Медицина вступает в период бурного роста, отчасти благодаря быстрому развитию информационных технологий. В авангарде этих достижений находится искусственный интеллект. ИИ (который включает в себя машинное и глубокое обучение) — это отрасль информатики, связанная со способностью писать алгоритмы, которые заставляют машины понимать данные, учиться на них и принимать решения на основе шаблонов, скрытых в данных, или выводов, которые в противном случае могли бы человеку будет очень трудно сделать вручную. ИИ трансформирует множество аспектов здравоохранения: от диагностики и лечения до общения с пациентами и координации ухода. Пациенты, врачи, администраторы и операционный персонал получают преимущества от достижений ИИ в здравоохранении. ИИ меняет каждый элемент ландшафта здравоохранения. COVID-19 сделал науку о данных и искусственный интеллект для здравоохранения более заметными и важными. Они все больше полагаются на информационные технологии для оценки распространения COVID-19, а затем дают рекомендации по защите людей и лечению пациентов на основе передового опыта, полученного из массивов данных, собранных по всему миру. Для предоставления действенной информации для наблюдения за общественным здравоохранением и данных о ответных мерах было критически важным инструментом, например, с помощью секвенирования генома исследователи создают генеалогические деревья вируса COVID-19 для отслеживания перемещений и мутаций вируса.

Фармацевтические исследования и разработки

Фармацевтические компании тратят примерно 10 и более лет на то, чтобы вывести лекарство на рынок, часто по высокой цене. Только одно из каждых 10 000 химических соединений, первоначально протестированных на лекарственный потенциал, проходит через процесс исследований и разработок, а затем одобрено FDA для продажи в США. По оценкам McKinsey, большие данные и машинное обучение в фармацевтике и медицине могут приносить до 100 млрд долларов в год. Ценность заключается в использовании машинного обучения для более эффективного принятия решений, оптимизированных инноваций, повышения эффективности исследований/клинических испытаний и создания новых инструментов для врачей, потребителей, страховых компаний и регулирующих органов. Сегодня приложения ИИ в здравоохранении включают клинические испытания, открытие лекарств, прецизионную медицину, прогнозирование пандемий, забытые тропические болезни, диагностику заболеваний… и радиологию.

Клинические испытания

Предиктивная аналитика, тип машинного обучения, показывает большие перспективы в выявлении кандидатов на клинические испытания. Например, это может улучшить пул кандидатов, а также оптимальный размер выборки, генетическую информацию при поиске целевых групп населения; это приведет к оптимальным результатам клинических испытаний в целом. Машинное обучение также можно использовать для удаленного мониторинга и доступа к данным в режиме реального времени для критически важных испытуемых, что повышает их безопасность.

Обнаружение наркотиков

В разработке лекарств есть 4 основных этапа: Определение целей для вмешательства, Обнаружение кандидатов в лекарства, Проведение клинических испытаний, Обнаружение биомаркеров для диагностики заболеваний. Использование машинного обучения при поиске лекарств помогает автоматически определять хорошие целевые белки. , скрининг лекарственных соединений для прогнозирования успеха на основе биологических факторов и поиск подходящих кандидатов для клинических испытаний. Данные экспериментов или производственных процессов помогают производителям фармацевтической продукции сократить время, необходимое для производства лекарств, что приводит к снижению затрат и улучшению тиражирования.

Точная медицина, персонализированная медицина

Из трех миллиардов пар молекул ДНК, образующих геном человека, только 0,1% уникальны для каждого человека. ИИ помог в тщательном выборе коротких направляющих РНК (sgRNA) с наименее опасными побочными эффектами при применении коротких палиндромных повторов, регулярно расположенных кластерами (CRISPR — система редактирования генов). Одним из преимуществ этой технологии CRISPR является эволюция персонализированной медицины. Персонализированная медицина обеспечивает эффективную оценку заболеваний и лечение на основе индивидуальных данных о состоянии здоровья в сочетании с прогностической аналитикой. Обучение с учителем (SL) — это процесс, с помощью которого алгоритм обучается на помеченном наборе данных, предоставляя ключ ответа, который алгоритм затем может использовать для оценки своей точности на будущих наборах обучающих данных. В настоящее время SL используется для повышения точности в прецизионной медицине, что позволяет врачам исследовать симптомы и генетическую информацию. Более широкое использование микробиосенсоров и устройств, а также мобильных приложений предоставляет больше данных, которые помогают облегчить дальнейшие исследования и разработки и эффективность лечения для точной медицины.

