Teknologi modern membuat sistem komputer semakin "pintar". Secara khusus, pembelajaran mesin digunakan oleh Facebook, Google, Amazon - misalnya, untuk mengubah ucapan menjadi teks, mengenali wajah dan memberikan iklan yang dipersonalisasi. Teknologi yang sama membantu dokter dari berbagai spesialisasi. Di AS, pembelajaran mesin dan bentuk lemah AI direncanakan akan digunakan untuk memerangi bakteri berbahaya
Clostridium difficile . Wikipedia mengatakan bahwa bakteri adalah agen penyebab kolitis pseudomembran, penyakit usus infeksius yang serius yang dapat menyebabkan kematian seseorang dengan tubuh yang lemah.
Pasien rumah sakit hanya termasuk dalam kategori orang dengan tubuh yang lemah, yang hampir tidak mampu menangani virus dan bakteri patogen. Di AS saja, 453 ribu kasus kolitis dicatat per tahun, dengan 29.000 kasus yang menyebabkan kematian pasien. Bagaimanapun, data tersebut diberikan dalam
laporan untuk tahun 2015 . Metode medis yang biasa tidak membantu menghentikan infeksi - mencuci tangan, lantai, antiseptik, dll. tidak terlalu efektif.
Untuk alasan ini, dokter memutuskan untuk menggunakan metode lain yang berhubungan langsung dengan teknologi modern, yang telah dibahas di atas. Tim University of Michigan telah mengembangkan metode untuk memprediksi kemungkinan kolitis pada pasien yang berbeda. Untuk ini, data medis dari kartu seseorang digunakan. Sejauh ini, teknologinya baru diuji, tetapi sudah menunjukkan hasil yang sangat baik.
Beberapa minggu yang lalu, 374.000 penerimaan rumah sakit di rumah sakit Massachusetts
dianalisis menggunakan teknik yang dibuat oleh para ilmuwan komputer. Para ilmuwan ingin menemukan hubungan antara terjadinya penyakit dan faktor-faktor yang menyebabkan penyakit.
Selama analisis, mesin memeriksa sekitar 4000 berbagai faktor, termasuk penempatan tempat tidur pasien, kunjungannya ke dokter, penempatan tempat tidur pasien lain dan semua data lainnya. Biasanya, pasien rawat inap tidak di tempat yang sama, tetapi dipindahkan di sekitar rumah sakit. Dan jika di suatu tempat ada sumber infeksi, maka itu berhasil. Hal utama adalah mengidentifikasi sumber ini tepat waktu.
Contoh lain dari penggunaan algoritma mesin dalam kedokteran adalah analisis retina untuk mendeteksi retinopati diabetik. Retinopati adalah lesi pembuluh retina, yang menyebabkan pelanggaran suplai darah ke retina, degenerasinya, atrofi saraf optik dan kebutaan. Ini adalah penyakit umum bagi penderita diabetes, yang harus didiagnosis pada waktunya sehingga orang tidak kehilangan penglihatan sebagai akibat dari retinopati progresif. Ini cukup umum - pada tahun 2011
, sekitar 126 juta kasus
tercatat , pada tahun 2030 jumlah mereka dapat meningkat sebesar 51%.
Spesialis menciptakan jaringan saraf, yang dilatih pada contoh 128 ribu gambar mata pasien di India dan Amerika Serikat. Gambar yang sama ditunjukkan kepada dokter yang mendiagnosis retinopati pada berbagai tahap perkembangan sebelum mereka menjadi terbiasa dengan komputer. Kemudian semua data yang diterima diunduh ke komputer. Setelah jaringan saraf menjalani pelatihan, ia diperiksa pada set data yang berbeda, dan dalam hal ini hasilnya lebih tinggi daripada dokter.
Sekarang tim spesialis yang mengembangkan alat ini berencana untuk memperkenalkannya di India, di mana ada sejumlah besar pasien dengan diagnosis ini. Dan di Amerika Serikat atau negara lain, ini juga merupakan masalah. Teknologi ini sedang menjalani uji klinis di beberapa rumah sakit di India.
Tahun lalu, regulator AS menyetujui pengenalan peralatan khusus untuk menganalisis gambar resonansi magnetik di rumah sakit. Perangkat menganalisis gambar hanya dalam 30 detik, sementara dokter menghabiskan sekitar 45 menit untuk pekerjaan yang sama. "Ini adalah otomatisasi proses rutin yang memakan banyak waktu spesialis dalam situasi normal," kata Karla Leibovitz, juru bicara Arterys yang mengembangkan sistem ini.
Secara umum, pembelajaran mesin dan AI menjadi lebih luas dalam kedokteran. Pada dasarnya, kita berbicara tentang otomatisasi dari setiap proses rutin yang penting untuk diagnosis penyakit, tetapi yang membutuhkan banyak waktu untuk dokter. Dan semakin banyak waktu yang dihabiskan dokter untuk pekerjaan seperti itu, semakin dia lelah. Hasilnya, gambar x-ray yang sama dianalisis oleh seseorang dengan perhatian yang jauh lebih sedikit setelah bekerja selama beberapa jam dibandingkan pada awal pekerjaan. Dengan demikian, akurasi diagnosis juga menurun.