Машинное обучение (МО) и искусственный интеллект (ИИ) вторгаются в медицинскую сферу. Раньше они были абстрактными понятиями, не полностью применимыми в сфере здравоохранения, но теперь они стали практическими инструментами, которые могут помочь организациям улучшить реализацию своих услуг, а также качество обслуживания, увеличить доход и снизить риски.
Почти все передовые медицинские организации уже начали использовать эту технологию в своей повседневной практике.
«Машинное обучение и искусственный интеллект будут использоваться для расширения возможностей и улучшения каждого бизнеса, каждой государственной организации, каждой благотворительной организации — практически нет в мире учреждения, которое нельзя было бы улучшить с помощью машинного обучения и искусственного интеллекта».
Джефф Безос, основатель, председатель и главный исполнительный директор Amazon
Однако давайте сначала разберемся, что же такое на самом деле машинное обучение. Это приложение ИИ, позволяющее системам автоматически понимать и анализировать ситуации или проблемы без помощи людей. Таким образом, машинное обучение предназначено для уменьшения вмешательства человека.
Примечательная статистика
Машинное обучение и искусственный интеллект до сих пор приносят прибыль в сфере здравоохранения. Исследовательская фирма Frost & Sullivan выяснила, что к 2021 году системы искусственного интеллекта будут приносить 6,7 миллиарда долларов дохода мировой отрасли здравоохранения.
Около 35% медицинских компаний планируют внедрить ИИ-решения в течение следующих 2 лет. Кроме того, более половины этих компаний планируют последовать их примеру в течение следующих 5 лет.
Увеличение предложения происходит, поскольку существуют различные особые потребности для ведения любого бизнеса в сфере здравоохранения, включая необходимость разработки достаточно безопасных электронных медицинских карт для соблюдения законов о конфиденциальности.
Например, в период с 2012 по 2017 год распространение количество электронных медицинских карт увеличилось с 40 до 67.
Машинное обучение открывает множество возможностей для здравоохранения
Некоторые новаторы сотрудничают, пытаясь улучшить существующую реальность, экспериментируя с искусственным интеллектом и машинным обучением в здравоохранении.
Компьютеры и алгоритмы, используемые этими новаторами, могут очищать огромные объемы информации намного быстрее и точнее, чем ученые или эксперты в области здравоохранения. Таким образом, обнаруживаются закономерности и прогнозы для улучшения диагностики заболеваний, общественного здравоохранения и безопасности, а также для информирования планов лечения.
Помимо таких гигантов, как IBM и Microsoft, над созданием инструментов для развития здравоохранения работает несколько стартапов и компаний.
Отрасль здравоохранения стала основным направлением инвестиций и работы над ИИ и машинным обучением, поскольку их потенциальное влияние на спасение жизней многих пациентов и финансовых ресурсов невероятно.
На самом деле, экономия была бы потрясающей. По оценкам одного из отчетов McKinsey, большие данные могут сэкономить медицине и фармацевтике до 100 миллиардов долларов в год в результате повышения эффективности клинических испытаний и исследований, лучшего понимания для принятия решений и новых решений, которые позволят страховщикам, регулирующим органам, врачам и пациентов принимать более взвешенные решения.
Алгоритмы машинного обучения улучшают большинство данных, которым они подвергаются. Действительно, в системах здравоохранения есть много данных.
С помощью хорошо отлаженного процесса, который позволяет людям легко обмениваться информацией, было бы реально проанализировать огромное количество данных. Этот анализ пока невозможно провести из-за различий между системами хранения, проблем с правом собственности и конфиденциальностью. Если бы анализ можно было провести, это принесло бы отличные результаты потребителям, врачам и медицинским компаниям.
Представление приложений машинного обучения для здравоохранения
Давайте просмотрим список существующих приложений машинного обучения в сфере здравоохранения.
ДИАГНОСТИКА В МЕДИЦИНСКОЙ ИЗОБРАЖЕНИИ
Процесс диагностики чрезвычайно сложен. Он по-прежнему включает в себя огромное количество факторов, которые машины не могут сложить воедино, чтобы получить общую картину. Тем не менее, нет сомнения, что аппарат может помочь врачам при правильном подходе к диагностике и лечению.
Именно по этой причине отделение онкологии Memorial Sloan Kettering (MSK) сотрудничало с IBM Watson. MSK располагает информацией о больных раком, которая использовалась на протяжении десятилетий, и может предложить врачам идеи лечения или варианты лечения конкретных случаев рака в будущем, исходя из накопленного опыта. Этот тип инструмента, который трудно продать в этом мире медицинских учреждений, где собака ест собаку, уже находится в предварительном использовании.
РАСШИРЕННЫЙ / МАСШТАБНЫЙ СБОР ДАННЫХ О ЗДОРОВЬЕ
Больше всего внимания уделяется сбору данных с разных мобильных устройств для объединения и сортировки актуальных медицинских данных.
Например, ResearchKit от Apple планирует сделать это при лечении болезни Паркинсона и синдрома Аспергера, предоставив пользователям возможность использовать интерактивные приложения, одно из которых использует ML для распознавания лиц, которые оценивают их состояние здоровья с течением времени. Текущие данные пересылаются в анонимный пул для дальнейшего изучения.
