12 módja annak, hogy az AI befolyásolja az egészségügyi ipart

A mesterséges intelligencia várhatóan átalakító erővé válik az egészségügy területén. Tehát hogyan részesülnek az orvosok és a betegek az AI által vezérelt eszközök hatásaiból?
A mai egészségügyi iparág nagyon érett, és jelentős változtatásokat hajthat végre. A krónikus betegségektől és a ráktól a radiológiáig és a kockázatértékelésig úgy tűnik, hogy az egészségügyi ipar számtalan lehetőséget kínál a technológia alkalmazására, hogy pontosabb, hatékonyabb és eredményesebb beavatkozásokat alkalmazzon a betegellátásban.
A technológia fejlődésével a betegek egyre magasabb követelményeket támasztanak az orvosokkal szemben, és a rendelkezésre álló adatok száma továbbra is riasztó ütemben nő. A mesterséges intelligencia motorja lesz az orvosi ellátás folyamatos fejlesztésének.
A hagyományos elemzéshez és a klinikai döntéshozatali technológiához képest a mesterséges intelligencia számos előnnyel jár. Amikor a tanulási algoritmus kölcsönhatásba lép a képzési adatokkal, pontosabbá válhat, lehetővé téve az orvosok számára, hogy soha nem látott betekintést nyerjenek a diagnózisba, az ápolási folyamatba, a kezelés változékonyságába és a betegek kimenetelébe.
A Partners Healthcare által rendezett 2018 -as World World Mesterséges Intelligencia Orvosi Innovációs Fórumon (wmif) orvoskutatók és klinikai szakértők az orvosi ipar azon technológiáit és területeit dolgozták fel, amelyek a legnagyobb valószínűséggel jelentős hatást gyakorolnak a mesterséges intelligencia alkalmazására a következő évben évtized.
Anne kiblanksi, a wmif igazgatója, 2018 -ban és Gregg Meyer, a Partners Healthcare tudományos főmunkatársa azt mondta, hogy ez a fajta „felforgatás” minden iparágban jelentős előnyökkel járhat a betegek számára, és széles körű. üzleti siker lehetősége.
Az egészségügyi partnerek szakértőinek segítségével, köztük Dr. Keith Dreyer, a Harvard Medical School (HMS) professzora, a partnerek adattudományi tisztviselője és Dr. Katherine andreole, a Massachusetts General Hospital (MGH) kutatási stratégia és műveletek igazgatója , 12 módszert javasolt, amelyekkel az AI forradalmasíthatja az orvosi szolgáltatásokat és a tudományt.
1. Egységesítse a gondolkodást és a gépet az agy számítógépes felületén keresztül

A számítógép használata a kommunikációban nem új ötlet, de közvetlen interfész létrehozása a technológia és az emberi gondolkodás között billentyűzet, egér és kijelző nélkül egy olyan felderítő kutatási terület, amely néhány beteg számára fontos alkalmazást jelent.
Az idegrendszeri betegségek és traumák miatt egyes betegek elveszíthetik az értelmes beszélgetés, mozgás és másokkal és környezetükkel való interakció képességét. A mesterséges intelligencia által támogatott agyi számítógépes interfész (BCI) helyreállíthatja azokat az alapvető élményeket a betegek számára, akik aggódnak amiatt, hogy végleg elveszítik ezeket a funkciókat.
"Ha látok egy beteget az ideggyógyászati ​​intenzív osztályon, aki hirtelen elveszíti cselekvő vagy beszélő képességét, remélem, hogy másnap helyreállítja a kommunikációs képességét" - mondta Leigh Hochberg, a neurotechnológiai és neurorehabilitációs központ igazgatója. Massachusetts General Hospital (MGH). Az agyi számítógépes interfész (BCI) és a mesterséges intelligencia használatával aktiválhatjuk a kézmozgáshoz kapcsolódó idegeket, és képesnek kell lennünk arra, hogy a beteget legalább ötször kommunikáljuk másokkal az egész tevékenység során, például mindenütt jelen lévő kommunikációs technológiák használatával. tabletként vagy mobiltelefonként. "
Az agy számítógépes kezelőfelülete nagymértékben javíthatja az amiotrófiás laterális szklerózisban (ALS), stroke -ban vagy atresia -szindrómában szenvedő betegek, valamint évente 500 000 gerincvelő -sérült beteg életminőségét.
2. Fejlessze ki a sugárzási eszközök következő generációját

