки широко используют компьютерные системы с искусственным интеллектом. Обычное использование включает удаленное лечение пациентов, транскрипцию рецептов, расширение связи между врачом и пациентом, поиск и разработку лекарств от начала до конца, а также диагностику пациентов.

Базовые исследования

Согласно опросу, проведенному Deloitte среди 1100 американских компаний, которые использовали искусственный интеллект. С помощью ИИ вы можете улучшить организационные аспекты своей отрасли. Обычные медсестры в США тратят 25% своего рабочего времени на регулирующую и административную работу. Эта технология позволяет легко взять на себя такие рутинные задачи, как выставление счетов, управление циклом доходов, клинические документы и управление записями.

В другом исследовании Harvard Business Review более 300 медицинских и клинических руководителей заявили, что у них есть проблемы с участием пациентов. Более 70% опрошенных заявили, что менее половины пациентов были глубоко вовлечены в процесс лечения, а 42% опрошенных сказали, что активно вовлечены менее четверти пациентов. Расширение участия пациентов, несомненно, приведет к улучшению состояния здоровья пациентов. Машинное обучение может предоставлять автоматические оповещения об обмене сообщениями и соответствующий целевой контент, который инициирует действия в критические моменты. В общем, есть много способов, которыми ИИ может персонализировать и улучшить процесс лечения.

Одно из лучших применений искусственного интеллекта для лечения — система ботов, которая значительно упрощает время лечения. Виртуальный пациент-медсестра выступает в роли голосового помощника по здоровью, который предоставляет информацию о многих заболеваниях, проблемах со здоровьем и лекарствах. Инженеры данных работают над решениями для всех видов медицинской деятельности, которые охватывают не только общий мониторинг здоровья, но также лечение и профилактику заболеваний.

Существование модели искусственного интеллекта имеет ряд преимуществ, в том числе:

  • Автоматическая градация диабетической ретинопатии, которая повышает эффективность и ускоряет диагностику пациентов.
  • Предоставление второго мнения для оптометристов.
  • Раннее выявление диабетической ретинопатии благодаря способности модели анализировать изображения на детальном уровне, чего не может сделать офтальмолог-человек.
  • Широкий спектр инициатив по досмотру, которые снижают входные барьеры.

В сфере здравоохранения технологии искусственного интеллекта также используются для улучшения ухода за пациентами и повышения качества обслуживания пациентов, а также для оказания помощи врачам посредством найма помощников ИИ. Такие компании, как BotMD, разработали системы, которые могут помочь в решении клинических проблем, связанных с:

  • Система искусственного интеллекта может быстро определить, какие врачи дежурят, и записаться на ближайшую доступную встречу; он также может сканировать несколько систем планирования в различных учреждениях.
  • Отвечая на вопросы о рецептах, таких как наличие лекарств и доступных альтернатив.
  • Использование приложения для смартфона, помогающего врачам найти правила больницы, список доступных клинических инструментов и доступных лекарств, может улучшить рабочий процесс больницы.

Применение ИИ в медицине

Применение ИИ в медицине бесконечно, и его невозможно описать в одном блоге. Вот несколько приложений, упомянутых ниже

  • Диагностика с помощью анализа изображения

Вот два примера современных применений точных и терапевтически полезных алгоритмов, которые могут помочь пациентам и врачам, упростив диагностику.

Первый из этих алгоритмов — лишь один из нескольких примеров существующих алгоритмов, которые работают лучше, чем врачи, в задачах категоризации изображений. Осенью 2018 года исследователи из больницы Сеульского национального университета и Медицинского колледжа создали систему искусственного интеллекта DLAD (автоматическое обнаружение на основе глубокого обучения) для анализа рентгенограмм грудной клетки и обнаружения аберрантных клеток, например, возможных злокачественных новообразований. На том же наборе фотографий система превзошла 17 из 18 врачей, когда ее эффективность сравнивалась с навыками обнаружения у разных врачей.

