9 лучших примеров использования технологии искусственного интеллекта в здравоохранении

Технологии искусственного интеллекта (artificial intelligence, AI) помогают преобразовать здравоохранение, и их использование становится реальностью во многих областях и специальностях медицины. AI, машинное обучение (machine learning, ML), обработка естественного языка и глубокое обучение (deep learning, DL) позволяют медикам быстрее и точнее определять потребности и решения в области здравоохранения, используя шаблоны данных для быстрого принятия обоснованных медицинских или бизнес-решений.

AI способен анализировать большие объемы данных, хранящихся в медицинских организациях в виде изображений, клинических исследований и медицинских документов, и может выявлять закономерности и идеи, которые зачастую невозможно обнаружить с помощью традиционных человеческих навыков.

Алгоритмы AI "учат" выявлять и обозначать закономерности данных, а программное обеспечение обработки естественного языка позволяет этим алгоритмам выделять релевантные данные. С помощью алгоритмов глубокого обучения данные анализируются и интерпретируются. Влияние этих инструментов уже огромно, и, согласно анализу Frost & Sullivan, объем рынка решений на основе искусственного интеллекта и систем когнитивных вычислений в здравоохранении в этом году достигнет $6,7 млрд по сравнению с $811 млн в 2015 году.

В этом обзоре мы хотим представить 9 лучших примеров использования технологии искусственного интеллекта в здравоохранении.

1. Системы на базе AI поддерживают анализ медицинских изображений

AI помогает врачу просматривать изображения и сканы. Это позволяет радиологам или кардиологам выявить важные моменты для определения приоритетности критических случаев, избежать возможных ошибок при чтении электронных медицинских карт и определить более точный диагноз.

В результате клинического исследования может быть получено огромное количество данных и изображений, которые необходимо проверить. Алгоритмы AI могут анализировать эти наборы данных с высокой скоростью и сравнивать их с другими исследованиями, чтобы выявить закономерности и незаметные взаимосвязи. Этот процесс позволяет специалистам по медицинской визуализации быстро отслеживать важную информацию.

Например, решение Patient Synopsis компании IBM анализирует записи в электронных медицинских картах и идентифицирует информацию о пациенте, относящуюся к процедуре визуализации, проводимой этому пациенту. Patient Synopsis изучает результаты прошлых диагностических и медицинских процедур, результаты лабораторных исследований, историю болезни и имеющиеся аллергии и предоставляет радиологам и кардиологам резюме, которое фокусируется на контексте этих изображений. Продукт может быть интегрирован в любую системную структуру медицинского подразделения, доступен с любой коммуникационной рабочей станции или устройства в сети и обновляется без ущерба для повседневной деятельности медицинского подразделения.

Выявление соответствующих вопросов и представление их радиологам в виде удобной сводки позволяет разрабатывать более индивидуализированные, целенаправленные и точные отчеты, используемые в процессе принятия диагностических решений.

2. Искусственный интеллект снижает затраты на разработку лекарств

Системы на базе искусственного интеллекта использовались для предсказания на основе баз данных молекулярных структур, какие потенциальные лекарства будут или не будут эффективны при различных заболеваниях. Технология, используя сверточные нейронные сети AtomNet, смогла предсказать связывание малых молекул с белками, анализируя подсказки из миллионов экспериментальных измерений и тысяч белковых структур. Этот процесс позволил конволюционным нейронным сетям определить безопасного и эффективного кандидата в лекарственные препараты из искомой базы данных, что предоставило возможность снизить затраты на разработку лекарств.

Еще в 2015 году, во время вспышки вируса Эбола в Западной Африке, компания Atomwise в сотрудничестве с IBM и университетом Торонто провела отбор лучших соединений, способных связываться с гликопротеином, который препятствовал проникновению вируса Эбола в клетки в тесте in vivo (в живом организме животного или растения). Из протестированных соединений было выбрано одно, поскольку оно действовало на другие вирусы с аналогичным механизмом проникновения в клетки. Этот AI-анализ был проведен менее чем за сутки - процесс, который обычно занимал бы месяцы или годы, - что позволило разработать метод лечения вируса Эбола.