A mágneses rezonancia képalkotással (MRI), a CT-szkennerekkel és a röntgensugarakkal kapott sugárzási képek nem invazív láthatóságot biztosítanak az emberi test belsejébe. Sok diagnosztikai eljárás azonban továbbra is biopsziával nyert fizikai szövetmintákra támaszkodik, ami megfertőzi a kockázatot.
A szakértők azt jósolják, hogy egyes esetekben a mesterséges intelligencia lehetővé teszi, hogy a Radiológiai eszközök következő generációja elég pontos és részletes legyen, hogy pótolja az élő szövetminták iránti keresletet.
Alexandra Golby, a Brigham Női Kórház (BWh) képvezérelt idegsebészeti igazgatója elmondta: "szeretnénk összehozni a diagnosztikai képalkotó csapatot sebészekkel vagy intervenciós radiológusokkal és patológusokkal, de hatalmas kihívás a különböző csapatok számára az együttműködés megvalósítása és a célok következetességét. Ha azt akarjuk, hogy a radiológia a szövetmintákból jelenleg rendelkezésre álló információkat nyújtsa, akkor nagyon szoros szabványokat kell tudnunk elérni ahhoz, hogy megismerjük az adott pixel alapvető tényeit. "
Ennek a folyamatnak a sikere lehetővé teheti az orvosok számára, hogy pontosabban megértsék a tumor teljesítőképességét, ahelyett, hogy a rosszindulatú daganat tulajdonságainak kis része alapján hoznának kezelési döntéseket.
Az AI a rák invazivitását is jobban meg tudja határozni, és megfelelőbben határozza meg a kezelés célját. Ezenkívül a mesterséges intelligencia segít a "virtuális biopszia" megvalósításában és az innováció előmozdításában a radiológia területén, amely elkötelezett amellett, hogy képalapú algoritmusokat használjon a tumorok fenotípusos és genetikai jellemzőinek jellemzésére.
3. Bővítse az orvosi szolgáltatásokat az alulszolgáltatott vagy fejlődő területeken

A képzett egészségügyi szolgáltatók hiánya a fejlődő országokban, beleértve az ultrahangos technikusokat és a radiológusokat, nagymértékben csökkenti annak esélyét, hogy orvosi szolgáltatásokat vegyen igénybe a betegek életének megmentésére.
A találkozó rámutatott, hogy több radiológus dolgozik hat bostoni kórházban a híres Longwood Avenue -val, mint Nyugat -Afrika összes kórházában.
A mesterséges intelligencia segíthet enyhíteni a kritikus orvoshiány hatásait, ha átveszi a rendszerint az emberekre háruló diagnosztikai feladatokat.
Például egy AI képalkotó eszköz mellkasi röntgenfelvételt használhat a tuberkulózis tüneteinek vizsgálatára, általában ugyanolyan pontossággal, mint az orvos. Ez a szolgáltatás az erőforrásokban szegény területeken lévő szolgáltatók számára alkalmazással telepíthető, csökkentve a tapasztalt diagnosztikai radiológusok szükségességét.
"Ennek a technológiának nagy lehetőségei vannak az egészségügy javítására" - mondta Dr. jayashree kalpathy Cramer, az idegtudományok asszisztense és a Massachusetts General Hospital (MGH) radiológiai docense
A mesterséges intelligencia -algoritmusok fejlesztőinek azonban alaposan mérlegelniük kell azt a tényt, hogy a különböző nemzetiségű vagy régiós emberek egyedi fiziológiai és környezeti tényezőkkel rendelkezhetnek, amelyek befolyásolhatják a betegség teljesítményét.
"Például a betegség által érintett populáció Indiában nagyon eltérhet az Egyesült Államokétól" - mondta. Amikor ezeket az algoritmusokat kifejlesztjük, nagyon fontos annak biztosítása, hogy az adatok a betegség megjelenését és a populáció sokféleségét képviseljék. Nem csak egyetlen populáción alapuló algoritmusokat fejleszthetünk ki, hanem remélhetjük, hogy más populációkban is szerepet játszhat. "
4. Csökkentse az elektronikus egészségügyi nyilvántartások felhasználási terheit

