Tugas yang tidak berhubungan langsung dengan perawatan pasien
Sistem kecerdasan buatan modern sudah membantu dokter merawat pasien. Sebagai contoh, perusahaan HeartFlow, menggunakan gambar CT, simulasi komputer aliran darah dan algoritma pembelajaran yang mendalam,
dapat membangun kartu 3D jantung. Hal ini memungkinkan dokter untuk mendiagnosis penyakit jantung secara lebih akurat dan cepat, mengurangi jumlah prosedur invasif yang diperlukan hingga 80%.
Namun, AI juga digunakan di area yang tidak berhubungan langsung dengan perawatan pasien, tetapi masih mempengaruhi kualitas perawatan medis. Hari ini, kami ingin membicarakan hal ini, sampai batas tertentu, tugas tambahan, tetapi masih penting.
"Dokter yang penuh perhatian akan datang ke tempat yang nyaman bagi Anda "Rute Rumah Sakit
Sistem kecerdasan buatan dan pembelajaran mesin dapat membantu tidak hanya dalam diagnosis. Sebagai contoh, pada akhir Mei, Klinik Bloomsbury University College London (UCLH) mengumumkan bahwa mereka akan
menggunakan sistem AI untuk mengidentifikasi pasien yang benar-benar membutuhkan perawatan darurat.
Ketika seorang pasien mengeluh sakit memasuki ruang gawat darurat, staf medis akan melakukan prosedur standar - mengambil darah untuk analisis, mengumpulkan anamnesis, dan, jika perlu, mengambil x-ray. Sebagaimana dicatat di klinik, dalam 80% kasus, pasien tidak mengalami masalah serius - mereka diberi resep obat dan dilepaskan ke rumah.
Sistem kecerdasan buatan akan memungkinkan Anda untuk dengan cepat mengidentifikasi 20% yang benar-benar membutuhkan perawatan darurat. CEO UCLH dalam sebuah wawancara dengan Guardian
mengatakan bahwa perangkat lunak akan menetapkan prioritas pasien, menilai bahaya dari gejala yang disuarakan olehnya. Misalnya, rasa sakit di perut dapat mengindikasikan radang usus buntu atau penyakit ginjal, sehingga orang tersebut akan "bergerak" ke arah kepala garis.
Algoritma pembelajaran mesin juga dapat membantu dengan pengaturan pasien dan dokter. Sebagai contoh, seorang peneliti dan ahli saraf di Rumah Sakit Nasional Neurologi dan Bedah Saraf di Inggris, Parashkev Nachev telah mengembangkan algoritma pembelajaran mesin yang menganalisis informasi tentang janji di klinik dan memperkirakan kemungkinan bahwa pasien akan melewatkan sesi MRI karena satu atau lain alasan. memindai. Sistemnya
memperhitungkan parameter seperti usia orang tersebut, alamatnya, dan jarak ke klinik, kondisi cuaca. Sejauh ini, para ilmuwan telah berhasil mencapai akurasi 85%. Ini membantu dengan cepat mendistribusikan kembali waktu perekaman.
Dan di UCLH yang sama, sistem kecerdasan buatan, yang dikembangkan oleh para ilmuwan dari Institut. Alan Turing,
akan memantau bagaimana dokter dan pasien "bergerak" di sekitar rumah sakit - tugas apa yang mereka lakukan, prosedur apa yang mereka jalani. Ini akan membantu mengidentifikasi potensi "kemacetan" dalam organisasi klinik - situasi atau tempat di mana antrian atau kekurangan peralatan berpotensi terjadi.
Cari pengetahuan baru
Praktek pengobatan yang diikuti oleh dokter cenderung menjadi usang. Metodologi baru, penelitian baru, dan obat-obatan muncul. Kembali pada tahun 2004, peneliti memeriksa isi 341 jurnal medis dan menemukan bahwa jumlah publikasi bulanan
melebihi 7 ribu .
Idealnya, dokter harus terus-menerus mempertahankan tingkat pengetahuan subjek, mengikuti praktik pengobatan modern - namun, hampir tidak mungkin untuk mempelajari seluruh tubuh publikasi yang secara teratur diterbitkan dalam jurnal subjek - bahkan jika itu adalah spesialis.
Teknologi kecerdasan buatan dalam kombinasi dengan mesin pencari
dapat membantu dalam situasi ini. Solusi serupa dikembangkan oleh para ilmuwan dari pusat penelitian Amerika
RAND , yang terlibat dalam analisis masalah strategis. Mereka mengajarkan sistem untuk mencari dalam volume besar informasi untuk kata kunci dan istilah yang berkaitan dengan subjek permintaan.
Selama tes, topik ini adalah data gout, kepadatan tulang yang rendah, dan osteoartritis lutut. Algoritma ini mampu mengurangi jumlah artikel yang relevan yang menarik bagi dokter dengan 67-83%. Menurut pengembang, sistem hanya melompati dua artikel yang akan dipilih oleh orang-orang, tetapi tidak ada satupun yang mengandung informasi penting. Keakuratan algoritma pembelajaran mesin adalah 96%.
Pengembangan obat
Pengalaman perusahaan farmasi
menunjukkan bahwa dari awal uji praklinis hingga persetujuan obat dan perawatan pasien, sekitar 12 tahun berlalu. Pada saat yang sama, hanya 0,1% "kandidat obat" masuk dalam uji klinis. Persetujuan diterima oleh 20% dari mereka.
Sistem kecerdasan buatan dapat membantu menyelesaikan situasi ini dan mempercepat pelepasan obat baru. Pembelajaran mesin dan sistem AI
digunakan pada tahap awal pengembangan obat.
Contohnya adalah solusi AtomWise San Francisco. Sistem mereka disebut AtomNet. Dia menggunakan metode pembelajaran yang mendalam untuk memprediksi bagaimana molekul akan berperilaku dan seberapa besar kemungkinan mereka membentuk koneksi yang diperlukan.
Selama pelatihan, pengembang AtomNet mengumpankan data sistem kecerdasan buatan pada hasil beberapa juta interaksi molekuler yang sudah diketahui. Berdasarkan interaksi ini,
sistem telah belajar untuk memprediksi interaksi yang belum terjadi. Perangkat lunak telah membantu
menciptakan obat untuk mengobati Ebola.
Sistem kecerdasan buatan dan pembelajaran mesin membantu dokter dan ilmuwan bekerja lebih efisien. Dokter dibebaskan dari tugas rutin, menjadi lebih mudah bagi para ilmuwan untuk melakukan penelitian, dan pasien menerima perawatan lebih cepat.
Saat ini, perkembangan di persimpangan AI dan kedokteran menjadi semakin populer. Misalnya, Google mulai memilih perusahaan yang terlibat dalam pembuatan sistem kecerdasan buatan "medis" untuk berpartisipasi dalam program akselerator startup Launchpad Studio. Pada akhir tahun lalu, empat perusahaan
bergabung dalam proyek ini sekaligus.
Di DOC + kami juga terlibat dalam pengembangan di bidang ini: kami mengembangkan
sistem NLP kami sendiri yang dapat memproses teks pada topik medis. Ini digunakan di
chatbot kami - membantu mengumpulkan anamnesis, tahu cara mengisolasi gejala penyakit dari keluhan pasien dan dalam bentuk terstruktur meneruskannya ke dokter.
Ngomong-ngomong, selain blog di Habré, kami memiliki majalah tematik " Just Ask " - di dalamnya kami berbicara tentang kedokteran dan kesehatan modern: