Здравоохранение является важной отраслью, которая предлагает экономически обоснованную помощь миллионам людей, и в то же время становится основным источником дохода для многих стран. Сегодня индустрия здравоохранения только в США приносит доход в размере 1,668 трлн долларов. США также тратят больше средств на здравоохранение на душу населения по сравнению с большинством других развитых или развивающихся стран. Качество, ценность и результат — три модных слова, которые всегда сопровождают здравоохранение и обещают многое, и сегодня специалисты в области здравоохранения и заинтересованные стороны во всем мире ищут инновационные способы выполнить это обещание. Интеллектуальное здравоохранение, основанное на технологиях, больше не является полетом фантазии, поскольку медицинские устройства, подключенные к Интернету, удерживают систему здравоохранения, какой мы ее знаем, от развала под бременем населения.

Играя решающую роль в уходе за пациентами, выставлении счетов и медицинских записях, сегодня технологии позволяют специалистам в области здравоохранения разрабатывать альтернативные модели укомплектования персоналом, капитализировать IP, обеспечивать интеллектуальную медицинскую помощь и сокращать административные расходы и расходы на поставку. Машинное обучение в здравоохранении — одна из таких областей, которая постепенно получает признание в отрасли здравоохранения. Компания Google недавно разработала алгоритм машинного обучения для выявления раковых опухолей на маммограммах, а исследователи из Стэнфордского университета используют глубокое обучение для выявления рака кожи. Машинное обучение (МО) уже помогает в различных ситуациях в здравоохранении. Машинное обучение в здравоохранении помогает анализировать тысячи различных точек данных и предлагать результаты, своевременно оценивать риски, точно распределять ресурсы и имеет множество других применений. В этой статье мы обсудим некоторые из лучших приложений машинного обучения в здравоохранении и то, как они могут изменить то, как мы визуализируем отрасль здравоохранения в 2018 году и далее.

10 лучших приложений машинного обучения в фармацевтике и медицине

Растущее число приложений машинного обучения в здравоохранении позволяет нам заглянуть в будущее, где данные, анализ и инновации работают рука об руку, чтобы помочь бесчисленному количеству пациентов, даже если они этого не осознают. Вскоре приложения на основе машинного обучения, встроенные в данные о пациентах в режиме реального времени, будут доступны из разных систем здравоохранения в разных странах, что повысит эффективность новых вариантов лечения, которые раньше были недоступны.

Вот 10 лучших приложений машинного обучения в здравоохранении.

1. Выявление болезней и диагностика
Одним из основных применений машинного обучения в здравоохранении является выявление и диагностика болезней и недомоганий, которые в противном случае считаются трудно диагностируемыми. Это может включать в себя что угодно, от рака, который трудно заразить на начальных стадиях, до других генетических заболеваний. IBM Watson Genomics — яркий пример того, как интеграция когнитивных вычислений с секвенированием опухолей на основе генома может помочь в быстрой постановке диагноза. Берг, биофармацевтический гигант, использует искусственный интеллект для разработки терапевтических методов лечения в таких областях, как онкология. P1vital PReDicT (Прогнозирование реакции на лечение депрессии) направлен на разработку коммерчески осуществимого способа диагностики и лечения в обычных клинических условиях.

2. Открытие и производство лекарств
Одно из основных клинических применений машинного обучения заключается в процессе разработки лекарств на ранних стадиях. Это также включает технологии НИОКР, такие как секвенирование нового поколения и прецизионная медицина, которые могут помочь в поиске альтернативных путей лечения многофакторных заболеваний. В настоящее время методы машинного обучения включают обучение без учителя, которое может выявлять закономерности в данных без предоставления каких-либо прогнозов. Проект Hanover, разработанный Microsoft, использует технологии на основе машинного обучения для нескольких инициатив, включая разработку технологии на основе искусственного интеллекта для лечения рака и персонализацию комбинации препаратов для лечения острого миелоидного лейкоза.

3. Медицинская визуальная диагностика
Машинное обучение и глубокое обучение ответственны за революционную технологию под названием Computer Vision. Это нашло признание в инициативе InnerEye, разработанной Microsoft, которая работает над инструментами диагностики изображений для анализа изображений. По мере того, как машинное обучение становится все более доступным и расширяется его объяснительная способность, ожидайте увидеть больше источников данных из различных медицинских изображений, которые станут частью этого диагностического процесса, управляемого ИИ.

4. Персонализированная медицина
Персонализированное лечение может быть не только более эффективным за счет сочетания индивидуального здоровья с прогностической аналитикой, но и созрело для дальнейших исследований и более качественной оценки заболеваний. В настоящее время врачи ограничены выбором из определенного набора диагнозов или оценкой риска для пациента на основе его симптоматического анамнеза и доступной генетической информации. Но машинное обучение в медицине делает большие успехи, и IBM Watson Oncology находится в авангарде этого движения, используя истории болезни пациентов, чтобы помочь создать несколько вариантов лечения. В ближайшие годы мы увидим, как на рынке появится больше устройств и биосенсоров со сложными возможностями измерения состояния здоровья, что позволит получить доступ к большему количеству данных для таких передовых технологий здравоохранения, основанных на машинном обучении.