Az elektronikus egészségügyi nyilvántartás (ő) fontos szerepet játszott az egészségügyi ipar digitális útjában, de ez az átalakítás számos problémát hozott a kognitív túlterheléssel, a végtelen dokumentumokkal és a felhasználók fáradtságával kapcsolatban.
Az elektronikus egészségügyi nyilvántartás fejlesztői most mesterséges intelligenciát használnak, hogy intuitívabb felületet hozzanak létre, és automatizálják a rutinokat, amelyek sok felhasználói időt igényelnek.
Dr. Adam Landman, a Brigham Health alelnöke és tájékoztatási igazgatója elmondta, hogy a felhasználók idejük nagy részét három feladatra fordítják: klinikai dokumentációra, rendelésbevitelre és postaládájuk válogatására. A beszédfelismerés és a diktálás segíthet a klinikai dokumentumfeldolgozás javításában, de előfordulhat, hogy a természetes nyelvfeldolgozó (NLP) eszközök nem elegendők.
"Úgy gondolom, hogy bátrabbnak kell lennie, és meg kell fontolnia néhány változtatást, például a videofelvétel használatát klinikai kezelésre, akárcsak a rendőrség kamerát visel" - mondta Landman. A mesterséges intelligencia és a gépi tanulás segítségével ezek a videók indexelhetők a későbbi visszakeresés érdekében. Csakúgy, mint Siri és Alexa, akik otthoni mesterséges intelligencia asszisztenseket használnak, a jövőben a virtuális asszisztenseket is a betegek ágyához juttatják, így a klinikusok beágyazott intelligenciát használhatnak az orvosi rendelések megadásához. "

Az AI segíthet a postaládákból érkező rutin kérések kezelésében is, mint például a gyógyszer -kiegészítők és az eredményekről szóló értesítések. Segíthet az is, hogy rangsorolja azokat a feladatokat, amelyekre valóban szükség van a klinikusok figyelmére, és megkönnyíti a betegek számára a teendőlisták feldolgozását-tette hozzá Landman.
5. Az antibiotikum -rezisztencia kockázata

Az antibiotikum -rezisztencia egyre nagyobb veszélyt jelent az emberekre, mivel e kulcsfontosságú gyógyszerek túlzott használata olyan szuperbaktériumok kialakulásához vezethet, amelyek már nem reagálnak a kezelésre. A több gyógyszerre rezisztens baktérium súlyos károkat okozhat a kórházi környezetben, évente több tízezer beteget ölt meg. A Clostridium difficile önmagában évente körülbelül 5 milliárd dollárba kerül az amerikai egészségügyi rendszer számára, és több mint 30000 halálesetet okoz.
Az EHR adatok segítenek azonosítani a fertőzési mintákat és kiemelni a kockázatot, mielőtt a beteg tüneteket mutatna. A gépi tanulás és a mesterséges intelligencia eszközeinek használata ezen elemzések végrehajtásához javíthatja azok pontosságát, és gyorsabb és pontosabb riasztásokat hozhat létre az egészségügyi szolgáltatók számára.
"A mesterséges intelligencia eszközei megfelelnek a fertőzésekkel és az antibiotikumokkal szembeni rezisztenciával kapcsolatos elvárásoknak" - mondta Dr. Erica Shenoy, a Massachusetts General Hospital (MGH) fertőzéskezelési igazgatóhelyettese. Ha nem, akkor mindenki kudarcot vall. Mivel a kórházaknak sok EHR -adatuk van, ha nem használják ki őket teljes mértékben, ha nem hoznak létre olyan iparágakat, amelyek okosabbak és gyorsabbak a klinikai vizsgálatok tervezésében, és ha nem használnak ilyen adatokat létrehozó EHR -eket, kudarccal fognak szembenézni. "
6. Készítsen pontosabb elemzést a kóros képekhez