Второй из этих алгоритмов был разработан исследователями Google AI Healthcare осенью 2018 года, которые разработали LYNA (Lymph Node Assistant), систему обучения, которая исследует гистологические слайды окрашенных образцов ткани для распознавания метастатических опухолей рака молочной железы из биопсий лимфатических узлов. Хотя это не первое применение ИИ для проведения гистологического анализа, важно отметить, что эта система смогла определить проблемные места в предоставленных образцах биопсии, которые были неотличимы от человеческого глаза. На двух наборах данных была проведена проверка LYNA, которая успешно идентифицировала образцы как злокачественные или нераковые в 97% случаев. Кроме того, LYNA сократила обычное время просмотра слайдов вдвое при использовании в сочетании с регулярным анализом врачами образцов окрашенных тканей.

  • Прогнозирование очагов Covid-19 с помощью отслеживания контактов

Государственные учреждения используют отслеживание контактов в качестве стратегии профилактики заболеваний, чтобы остановить распространение болезни. Отслеживание контактов работает путем установления контакта, обучения и приказа тем, кто контактировал с человеком, заразившимся этой болезнью, изолировать себя, чтобы остановить распространение болезни. Согласно Apple Newsroom, технологические гиганты Google и Apple объединились для разработки платформы для отслеживания контактов, которая будет использовать искусственный интеллект с использованием интерфейсов прикладного программирования или API, как они известны на мобильных устройствах. Пользователи, которые захотят зарегистрироваться на платформе, смогут сообщить о результатах своей лаборатории. Затем платформа сможет связаться со всеми, кто мог быть рядом с зараженным человеком, благодаря службам определения местоположения.

  • Разработка и открытие лекарств

Глубокое обучение в медицине может создавать новые химические структуры и ускорять процесс открытия лекарств. Он использовался в сочетании с другими методами, основанными на машинном обучении, для оценки характеристик биологической активности, абсорбции, распределения, метаболизма и выделения (ADME) для выбора молекул с выгодными физико-химическими и биологическими характеристиками.

Программа druGAN является прекрасной иллюстрацией применения машинного обучения в здравоохранении. На основе заранее определенных качеств противоопухолевых препаратов она направлена ​​на создание новых молекулярных отпечатков пальцев и дизайнов лекарств, которые включают необходимые атрибуты. Он уже продемонстрировал заметный прогресс в создании новых лекарственных препаратов с особыми характеристиками.

  • Ведение медицинской документации

Время любого врача сильно уходит на ведение документации. Однако машинное обучение в здравоохранении может решить эту проблему. Это может избавить врачей от многочисленных повторяющихся действий наряду с обработкой естественного языка (NLP), еще одной ветвью ИИ. Например, алгоритмы НЛП могут преобразовывать человеческую речь во время посещения пациента в текст, избавляя врачей от необходимости вручную вводить клинические записи. Кроме того, открывая ценные неструктурированные данные из алгоритмов EHR, NLP и оптического распознавания символов (OCR), врачи могут использовать эти данные для аналитики и принятия решений. Кроме того, эти алгоритмы могут упорядочивать и сортировать клиническую документацию, что делает ее более подходящей для машинного обучения.

Голландский бизнес MedInReal, который предлагает виртуального помощника для врачей на основе ИИ, — фантастический пример. Они могут обновлять EHR, используя возможности NLP, и автоматизировать утомительные процедуры. Он использует машинное обучение для идентификации компонентов структурированных данных и проверки их соответствия медицинским терминам. Другой пример — Google Cloud Vision API, который уже использует технологию распознавания рукописного ввода для организации данных в электронных медицинских картах.

  • Отслеживание тенденций психического здоровья

Изучение и прогнозирование проблем психического здоровья в глобальном масштабе или среди определенных демографических групп является одним из приложений машинного обучения в здравоохранении. Демографические группы, которые более восприимчивы к стрессовым факторам, таким как пандемии или стихийные бедствия, могут быть определены специалистами в области психического здоровья с использованием результатов этого исследования.

