Как машинное обучение и искусственный интеллект меняют будущее индустрии здравоохранения.
Последние достижения в области медицины и продолжающееся расширение сектора здравоохранения требуют комплексной модели, которая может обеспечить статистическую и аналитическую поддержку. Любое использование алгоритмов с целью диагностики, прогноза или рекомендаций по лечению пациента можно рассматривать в рамках компетенции ИИ.
Текущий сценарий
Информатика здравоохранения занимается сбором, анализом и управлением данными о здоровье, такими как медицинские записи пациентов, истории болезни, результаты медицинских осмотров и детали оборудования, что в современной модели здравоохранения демонстрирует значительный рост масштабов его генерации в электронной форме, заменяя тем самым ранее существовавшая модель ручного ввода. Он включает клинические данные из CPOE и систем поддержки принятия клинических решений, данные пациентов в электронных картах пациентов (EPR); данные, генерируемые машинами и датчиками, например, при мониторинге показателей жизнедеятельности, ЭКГ, сканировании мозга, МРТ; сообщения в социальных сетях, блоги и веб-страницы; и меньше информации о пациентах, включая данные об оказании неотложной помощи, ленты новостей и статьи в медицинских журналах. Затем к этим огромным объемам данных (известным как большие данные) применяются несколько медицинских концепций в сочетании с HIT (Health Information Technology), что приводит к множественным результатам и, таким образом, помогает клиницистам предоставлять более качественное медицинское обслуживание.
Возрастающая сложность и стохастический характер генерируемых клинических данных и непрекращающиеся изменения динамики в отрасли здравоохранения создают трудную задачу. Решение, обеспечиваемое скудной ортодоксальной парадигмой медицинской диагностики и клинического анализа, ниже номинальной. Это требует определенных действий по преодолению этих недостатков. В такие ответственные моменты на помощь приходят машинное обучение и искусственный интеллект. Машинное обучение в медицине недавно стало популярным. Google разработал алгоритм машинного обучения, который помогает выявлять раковые опухоли на маммограммах. Стэнфорд использует алгоритм глубокого обучения для выявления рака кожи. В недавней статье JAMA сообщалось о результатах алгоритма глубокого машинного обучения, который смог диагностировать диабетическую ретинопатию по изображениям сетчатки.
Искусственный интеллект
Происхождение и ранняя эволюция ИИ можно проследить до того времени, когда классические философы пытались описать человеческое мышление как символическую систему. Попытка механизировать работу человеческого интеллекта всегда была движущей силой, которая привела к столь непостижимому прогрессу в области ИИ. В 1978 году Р. Беллман определил ИИ как «автоматизацию действий, которые мы связываем с человеческим мышлением, таких как принятие решений, решение проблем и обучение». ИИ, в общем, состоит из систем, которые могут действовать и мыслить рационально, как человек. существа. Многое в искусственном интеллекте связано с тем, как функционирует человеческая психология и способность принимать решения.
Машинное обучение - подобласть ИИ
Машинное обучение в разговорной речи можно описать как метод обучения машин действию и демонстрации поведения и умения решать проблемы, аналогичных функционированию человеческого мозга.
Основа или примитивная идеология, лежащая в основе ранних исследований и разработка в области машинного обучения имитирует функционирование биологической нейронной сети (BNN). Это привело к появлению
искусственной нейронной сети (сердце машинного обучения). Подобно деятельности биологической нервной системы, ИНС состоит из тесно взаимосвязанной сети обрабатывающих элементов, называемых нейронами, а также каналов обратной связи
для минимизации ошибок и разработки механизма самообучения.
Предполагается, что машина учится на своем прошлом опыте. Большинство моделей машинного обучения обычно основаны на контролируемой или неконтролируемой модели обучения. Методы алгоритмов контролируемого машинного обучения включают линейную и логистическую регрессию, многоклассовую и двоичную классификацию, деревья решений и вспомогательные векторные машины (SVM), тогда как кластеризация данных формирует основу для неконтролируемого машинного обучения. Помимо этого, для обучения системы было разработано несколько моделей армирования.