Dr. Jeffrey Golden, a Brigham Női Kórház (BWh) patológia osztályának vezetője és a HMS patológia professzora elmondta, hogy a patológusok az egyik legfontosabb diagnosztikai adatforrást nyújtják az egészségügyi szolgáltatók teljes köréhez.
"Az egészségügyi döntések 70% -a kóros eredményeken alapul, és az EHR -kben szereplő adatok 70-75% -a kóros eredményekből származik" - mondta. És minél pontosabbak az eredmények, annál hamarabb történik a helyes diagnózis. Ez az a cél, amelyet a digitális patológia és a mesterséges intelligencia elérhet. "
A nagyméretű digitális képek mély képpontszintű elemzése lehetővé teszi az orvosok számára, hogy felismerjék azokat a finom különbségeket, amelyek elkerülhetik az emberi szemet.
"Most eljutottunk oda, hogy jobban fel tudjuk mérni, hogy a rák gyorsan vagy lassan fog -e fejlődni, és hogyan lehet megváltoztatni a betegek kezelését algoritmusok, nem pedig klinikai stádiumok vagy szövettani osztályozás alapján" - mondta Golden. Hatalmas előrelépés lesz. "
Hozzátette: "A mesterséges intelligencia is javíthatja a termelékenységet azáltal, hogy azonosítja a diákra vonatkozó érdeklődési köröket, mielőtt az orvosok felülvizsgálják az adatokat. Az AI szűrheti a diákat, és elvezethet bennünket a megfelelő tartalom megtekintéséhez, hogy felmérhessük, mi a fontos és mi nem. a patológusok alkalmazásának hatékonyságát, és növeli az egyes esetek tanulmányozásának értékét. "
Hozzon intelligenciát az orvosi eszközökbe és gépekbe

Az okoseszközök átveszik a fogyasztói környezetet, és olyan eszközöket kínálnak, amelyek a hűtőszekrényen belüli valós idejű videótól kezdve egészen a járművezetők figyelmét figyelő autókig terjednek.
Orvosi környezetben az intelligens eszközök elengedhetetlenek a betegek monitorozásához az intenzív osztályokon és máshol. A mesterséges intelligencia alkalmazása az állapot romlásának észlelésének képességének javítására, például a szepszis kialakulásának jelezésére vagy a szövődmények észlelésére jelentősen javíthatja az eredményeket, és csökkentheti a kezelési költségeket.
"Amikor arról beszélünk, hogy különböző adatokat integrálunk az egészségügyi rendszerbe, integrálnunk kell és figyelmeztetnünk kell az ICU orvosait, hogy mielőbb avatkozzanak be, és hogy ezeknek az adatoknak az összesítése nem jó dolog, amit az emberi orvosok megtehetnek" - mondta Michalski. , a BWh klinikai adatok tudományos központjának ügyvezető igazgatója. Az intelligens algoritmusok beillesztése ezekbe az eszközökbe csökkenti az orvosok kognitív terheit, és biztosítja, hogy a betegeket a lehető leggyorsabban kezeljék. "
8. az immunterápia elősegítése a rák kezelésében