Например, изучая язык, которым люди выражают свои опасения в Интернете, исследователи Массачусетского технологического института и Гарвардского университета использовали машинное обучение, чтобы оценить последствия глобальной пандемии для психического здоровья. Они обнаружили, что количество тем, связанных с суицидом и одиночеством, почти удвоилось после того, как их алгоритм машинного обучения проанализировал 800 000 сообщений Reddit. Результаты могут помочь психиатрам выявлять и помогать тем, чье психическое здоровье нуждается в помощи.

  • Роботизированная хирургия

Еще слишком рано говорить о роботах, выполняющих все хирургические процедуры, но они могут очень помочь врачам, когда речь идет о манипулировании хирургическими инструментами и выполнении определенных работ. Автоматизация наложения швов, оценка хирургических навыков и улучшение моделирования рабочего процесса — все это было достигнуто с использованием машинного обучения.
Например, автономный робот для умных тканей (STAR) из Университета Джона Хопкинса уже доказал, что он может это делать. хирургические задачи, такие как наложение швов и завязывание узлов, лучше, чем хирурги-люди.

Компании, использующие ИИ в медицине

Ограничения искусственного интеллекта в медицине

  • Создание предвзятых моделей

Данные откладываются для тестирования, а подмножество полученных данных используется для обучения систем с искусственным интеллектом (также известное как набор данных для обучения) (также известное как набор данных для тестирования). Следовательно, окончательная модель будет необъективной, если данные искажены, то есть если она ориентирована на определенную расу, пол или возрастную группу. Следовательно, население, для которого предназначены данные, должно точно отражать полученные данные.

  • Предварительная обработка данных

По-прежнему возможно разработать предвзятую модель даже после сбора объективных данных. Прежде чем данные можно будет использовать для обучения алгоритма, их необходимо предварительно обработать. Введенные вручную данные или ряд других факторов могут привести к неточностям в собранных необработанных данных. Эти записи иногда изменяются математически обоснованно или полностью опускаются. Следует тщательно избегать подготовки данных, чтобы предотвратить создание необъективного набора данных.

  • Фрагментированные данные

Невозможность беспрепятственного переноса моделей (таких как регрессия, классификация, кластеризация и НЛП), которые одна организация тратит на разработку и развертывание для конкретной задачи, в другую организацию для немедленного использования без повторной калибровки, является еще одним ограничением применения ИИ. Обмен данными между медицинскими компаниями часто недоступен или ограничен из-за соображений конфиденциальности, что приводит к фрагментации данных, что снижает точность модели.

  • Черные ящики

Из-за сложности лежащих в основе математических процессов системы искусственного интеллекта имеют репутацию «черных ящиков». Необходимо улучшить удобство использования и интерпретируемость моделей. Несмотря на недавние достижения в этой области, предстоит еще много работы.

Заключение

Хотя мы все еще далеки от того, чтобы сделать искусственный интеллект реальностью, он может помочь в решении многих основных проблем здравоохранения. Данные представляют собой серьезную проблему и препятствие для воплощения этого в жизнь. Без достаточных и хорошо представленных данных мы не можем в полной мере использовать ИИ в здравоохранении, какими бы инновационными не становились технологии и алгоритмы машинного обучения. Сектор здравоохранения должен оцифровать медицинские записи, прийти к соглашению о стандартизации архитектуры данных и разработать надежный механизм для обработки согласия пациентов на данные и обеспечения анонимности пациентов. Было бы трудно реализовать истинное обещание ИИ улучшить здоровье человека без этих значительных реформ и сотрудничества в секторе здравоохранения.

Спасибо, что дочитали этот пост до конца. Если вам понравился этот пост, аплодируйте, комментируйте и делитесь с друзьями.

Ссылки