Модель ML обычно обучается с помощью предопределенного обучающего набора данных, содержащего несколько пар переменных и зависимых функций. Хотя то, как глубокое обучение и искусственный интеллект вместе с другими междисциплинарными областями, такими как интеллектуальный анализ данных, хранилище данных, большие данные и многие другие, формируют будущее медицинской системы здравоохранения, смягчая распространенные проблемы, довольно велико, и невозможно включить все возможности в этой статье.
Итак, для простоты и лучшего понимания я упомянул и попытался кратко описать некоторые ключевые роли, которые играют эти технологии.
1. Улучшение навыков диагностики и лечения
Медицинская диагностика и, следовательно, последующее лечение и лечение являются предметом человеческой ошибки. Однако внедрение искусственного интеллекта во много раз уменьшило эту ошибку. Он исключает возможность человеческой ошибки, автоматизируя процесс диагностики, заставляя его пройти строгую автоматизацию и модель обнаружения ошибок.
2. Автоматизация медицинских инструментов и внедрение физических роботов.
Радиологические изображения, полученные с помощью аппаратов МРТ, компьютерной томографии и рентгеновских лучей, обеспечивают неинвазивную визуализацию внутренней работы человеческого тела. Но многие диагностические процессы по-прежнему основываются на образцах физических тканей, полученных с помощью биопсии, которые несут в себе риски, включая возможность инфицирования. По прогнозам экспертов, искусственный интеллект сделает возможным следующее поколение радиологических инструментов, которые будут достаточно точными и подробными, чтобы в некоторых случаях заменить необходимость в образцах тканей.
3. системы, основанные на правилах экспертов
«Экспертные системы предназначены для решения сложных проблем путем рассуждений на основе совокупности знаний, представленных в основном в виде правил« если-то », а не посредством обычного процедурного кода. Первые экспертные системы были созданы в 1970-х, а затем получили распространение в 1980-х. Они широко использовались в области «поддержки принятия клинических решений» в течение последних нескольких десятилетий и до сих пор широко используются. Эти системы требуют людей-экспертов и базы знаний, чтобы сформулировать серию правил в определенной области знаний. Хотя они обеспечивают решение различных проблем клинического поиска и принятия решений, у них также есть свои ограничения, поскольку набор правил, определенных для этой области, довольно велик, а динамический характер этой области знаний затрудняет отслеживание.
4.Генетические алгоритмы
Поскольку в результате исследований и диагностики генерируется огромное количество важных медицинских данных, возникает необходимость в надежной и всеобъемлющей модели, позволяющей вывести максимальные знания из этих данных. Ранее использовавшиеся классические статистические модели имели свои ограничения, когда дело доходило до вывода и анализа важных деталей. Эта проблема, кажется, исчезает с введением метаэвристики, которая использует процедуру более высокого уровня или эвристически разработанную модель для формулирования оптимального решения сложных задач анализа данных и принятия решений.
5.Прогнозирование пандемических, эпидемических и эндемических вспышек
Пророческий характер моделей прогнозирования на основе ИИ и Ml помогает подавить сохраняющийся страх перед вспышкой пандемий, таких как атипичная пневмония, лихорадка Эбола и т. Д. в скором будущем. Фармацевтическая компания Deargen из Южной Кореи недавно разработала предварительно обученную модель взаимодействия лекарств, основанную на глубоком обучении, под названием Molecular Transformer-Drug Target Interaction (MT-DTI), чтобы определить коммерчески доступные лекарства, которые могут действовать на вирусные белки 2019-nCoV. Антиретровирусный препарат атазанавир, который обычно используется для лечения и профилактики ВИЧ, показал потенциальную ингибирующую способность против 3C-подобной протеиназы 2019-nCOV. Такие компании, как BlueDot и Metabiota, используют ряд алгоритмов обработки естественного языка (NLP) для мониторинга новостных агентств и официальных отчетов о состоянии здоровья на разных языках по всему миру, отмечая, упоминают ли они высокоприоритетные заболевания, такие как коронавирус или другие. эндемичные, такие как ВИЧ или туберкулез. Их инструменты прогнозирования также могут использовать данные о путешествиях по воздуху для оценки риска того, что транзитные узлы могут увидеть прибывающих или отбывающих инфицированных людей.