3. AI анализирует неструктурированные данные

Из-за огромного количества медицинских данных врачам часто трудно оставаться в курсе последних достижений медицины и одновременно обеспечивать качественное обслуживание пациентов. Электронные медицинские карты и биомедицинские данные могут быть быстро просканированы программами на базе технологии машинного обучения для предоставления врачам быстрых и надежных ответов.

Во многих случаях медицинские данные и истории болезни пациентов хранятся в виде сложных неструктурированных данных, что затрудняет их интерпретацию и доступ к ним. AI может искать, собирать, хранить и стандартизировать медицинские данные независимо от их формата, помогая выполнять повторяющиеся задачи и обеспечивая врачей быстрыми, точными, индивидуальными планами лечения и лекарствами для их пациентов, вместо того чтобы быть погребенными под тяжестью поиска, идентификации, сбора и расшифровки нужных им решений из электронных медицинских карт.

4. AI создает сложные и интегрированные платформы для открытия новых лекарств

Алгоритмы искусственного интеллекта способны выявлять новые лекарственные средства, отслеживая их токсический потенциал, а также механизмы действия. Эта технология привела к созданию платформы для обнаружения лекарств, которая позволяет перепрофилировать существующие лекарства и биологически активные соединения.

Объединив лучшие элементы биологии, науки о данных и химии с автоматизацией и последними достижениями в сфере AI, компания Recursion с помощью этой платформы способна еженедельно генерировать около 80 терабайт биологических данных, которые обрабатываются AI-инструментами в ходе 1,5 миллиона экспериментов.

Инструменты искусственного интеллекта созданы для извлечения идей из биологических наборов данных, которые слишком сложны для интерпретации человеком, снижая риск человеческой предвзятости. Выявление новых применений для известных лекарств является привлекательной стратегией для крупных фармацевтических компаний, поскольку перепрофилирование и новое позиционирование существующих препаратов обходится дешевле, чем их создание с нуля.

5. AI может прогнозировать заболевание почек

Острое повреждение почек трудно выявить своевременно, а при этом состояние пациентов может быстро ухудшиться и стать опасным для жизни. Поскольку, по оценкам, 11% смертей в больницах происходят из-за неспособности выявить это заболевание и вылечить пациентов, раннее прогнозирование и лечение таких случаев может иметь огромное значение для сокращения продолжительности лечения.

В 2019 году компания DeepMind Health создала инструмент искусственного интеллекта, который способен предсказать острое повреждение почек за 48 часов до кризиса. Система искусственного интеллекта смогла выявить более 90% случаев этого заболевания на 48 часов раньше, чем при использовании традиционных методов лечения.

Следующая цель компании - определить, как эта система может быть внедрена в медицинских организациях. Также планируется создать удобную платформу для поддержки врачей в принятии решений о лечении.

6. AI для помощи персоналу "Скорой помощи"

При внезапном сердечном приступе время между звонком в службу "Скорой помощи" и прибытием машины имеет решающее значение для выздоровления. Для повышения шансов на выживание диспетчеры скорой помощи должны уметь распознавать симптомы инфаркта, чтобы принять соответствующие меры. AI может анализировать как вербальные, так и невербальные подсказки, чтобы установить диагноз на расстоянии.

Система Corti, анализируя голос звонящего, фоновый шум и соответствующие данные из истории болезни пациента, предупреждает персонал "Скорой помощи", если обнаруживает сердечный приступ. Как и другие технологии на базе машинного обучения, Corti не ищет конкретные сигналы, а обучается, прослушивая множество звонков, чтобы обнаружить решающие факторы.

Сегодня технология, которой оснащен Corti, позволяет обнаружить разницу между фоновым шумом, например сиренами, и подсказками звонящего или звуками пациента на заднем плане.