5. Модификация поведения на основе машинного обучения
Модификация поведения является важной частью профилактической медицины, и с момента распространения машинного обучения в здравоохранении появляется бесчисленное количество стартапов в области профилактики и выявления рака, лечения пациентов. лечение и т. д. Somatix — это компания по анализу данных на основе B2B2C, которая выпустила приложение на основе машинного обучения для распознавания жестов, которые мы делаем в нашей повседневной жизни, что позволяет нам понять наше бессознательное поведение и внести необходимые изменения.

6. Интеллектуальные медицинские записи
Поддержание актуальных медицинских записей — это изнурительный процесс, и хотя технологии сыграли свою роль в упрощении процесса ввода данных, правда в том, что даже сейчас большинство процессов потребуется много времени для завершения. Основная роль машинного обучения в здравоохранении заключается в упрощении процессов для экономии времени, усилий и денег. Методы классификации документов с использованием векторных машин и методов распознавания на основе ML постепенно набирают обороты, такие как Google Cloud Vision API и технология распознавания рукописного ввода на основе машинного обучения MATLAB. Сегодня Массачусетский технологический институт находится на переднем крае разработки интеллектуальных медицинских карт следующего поколения, которые будут включать сборы на основе машинного обучения с нуля, чтобы помочь с диагностикой, рекомендациями по клиническому лечению и т. д.

7. Клинические испытания и исследования
Машинное обучение имеет несколько потенциальных применений в области клинических испытаний и исследований. Как скажет вам любой работник фармацевтической отрасли, клинические испытания требуют много времени и денег, и во многих случаях на их завершение могут уйти годы. Применение прогностической аналитики на основе машинного обучения для выявления потенциальных кандидатов на клинические испытания может помочь исследователям собрать пул из самых разных точек данных, таких как предыдущие визиты к врачу, социальные сети и т. д. Машинное обучение также нашло применение для обеспечения мониторинга в реальном времени и доступ к данным участников испытания, поиск наилучшего размера выборки для тестирования и использование возможностей электронных записей для уменьшения ошибок, связанных с данными.

8. Краудсорсинговый сбор данных
Краудсорсинг сейчас в моде в области медицины, позволяя исследователям и практикующим врачам получать доступ к огромному количеству информации, загруженной людьми на основе их собственного согласия. Эти живые данные о здоровье имеют большое значение для того, как медицина будет восприниматься в будущем. Apple ResearchKit позволяет пользователям получать доступ к интерактивным приложениям, которые применяют распознавание лиц на основе машинного обучения, чтобы попытаться лечить болезни Аспергера и Паркинсона. IBM недавно заключила партнерское соглашение с Medtronic для расшифровки, накопления и предоставления данных о диабете и инсулине в режиме реального времени на основе информации, полученной из краудсорсинга. Благодаря достижениям в области Интернета вещей отрасль здравоохранения все еще находит новые способы использования этих данных и решения сложных для диагностики случаев, а также помогает в общем улучшении диагностики и лечения.

9. Улучшенная лучевая терапия
Одним из наиболее востребованных приложений машинного обучения в здравоохранении является радиология. Анализ медицинских изображений имеет множество дискретных переменных, которые могут возникать в любой конкретный момент времени. Существует множество поражений, очагов рака и т. д., которые невозможно просто смоделировать с помощью сложных уравнений. Поскольку алгоритмы на основе машинного обучения учатся на множестве различных имеющихся в наличии образцов, становится легче диагностировать и находить переменные. Одним из самых популярных применений машинного обучения в анализе медицинских изображений является классификация таких объектов, как поражения, по категориям, таким как нормальные или аномальные, повреждения или отсутствие поражений и т. д. Google DeepMind Health активно помогает исследователям UCLH разрабатывать алгоритмы, которые могут обнаружить разницу между здоровой и раковой тканью и улучшить лучевую терапию.

10. Прогнозирование вспышек
Технологии искусственного интеллекта и машинного обучения сегодня также используются для мониторинга и прогнозирования эпидемий по всему миру. Сегодня у ученых есть доступ к большому количеству данных, собранных со спутников, обновлениям в социальных сетях в режиме реального времени, информации с веб-сайтов и т. д. Искусственные нейронные сети помогают сопоставлять эту информацию и прогнозировать все, от вспышек малярии до тяжелых хронических инфекционных заболеваний. Прогнозирование этих вспышек особенно полезно в странах третьего мира, поскольку в них отсутствует важнейшая медицинская инфраструктура и системы образования. Основным примером этого является ProMED-mail, интернет-платформа для отчетности, которая отслеживает развитие болезней и новые болезни и предоставляет отчеты о вспышках в режиме реального времени.