Прогноз пандемии

Технологии машинного обучения и искусственного интеллекта помогают отслеживать и прогнозировать вспышки эпидемий по всему миру на основе данных, собранных со спутников, веб-данных, обновлений в социальных сетях в режиме реального времени и других источников. Точное прогнозирование вспышек имеет важное значение в развивающихся странах, которым часто не хватает медицинской инфраструктуры, доступа к лечению и возможности передавать важную информацию о заболеваниях своим гражданам. Ученые, работающие с данными, использовали машины опорных векторов и искусственные нейронные сети, используя такие данные, как температура, среднемесячное количество осадков и общее количество положительных случаев, чтобы точно предсказать вспышки лихорадки денге, чикунгунья и Зика. Такой ранний прогноз может привести к более организованному и своевременному реагированию.

Забытые тропические болезни

Забытые тропические болезни считаются невыгодными для лечения, потому что они, как правило, имеют низкий уровень заболеваемости и встречаются в развивающихся странах со слаборазвитой инфраструктурой здравоохранения. Фармацевтические компании, как правило, пренебрегают лекарствами, необходимыми для развивающихся стран, потому что размер прибыли невелик по сравнению с затратами на разработку. Наука о данных может оптимизировать конвейер клинических испытаний, что существенно снижает стоимость разработки, обеспечивая при этом оптимизированный и менее дорогой процесс производства лекарств от забытых тропических болезней, потенциально увеличивая размер прибыли на этом небольшом, но важном рынке.

Радиология

Машинное обучение можно применять, чтобы ускорить процесс сегментации изображения, гарантируя, что здоровые структуры не будут повреждены, и повысить точность планирования лучевой терапии. В настоящее время алгоритмы уже на грани того, чтобы превзойти радиологов в обнаружении злокачественных опухолей.

Роботизированная хирургия с искусственным интеллектом

Роботизированная техника с искусственным интеллектом может анализировать данные из предоперационных медицинских карт, чтобы физически управлять инструментом хирурга в режиме реального времени во время процедуры. Эта технология приводит к меньшему количеству осложнений и ошибок.

Диагностика заболеваний

Алгоритмы можно запрограммировать на непрерывное обучение, постоянно повышая свою точность и в конечном итоге превосходя базу знаний, изначально использовавшуюся для их программирования. Подобно результатам в радиологии, ИИ играет все более важную роль в диагностике рака легких и инсультов на основе компьютерной томографии и постоянно повышает точность своей диагностики. Имея огромные объемы данных, врачи лучше справляются с процессом принятия решений и могут обеспечить целостное понимание состояния здоровья пациента. Например. Выявление рака легких или инсульта на основе компьютерной томографии.

Сводка

ИИ для здравоохранения выигрывает от точных наборов больших данных и прозрачности алгоритмов. Управление данными имеет решающее значение при использовании медицинских данных из-за личного характера и защиты, предоставляемой защищенной медицинской информации (PHI) в соответствии с положениями Закона о переносимости и подотчетности медицинского страхования (HIPPA). Для улучшения науки о данных в здравоохранении необходимо установить стандарты оцифровки, качества и полноты данных, доступа к данным, управления рисками, безопасности и совместного использования, а также функциональной совместимости систем. Также важно стимулировать соблюдение стандартов. Потребность в более прозрачных алгоритмах необходима для соблюдения строгих правил разработки лекарств и обеспечения безопасности. Люди, принимающие решения, должны уметь видеть сквозь «черный ящик» и понимать причинно-следственные связи, лежащие в основе выводов машин. Привлечение специалистов в области обработки и обработки данных в фармацевтической отрасли и создание надежного набора навыков является серьезной необходимостью. Специалисты по обработке и анализу данных должны быть полностью интегрированы в фармацевтические отделы компании, чтобы обеспечить плавную интеграцию информационных технологий и фармакологии. Внедрение науки о данных в фармацевтических компаниях все еще находится в зачаточном состоянии и имеет огромный потенциал для значительного улучшения результатов в отношении здоровья, а также для получения финансовой прибыли.