В Копенгагене диспетчеры скорой помощи способны определить инфаркт на основе описания, предоставленного звонящим, примерно в 73% случаев. Но AI может добиться большего. Небольшое исследование, проведенное в 2019 году, показало, что ML-модели способны распознавать звонки, связанные с инфарктом, лучше, чем диспетчеры-люди, используя программное обеспечение для распознавания речи и алгоритмы машинного обучения.

7. AI вносит вклад в исследования и лечение рака, особенно в лучевую терапию

Чтобы помочь врачам принимать обоснованные решения относительно лучевой терапии для онкологических больных, компания Oncora Medical разработала платформу, которая собирает соответствующие медицинские данные пациентов, оценивает качество оказанной помощи, оптимизирует лечение и предоставляет подробные результаты онкологических исследований, данные и изображения.

Автоматическая генерация клинических заметок, интеграция с системой электронных медицинских карт, привели к сокращению времени, затрачиваемого врачами на ведение документации пациентов, что улучшает медицинскую деятельность и результаты лечения.

8. AI использует собранные данные для предиктивной аналитики

Превращение системы электронных медицинских карт в прогностический инструмент, управляемый AI, позволяет врачам быть более эффективными в своих рабочих процессах, медицинских решениях и планах лечения. Такие технологии в режиме реального времени могут прочитать всю историю болезни пациента, связать ее с симптомами, хроническими заболеваниями или болезнью, которая поразила других членов семьи. Они могут превратить полученный результат в инструмент предиктивной аналитики, способный выявить и вылечить болезнь до того, как она станет опасной для жизни.

По сути, хронические заболевания можно прогнозировать и отслеживать скорость их прогрессирования. Система компании CloudMedX расшифровывает неструктурированные данные, хранящиеся в различном виде (заметки врача, выписки, диагнозы, записи о госпитализации и т.д.).

Эти заметки используются наряду с электронными медицинскими картами как источник клинических данных для врачей, что позволяет принимать решения на основе данных для улучшения результатов лечения пациентов. Решения CloudMedX уже применяются при ряде заболеваний высокого риска, таких как почечная недостаточность, пневмония, застойная сердечная недостаточность, гипертония, рак печени, диабет, ортопедическая хирургия и инсульт.

9. AI ускоряет развитие генетической медицины

Генетическим заболеваниям благоприятствуют измененные молекулярные фенотипы, например связывание белков. Прогнозирование этих изменений означает прогнозирование вероятности возникновения генетических заболеваний. Это возможно благодаря сбору данных обо всех выявленных соединениях и о биомаркерах, имеющих отношение к определенным клиническим испытаниям.

Эти данные обрабатываются, например, системой искусственного интеллекта Deep Genomics. Компания использует AI для открытия новых методов исправления последствий генетических мутаций, разрабатывая при этом индивидуальную терапию для людей, страдающих редкими и сложными заболеваниями.

Специалисты компании работают над "Проектом Сатурн", AI-системой на основе молекулярной биологии, которая оценивает более 69 млрд олигонуклеотидных молекул in silico (проведенных или созданных с помощью компьютерного моделирования или компьютерной симуляции) против 1 миллиона целевых участков для мониторинга клеточной биологии с целью раскрытия большего потенциала лечения и терапии.

Внедрение технологий искусственного интеллекта в здравоохранении по-прежнему сопряжено с трудностями, такими как недоверие к результатам и необходимость соблюдения особых требований. Однако использование AI в здравоохранении уже принесло множество преимуществ заинтересованным сторонам.

Улучшая рабочие процессы и операции, помогая медицинскому персоналу выполнять повторяющиеся задачи, помогая пользователям быстрее находить ответы на вопросы и разрабатывая инновационные методы лечения и терапии, такие системы могут принести большую пользу в здравоохранении.

По материалам MobiHealth News, Medgadget.com, Venture Beat.