Az immunterápia a rák egyik legígéretesebb módja. Ha a szervezet saját immunrendszerét használja fel a rosszindulatú daganatok megtámadására, a betegek legyőzhetik a makacs daganatokat. Mindazonáltal csak néhány beteg reagál a jelenlegi immunterápiás rendszerre, és az onkológusok még mindig nem rendelkeznek pontos és megbízható módszerrel annak meghatározására, hogy mely betegek részesülnek a kezelésből.
A gépi tanulási algoritmusok és a rendkívül összetett adathalmazok szintetizálására való képességük képes lehet az egyedek egyedi génösszetételének tisztázására és a célzott terápia új lehetőségeinek biztosítására.
"Az utóbbi időben a legizgalmasabb fejlesztés az ellenőrzőpont -gátlók voltak, amelyek blokkolják bizonyos immunsejtek által termelt fehérjéket" - magyarázza Dr. long Le, a Massachusetts General Hospital (MGH) átfogó diagnosztikai központ számítási patológiájának és technológiafejlesztésének igazgatója. De még mindig nem értjük az összes problémát, ami nagyon bonyolult. Mindenképpen több beteg adatra van szükségünk. Ezek a kezelések viszonylag újak, ezért nem sok beteg veszi fel őket. Ezért függetlenül attól, hogy az adatokat egy szervezeten belül vagy több szervezeten belül kell -e integrálnunk, ez kulcsfontosságú tényező lesz a betegek számának növelésében a modellezési folyamat meghajtásához. "
9. Fordítsa az elektronikus egészségügyi nyilvántartásokat megbízható kockázati előrejelzőkké

Az elektronikus egészségügyi nyilvántartás (ő) a páciensadatok kincse, de a szolgáltatók és a fejlesztők számára állandó kihívás nagy mennyiségű információ pontos, időszerű és megbízható módon történő kinyerése és elemzése.
Az adatok minőségével és integritásával kapcsolatos problémák, az adatformátum zavaraival, a strukturált és strukturálatlan bemenettel és a hiányos rekordokkal együtt megnehezítik az emberek számára, hogy pontosan megértsék, hogyan kell elvégezni az értelmes kockázati rétegezést, a prediktív elemzést és a klinikai döntések támogatását.
Dr. Ziad OBERMEYER, a Brigham Női Kórház (BWh) sürgősségi orvosi egyetemi adjunktusa és a Harvard Orvostudományi Iskola (HMS) egyetemi adjunktusa azt mondta: "kemény munka vár az adatok egy helyre történő integrálására. De egy másik probléma az, hogy megértsük mit kapnak az emberek, amikor betegséget jósolnak az elektronikus egészségügyi nyilvántartásban (ő). Az emberek hallhatják, hogy a mesterséges intelligencia algoritmusai előre jelezhetik a depressziót vagy a stroke -ot, de azt tapasztalják, hogy valójában a stroke költségeinek növekedését jósolják. Ez nagyon különbözik a magát a stroke -ot. "

Folytatta: "Úgy tűnik, hogy az MRI -eredményekre támaszkodva pontosabb adathalmazt nyújtanak. Most azonban el kell gondolkodnunk azon, ki engedheti meg magának az MRI -t? Tehát a végső előrejelzés nem a várt eredmény."
Az NMR -elemzés számos sikeres kockázati értékelési és rétegzési eszközt hozott létre, különösen akkor, ha a kutatók mély tanulási technikákat használnak új összefüggések azonosítására a látszólag nem kapcsolódó adatkészletek között.
OBERMEYER azonban úgy véli, hogy annak biztosítása, hogy ezek az algoritmusok ne azonosítsák az adatokban rejlő torzításokat, kulcsfontosságú a klinikai ellátást valóban javító eszközök telepítéséhez.
"A legnagyobb kihívás az, hogy megbizonyosodjunk arról, hogy pontosan tudjuk, mit jósoltunk, mielőtt elkezdjük kinyitni a fekete dobozt, és megvizsgáljuk, hogyan jósolhatunk" - mondta.
10. Az egészségi állapot monitorozása hordható eszközökön és személyes eszközökön keresztül

