Искусственные самообучающиеся нейронные сети, на которых в основном основано машинное обучение, могут помочь использовать огромные и быстро расширяющиеся пулы данных, которыми в изобилии располагает индустрия здравоохранения. Рекордные 2,5 миллиарда долларов были инвестированы во всем мире в искусственный интеллект в здравоохранении в первом квартале 2021 года. И это неудивительно, учитывая экспоненциальный рост числа прибыльных фирм, использующих машинный интеллект для внедрения медицинских инноваций.

Почему медицинские организации пытаются внедрить машинное обучение? Во многих аспектах здравоохранения технология машинного обучения может стать действительно революционной. Например, Лаборатория компьютерных наук и искусственного интеллекта Массачусетского технологического института разработала новую модель прогнозирования, основанную на глубоком обучении. Модель может предсказывать возникновение рака молочной железы на пять лет вперед. Их система машинного обучения, которая была обучена на маммограммах и данных последующего наблюдения за пациентами, обнаруживает закономерности, которые не видны и даже не воспринимаются врачами-людьми.

Но это лишь одно из ряда полезных эффектов, которые машинное обучение в системе здравоохранения может оказать на клиническую практику. Есть много других. Итак, давайте рассмотрим их поближе.

Приложения машинного обучения в здравоохранении

Благодаря своей способности снижать субъективность и непредсказуемость клинической диагностики, машинное обучение может значительно улучшить систему здравоохранения. Он уже показал обнадеживающие результаты в помощи врачам в диагностике патологий, опухолей, редких заболеваний и рака. В некоторых задачах системы на основе ML могут даже лучше, чем люди.

Вот 10 лучших применений машинного обучения в здравоохранении, которые могут оказать значительное положительное влияние как на пациентов, так и на медицинских работников.

Идентификация диагноза

Треть всех медицинских организаций полностью или преимущественно ориентирована на диагностику. Машинное обучение может помочь врачам правильно выявлять заболевания и повышать качество терапии, поскольку оно позволяет быстро анализировать данные десятков тысяч бывших пациентов. Кроме того, чтобы помочь клиницистам поставить точный диагноз и обеспечить лучшее лечение, ML также может оценивать дополнительные данные о состоянии пациента, такие как их предыдущие компьютерные томограммы, тесты и скрининги или хронические заболевания их родственников.

Эко — известная иллюстрация применения машинного обучения в области медицины. Он превосходит врачей-людей в выявлении проблем с сердцем благодаря запатентованным датчикам и алгоритмам машинного обучения. По сравнению с точностью врачей-практиков от 70 до 80 процентов, Эко продемонстрировал 99-процентную точность в обнаружении мерцательной аритмии.

Анализ медицинских изображений

В прошлом радиологи тратили много времени на тщательное изучение снимков КТ, чтобы выявить аномалии, такие как раковые опухоли или развивающиеся эмболы. Однако глубокое обучение, более сложное подмножество машинного обучения, может изменить это.

Позволяя сравнивать КТ-сканы с сотнями тысяч других подобных случаев в базе данных и быстро выявляя клетки, повреждающие организм (например, раковые клетки), глубокое обучение в здравоохранении продвигает анализ медицинских изображений. При обнаружении аномалий он может уведомить врача и потенциально выделить потенциальные диагнозы, экономя время врачей в процессе проверки.

Например, облачный инструмент медицинской визуализации под названием Arterys использует алгоритмы машинного обучения для построения и сравнения изображений кровотока. Эта платформа позволяет сократить время анализа сердца на 40 минут до шести минут.

Предсказание болезни

Применение машинного обучения для прогнозирования заболеваний в здравоохранении — один из самых ярких примеров. Используя данные о здоровье пациентов, машинное обучение может помочь выявить связи между отдельными симптомами пациента и предполагаемым заболеванием. Эти связи могут помочь в прогнозировании потенциальных последствий для здоровья до возникновения каких-либо проблем и дать врачам представление об основных закономерностях заболевания.

Профилактическая медицина, возможно, претерпела наибольшие изменения в результате способности прогнозировать диабет, заболевания печени и рак на ранней стадии развития. Отличным примером этого является IBM Watson Genomics, которая использует когнитивные вычисления и секвенирование опухолей на основе генома для ускорения точной диагностики рака.

Разработка и открытие лекарств

Глубокое обучение в медицине может создавать новые химические структуры и ускорять процесс открытия лекарств. Он использовался в сочетании с другими методами, основанными на машинном обучении, для оценки характеристик биологической активности, абсорбции, распределения, метаболизма и выделения (ADME) для выбора молекул с выгодными физико-химическими и биологическими характеристиками.

Программа druGAN является прекрасной иллюстрацией применения машинного обучения в здравоохранении. На основе заранее определенных качеств противоопухолевых препаратов она направлена ​​на создание новых молекулярных отпечатков пальцев и дизайнов лекарств, которые включают необходимые атрибуты. Он уже продемонстрировал заметный прогресс в создании новых лекарственных препаратов с особыми характеристиками.

Роботизированная хирургия

Еще слишком рано говорить о роботах, выполняющих все хирургические процедуры, но они могут очень помочь врачам, когда речь идет о манипулировании хирургическими инструментами и выполнении определенных работ. Автоматизация наложения швов, оценка хирургических способностей, совершенствование роботизированных хирургических материалов и моделирование их рабочего процесса — вот несколько примеров приложений, в которых машинное обучение оказалось полезным.

Например, автономный робот с интеллектуальными тканями (STAR) из Университета Джона Хопкинса уже доказал, что он может выполнять хирургические задачи, такие как наложение швов и завязывание узлов, лучше, чем хирурги-люди.

Взаимодействие с пациентами

Повышая вовлеченность пациентов, машинное обучение может улучшить терапевтический процесс, что приведет к улучшению результатов в отношении здоровья. При использовании в сочетании с Интернетом медицинских вещей машинное обучение (МО) может получать более точные данные о пациентах и ​​автоматизировать уведомления о сообщениях, которые подсказывают поведение пациентов в определенное время.

Носимые неинвазивные датчики, обеспечивающие простой непрерывный мониторинг уровня глюкозы у диабетиков, являются одним из примеров успешного применения. Когда пациенту необходимо принять еще одну дозу инсулина, интеграция с ML может помочь ему получить информацию. Повышая таким образом участие пациента, ОД неизбежно может улучшить весь терапевтический процесс.

Будущее машинного обучения в здравоохранении

Достижения, которые искусственный интеллект и машинное обучение привнесли в сектор здравоохранения, приветствуются. Рынок ИИ в здравоохранении оценивался в 6,7 млрд долларов в 2020 году, и ожидается, что с 2021 по 2028 год он вырастет в среднем на 41,8%.

Огромные объемы данных и большое количество стартапов в этой области — два важных фактора прогнозируемого роста. Ожидается, что рынок будет лидировать и расширяться за счет применения машинного обучения, в частности глубокого обучения, в медицинских приложениях для медицинской визуализации, выявления заболеваний и разработки лекарств.

Однако существуют проблемы с применением машинного обучения в медицинской сфере. Некоторые участники рынка считают, что это может привести к сокращению медперсонала. Правда, однако, с точностью до наоборот. Освобождая медицинских работников от рутинной, скучной деятельности, активное использование машинного обучения поможет снизить переутомление среди сокращающихся медицинских работников в странах Северной Америки.

Рекомендации

https://www.hhmglobal.com/wp-content/uploads/articles/23546/Healthcare_IT.jpg

https://www.jainuniversity.ac.in/uploads/blog/d2d407d925facd301ff8f03dc6f53b05.jpg