6. Производство лекарств и открытие новых лекарств
За последние несколько лет различные исследования, проведенные несколькими организациями, занимающимися обеспечением соблюдения законов о наркотиках и обеспечением качества, такими как FDA, ISMP и ASHP, показали беспрецедентный спад в управлении цепочкой поставок, который отрицательно повлиял на модель спроса и предложения. Нехватка лекарств для пациентов может привести к неоптимальному уходу и альтернативному лечению и лекарствам, которые могут отрицательно повлиять на здоровье пациента.
В США быстро растет нехватка лекарств, что создает многочисленные трудности для клиницистов и здравоохранения. учреждения, пациенты и федеральные регулирующие органы. С тех пор каждый квартал наблюдается дефицит от 150 до 300 лекарств, что приводит к затратам на рабочую силу в размере 216 миллионов долларов и затратам на замену в размере 200 миллионов долларов. Чтобы преодолеть такие препятствия для процесса производства и распространения, автоматизация процессов с помощью ИИ, включая использование робототехники, может предоставить решение, осуществляя дополнительный контроль, поскольку человеческая ошибка устраняется как фактор, а интеллектуальные системы могут саморегулироваться в соответствии с конкретными критериями. Автоматизация также
повышает эффективность, тем самым сокращая эксплуатационные расходы и расходы на техническое обслуживание за счет выполнения повторяющихся задач.
7. Виртуальная помощь и чат-боты
Машинное обучение также используется для повышения эффективности систем здравоохранения, устранения необходимости в постоянной профессиональной и клинической поддержке и перехода к будущему, в котором виртуальный помощник станет лучшим вариантом. Чат-боты на основе искусственного интеллекта и виртуальные помощники на основе машинного обучения оказывают столь необходимую помощь пожилым, немощным или проживающим в отдаленных или сельских районах пациентам, не имеющим доступа к надлежащим медицинским учреждениям. Их можно подключить к виртуальным помощникам по здоровью, известным как интеллектуальные виртуальные помощники (IVA) или виртуальные медицинские помощники (MVA), чтобы получить наилучшее лечение, не выходя из дома.
Заключение
Такие технологии, как Al и ML, охватывают целую гамму алгоритмов, основанных на различных моделях поиска и байесовских или логических сетях на выбор. По моему личному мнению, машинное обучение без учителя - это ключ к сортировке и анализу большого количества данных с помощью наиболее подходящих алгоритмов кластеризации для случайно распределенных данных. Позволяя ИИ определять свои закономерности в шуме, вместо того, чтобы обучать его на заранее выбранных примерах, подчеркивает то, что вы, возможно, даже не думали искать.
«Когда вы делаете прогнозы, вам нужно новое поведение», - говорит генеральный директор Stratifyd Дерек Ван.
Ранее уже говорилось, что лучший инструмент машинного обучения в здравоохранении - это мозг врача. Медицина - это изначально человеческое предприятие, и элемент человеческого сочувствия и заботы является неотъемлемой частью нашей методологии здравоохранения, и это то, что ни один алгоритм не может воспроизвести или воспроизвести. Могут ли врачи рассматривать машинное обучение как нежелательное второе мнение? Точно так же могут быть врачи, которые могут скептически относиться к возможности того, что более активное вмешательство машинного обучения и других технологий в их области может стать началом процесса, который может сделать их устаревшими. Но это искусство медицины, которое невозможно заменить. Пациенты всегда будут нуждаться в человеческом контакте, а также в заботливом и сострадательном отношении к людям, оказывающим помощь. Ни машинное обучение, ни любые другие технологии будущего в медицине не устранят этого, а станут инструментами, которые врачи используют для улучшения текущей помощи.