Szinte minden fogyasztó használhat érzékelőket az egészségre vonatkozó adatok gyűjtésére. A lépéskövetővel rendelkező okostelefonoktól kezdve a hordható eszközökig, amelyek egész nap nyomon követik a pulzusszámot, bármikor újabb és újabb egészséggel kapcsolatos adatok generálhatók.
Ezen adatok összegyűjtése és elemzése, valamint a betegek által az alkalmazásokon és más otthoni megfigyelő eszközökön keresztül nyújtott információk kiegészítése egyedülálló perspektívát nyújthat az egyéni és a tömeges egészség számára.
A mesterséges intelligencia fontos szerepet játszik majd abban, hogy ebből a nagy és változatos adatbázisból hasznos információkat nyerjen.
De Dr. Omar arnout, a Brigham Női Kórház (BWh) idegsebésze, a számítási idegtudományi központ igazgatója, elmondta, hogy további munkára lehet szükség ahhoz, hogy segítse a betegeket alkalmazkodni ehhez az intim, folyamatos monitoring adatokhoz.
"Korábban teljesen szabadon kezeltük a digitális adatokat" - mondta. De ahogy adatszivárgások fordulnak elő a Cambridge Analytics és a Facebook oldalain, az emberek egyre óvatosabbak lesznek azzal kapcsolatban, hogy kikkel milyen adatokat osztanak meg. "
A betegek hajlamosabbak megbízni orvosaikban, mint a nagy cégek, mint a Facebook-tette hozzá, ami segíthet enyhíteni a nagyszabású kutatási programok adatszolgáltatásának kellemetlenségét.
"Valószínűleg a hordható adatoknak jelentős hatása lesz, mert az emberek figyelme nagyon véletlen, és az összegyűjtött adatok nagyon durvaak" - mondta arnout. A szemcsés adatok folyamatos gyűjtésével az adatok nagyobb valószínűséggel segítik az orvosokat a betegek jobb ellátásában. "
11. hogy az okostelefonok hatékony diagnosztikai eszközré váljanak

A szakértők úgy vélik, hogy az okostelefonokból és más fogyasztói szintű erőforrásokból nyert képek a klinikai minőségű képalkotás fontos kiegészítőjévé válnak, különösen az alulszolgáltatott területeken vagy a fejlődő országokban, a hordozható eszközök hatékony funkcióinak folytatásával.
A mobilkamera minősége minden évben javul, és képeket hozhat létre, amelyek felhasználhatók AI algoritmus elemzéséhez. A bőrgyógyászat és a szemészet korai haszonélvezői ennek a trendnek.
Brit kutatók még egy eszközt is kifejlesztettek a fejlődési betegségek azonosítására a gyermekek arcáról készült képek elemzésével. Az algoritmus képes különálló jellemzőket észlelni, mint például a gyermekek mandibulavonala, a szemek és az orr helyzete és egyéb olyan tulajdonságok, amelyek az arc rendellenességeit jelezhetik. Jelenleg az eszköz a gyakori képeket több mint 90 betegséggel párosíthatja, hogy klinikai döntéstámogatást nyújtson.
Dr. Hadi shafiee, a Brigham Női Kórház (BWh) mikro- / nanogyógyászati ​​és digitális egészségügyi laboratóriumának igazgatója elmondta: "a legtöbb ember nagy teljesítményű mobiltelefonnal van felszerelve, sokféle érzékelővel. Ez nagyszerű lehetőség számunkra. Szinte mindenki az ipar szereplői elkezdték Ai szoftvert és hardvert építeni az eszközeikbe. Ez nem véletlen. Digitális világunkban naponta több mint 2,5 millió terabájtnyi adat keletkezik. A mobiltelefonok területén a gyártók úgy vélik, hogy képesek ezt használni adatok a mesterséges intelligencia számára, hogy személyre szabottabb, gyorsabb és intelligensebb szolgáltatásokat nyújtsanak. "
Az okostelefonok használata a betegek szemeiről, bőrsérüléseiről, sebeiről, fertőzéseiről, gyógyszereiről vagy más személyekről készült képek gyűjtéséhez segíthet megoldani a szakértők hiányát az alulszolgáltatott területeken, miközben csökkentheti bizonyos panaszok diagnosztizálására fordított időt.
"Lehetnek jelentős események a jövőben, és kihasználhatjuk ezt az alkalmat, hogy megoldjunk néhány fontos problémát a betegség kezelésében az ellátási ponton" - mondta Shafiee
12. Innovatív klinikai döntéshozatal az ágy melletti AI -val