Несмотря на огромный поток информации о здравоохранении, предоставляемой Интернетом вещей, похоже, что здравоохранение все еще экспериментирует со способами понимания этой информации и внесения изменений в лечение в режиме реального времени. Эксперты и потребители также могут быть настроены оптимистично, поскольку эта тенденция сохраняется, и у исследований будет больше «оружия» для борьбы с серьезными заболеваниями и уникальными случаями.
ОТКРЫТИЕ НАРКОТИКОВ
Хотя сфера здравоохранения, как правило, осложнена различными законами и перекрестными стимулами различных заинтересованных сторон (руководителей больниц, врачей, пациентов, страховых организаций и т. д.), открытие новых лекарств отличается сравнительно ясной экономической ценностью для разработчиков приложений ML для здравоохранения.
Кроме того, открытие лекарств связано с одним сравнительно четким клиентом, который обычно имеет большой бюджет, например фармацевтические компании.
Такие гиганты, как IBM и Google, также присоединились к процессу разработки лекарств. Например, в собственных приложениях IBM для здоровья были инициативы по открытию лекарств практически на протяжении всего периода существования компании.
Google также присоединился к команде организаций, которые уже собирают деньги и имеют доход, работая в области открытия лекарств с помощью ML.
РОБОТИЗИРОВАННАЯ ХИРУРГИЯ
Роботизированная хирургическая система da Vinci привлекла наибольшее внимание не просто так. Система позволяет хирургам управлять ловкими роботами-манипуляторами для выполнения наименее травматичных и подробных операций, которые невозможны для человека.
Более того, есть некоторые системы, использующие компьютерное зрение с помощью машинного обучения для определения расстояний, а также определенных частей тела.
Кроме того, машинное обучение иногда используется для стабилизации движения роботов-манипуляторов, которыми манипулируют профессионалы.
Будущие приложения ML Health
Мы предоставляем вам существующие приложения, которые пользуются все большим спросом по мере того, как они финансируются и исследуются.
ТОЧНАЯ МЕДИЦИНА
Цель прецизионной медицины — новая эра, при которой условия, при которых рекомендации по здоровью каждого пациента и лечение болезни основываются на его истории болезни, генетических особенностях и т. д.
Например, использование прецизионной медицины для лечения рака включает в себя определение характеристик, которые могут облегчить прогнозирование эффективности конкретного лечения для конкретного пациента, согласно OncLive.
«Представьте, если бы вы могли взять результаты всех тестов… и результаты проведенного лечения, объединить и анонимизировать все эти данные, а затем применить машинное обучение, чтобы узнать, какие методы лечения были наиболее эффективными. Вы могли бы не только уменьшить количество химиотерапии, необходимой для пациента, но также уменьшить количество пациентов, которые получили ненужную дозу или получили неэффективный тип химиотерапии».
Майк Фланнаган, старший вице-президент SAP Analytics
АВТОМАТИЧЕСКОЕ ЛЕЧЕНИЕ ИЛИ РЕКОМЕНДАЦИЯ
Представьте себе машину, которая могла бы устанавливать дозу лекарства для пациента, отслеживая информацию о его крови, питании, сне и уровне стресса.
Чтобы убедиться, что вы не забудете количество таблеток, которое необходимо принять, крошечная таблица ML сможет дать вам лекарство, отследить количество таблеток, которые необходимо принять, и даже вызвать врача в случае, если вы чувствовать нехорошо.
ПОВЫШЕНИЕ ПРОИЗВОДИТЕЛЬНОСТИ (ПОМИМО УЛУЧШЕНИЯ)
Orreco и IBM недавно объявили о партнерстве с целью повышения спортивных результатов, а IBM заключила аналогичное партнерство с Under Armour в январе 2016 года.
Хотя западная медицина в основном сосредоточена на лечении и облегчении течения болезни, существует абсолютная необходимость в высококачественной профилактике. Последние устройства IoT, такие как Fitbit, продвигают эти приложения вперед.
Машинное обучение может быть введено для определения производительности сотрудников или уровня стресса на работе в дополнение к поиску улучшений в группах риска (не только для облегчения симптомов).
АВТОНОМНАЯ ХИРУРГИЯ С РОБОТОМ
В настоящее время роботизированные хирургические системы, подобные знаменитому «Да Винчи», значительно повышают квалификацию хирурга.
Однажды машинное обучение можно будет использовать для объединения визуальных данных и двигательных моделей с помощью таких устройств, как да Винчи, чтобы машины могли выполнять операции.
Этот тип машины сможет выполнять множество операций по замене тазобедренного сустава, чтобы в конечном итоге выполнить процедуру кому угодно, и это будет сделано лучше, чем команда лучших хирургов может сделать сегодня.
ВЫВОД
Новые популярные технологии часто оказываются переоцененными, однако это явно не относится к машинному обучению и искусственному интеллекту.
Здравоохранение уже испытывает рост производительности и прибыли благодаря этим двум технологиям.
Огромное количество основных игроков здравоохранения уже вкладывают деньги в ИИ, понимая его будущую ведущую роль в отрасли.
Машинное обучение и искусственный интеллект в сфере здравоохранения, безусловно, будут продолжать развивать и совершенствовать профилактику и диагностику заболеваний, а также помогут создавать индивидуальные лекарства на основе уникальной ДНК пациента и предлагать варианты лечения в дополнение к другим возможностям.
Первоначально написано для https://isddesign.com/
Добро пожаловать https://isddesign.com/blog/