Ahogy az egészségügyi ágazat térítéses szolgáltatások felé fordul, egyre inkább eltávolodik a passzív egészségügyi ellátástól. A megelőzés a krónikus betegségek, az akut betegségek és a hirtelen romlás előtt minden szolgáltató célja, és a kompenzációs struktúra végső soron lehetővé teszi számukra, hogy olyan folyamatokat fejlesszenek ki, amelyek képesek aktív és előrejelző beavatkozást elérni.
A mesterséges intelligencia számos alapvető technológiát biztosít ehhez az evolúcióhoz, támogatva a prediktív elemzést és a klinikai döntéstámogató eszközöket, hogy megoldja a problémákat, mielőtt a szolgáltatók felismerik a cselekvés szükségességét. A mesterséges intelligencia korai figyelmeztetést adhat az epilepsziára vagy a szepszisre, ami általában megköveteli a rendkívül összetett adatkészletek mélyreható elemzését.
Brandon Westover, a Massachusettsi Általános Kórház (MGH) klinikai adatainak igazgatója elmondta, hogy a gépi tanulás segíthet a kritikus állapotú betegek, például a szívmegállás után kómában lévő betegek folyamatos ellátásának támogatásában is.
Kifejtette, hogy normál körülmények között az orvosoknak ellenőrizniük kell e betegek EEG adatait. Ez a folyamat időigényes és szubjektív, és az eredmények a klinikusok készségeitől és tapasztalataitól függően változhatnak.
Azt mondta: „Ezeknél a betegeknél a tendencia lassú lehet. Néha, amikor az orvosok látni akarják, hogy valaki felépül, 10 másodpercenként megnézhetik az adatokat. Azonban látni, hogy megváltozott -e a 24 másodperc alatt gyűjtött adatok 10 másodperces adataihoz képest, olyan, mintha azt vizsgálnánk, hogy időközben megnőtt -e a haj. Ha azonban mesterséges intelligencia algoritmusokat és sok betegből származó nagy mennyiségű adatot használnak, akkor könnyebben össze lehet egyeztetni a látottakat a hosszú távú mintákkal, és néhány finom fejlesztés is tapasztalható, ami befolyásolja az orvosok ápolási döntéshozatalát. . "
A mesterséges intelligencia technológia alkalmazása a klinikai döntések támogatásához, a kockázatértékeléshez és a korai figyelmeztetéshez az egyik legígéretesebb fejlesztési területe ennek a forradalmi adatelemzési módszernek.
Az eszközök és rendszerek új generációjának áramellátásával a klinikusok jobban megérthetik a betegségek árnyalatait, hatékonyabban tudnak ápolási szolgáltatásokat nyújtani, és előre meg tudják oldani a problémákat. A mesterséges intelligencia új korszakot nyit a klinikai kezelés minőségének javításában, és izgalmas áttörést hoz a betegellátásban.


Feladás ideje: 2021.06.06