0

医疗保健中的人工智能权威指南

医疗保健的人工智能（AI）正在发现跨越不同频谱的许多应用程序，并全部设定为在未来日内诊断和治疗疾病的方式。

通过机器学习和自然语言处理与AI的大数据的并置导致开发工具，以改善临床护理，提前医学研究，提高整体护理效率。

这是所有综合指导都需要了解医疗保健，其工作，应用，未来的人工智能医疗技术发展趋势在医疗保健行业采用的挑战。

什么是人工智能以及它如何影响医疗保健领域？

人工智能是使用特定的算法来训练计算机完成特定的任务，通过处理大量数据和识别数据中的特定模式。

这些算法使加工用于从经验中学习，计算输入数据并处理它并以几乎人类的方式执行任务。因此，它使得机器能够模仿典型的认知功能，例如问题解决，推理和学习。

David B. Agus，MD，南加州大学医学院医学和工程学院的医学和工程教授，相信AI动力算法将有医疗保健部门的深远影响。“几十年来，我们一直在收集大量数据，”他说。“这是第一次，计算能力使我们能够以一种有利于患者的方式使用数据。”

“什么令人兴奋的是，艾美允许医生个性化关怀，我们曾曾曾多十年做的事情”痛苦告诉webmd.．

人工智能在医疗保健中的应用

AI已经进入我们的日常生活，以这样的方式我们甚至没有注意到它。从电子商务网站上的聊天乐队到我们的智能手机上的语音助手，AI顾问正在迅速制作机器，了解人类所做的事情，使他们能够更有效地迅速地完成这些任务。

在医疗保健领域也，AI工具在不同阶段发现了许多应用程序

1.预防医学

“健康不仅仅是缺乏疾病或生物，这是一种完全的身体，心理和社会福祉的状态” - 世界卫生组织

ai使用连接的医疗设备和Iomt.在确保人们保持健康方面有最大的潜力。

对一般民众:人工智能已经在通过保持更健康的生活方式来帮助人们照顾自己的健康。越来越多的人选择使用健身和其他健康可穿戴设备来每天跟踪自己的健康统计数据。

通过卫生应用程序收集和分析该健康数据及其患者提供的健康信息的补充有可能在个人和人口健康方面提供独特的视角。

对于医学从业者：人工智能技术为医疗保健专业人员提供了一种洞察他们所关心的人的日常模式和需求的方法。这使他们能够为患者提供更好的指导、反馈和支持。

生成和收集的数据不受人类的孤立。使用AI算法通过自定义医疗保健软件开发人员为了使巨大的数据感不只能节省岌岌可危的人类时间和努力，而且还使过程更加高效。软件开发公司可以创建仪表板，可以在视觉上呈现数据，可以节省大约一段时间从手动数据嘎吱作用。

研究人员:人群源性医疗数据的集合是专注于医疗保健研究的公司。来自各种移动设备的数据正在汇总和聚合，以便访问实时运行状况统计数据。

现实生活中的应用

• 甲:下美国的服装制造商在认知的教练系统上工作，提供有关健身，睡眠和营养的定制建议。它适用于使用Fitness Community的数据，它分析的研究机构使用IBM的Watson。
• Lumo Lift：该姿势监控设备通过在站立或坐姿时检测到不正确的姿势时向用户发送警报。
• Apple的研究课程：Apple专注于通过让用户访问由其面部识别软件收集的汇集数据的交互式应用来处理帕金森病和Asperger综合征。然后，它计划随时间记录此数据的变化。

2.早期发现疾病

可穿戴消费品的普及，再加上人工智能的计算能力，使医生和其他护理人员能够更好地监测患者，并在更早、更可治疗的阶段发现可能危及生命的症状。

“可穿戴数据很有可能会对医疗保健产生重大影响，因为我们的护理是断断续续的，我们收集的数据非常粗糙。”Omar Arnaout医学博士说，他是计算神经科学结果中心的联合主任。“通过持续收集颗粒数据，这些数据更有可能帮助我们更好地照顾病人。”

以下是当前正在医疗保健空间中使用的一些应用程序。

检测心脏条件：健身和其他健康可穿戴设备不仅可以检测心率，还可以监测患者的心电图。这有助于发现和早期诊断潜在的心脏疾病。

检测乳腺癌：目前正在使用AI来分析乳房X线。它已经被发现分析速度比人类快30倍，准确率为99%。这不仅减少了可能的误诊机会，还减少了进行侵入性活检以达到诊断的需要。

感染趋势预测:败血症是美国医院死亡的主要原因之一，诊断通常不会发生，直到器官衰竭的发展。AI在检测败血症检测中的应用可以减少患者死亡率。目前正在进行工作来开发一种计算机算法，该计算机算法将患者的ehrs分析患者的生命值和代谢水平，以检测它们是否具有败血症的可能性。

疾病流行趋势：越来越多的患者在去看医生之前，会依靠谷歌等搜索引擎在线检查自己的症状。使用人工智能来监测这一搜索并从中得出结论，可以导致对人群中可能爆发的疾病进行早期干预。谷歌在2008年曾试图对谷歌流感趋势进行这方面的研究，但由于缺乏精简的数据和大量的不一致，未能成功。随着过去十年计算和人工智能技术的进步，这可能成为传染病早期检测和预防暴发的巨大资产。

将电子健康记录转化为风险预测因子：患者的病历是一种数据，但是通过数据进行排序，并提出有用的结果是一项将导致大量人类时间和努力浪费的任务。这是AI的计算能力播放的地方。使用深度学习技术的EHR分析工具已经使用风险评分和分层工具来解除有价值的患者数据，导致预测分析，让机器学习算法确定患者获得慢性疾病的风险。

现实生活中的应用

• 苹果生成4我看有能力监控佩戴者的心电图，类似于单引线心电图并检测任何异常。它还在陀螺仪检测到潜在的秋季时向家庭成员和紧急服务发出遇险消息。
• 休斯顿卫理公会研究所德克萨斯州的一所大学正在对乳房x光片进行分析，这将有助于女性乳腺癌的早期和非侵入性诊断，并减少误诊。

3.高效诊断

人工智能使用结构化和非结构化数据来获得其结果。结构化数据包括基因组研究，图像（无线电诊断和病理），读数和录音，形成医疗器械等。然后使用机器学习技术进行聚类，以推断诊断和可能的疾病结果。

The unstructured data can be in the form of the physician’s notes, patient medical records in the form of EHRs, lab reports, discharge summaries etc. AI makes use of natural language processing for extracting the relevant information from the sets of unstructured data in order to assist in clinical decision making, alerting treatment arrangement, monitoring adverse reactions etc.

使用AI可以通过以更快的速率使用结构化和非结构化数据更有效地提出诊断。AI用于达到诊断的主要优势是，其所有决策仅仅是基于证据和不可能导致人类诊断的认知偏差。让我们来看看AI在诊断疾病中的应用。

使用射线照相的诊断：使用AI用于从MRI机器获得的放射图像的图像分析，CT扫描和X射线不仅导致与人放射科学表达的诊断，所获得的结果也更快。AI在辐射诊断中的应用是对放射科医生的佐剂，他可以使用AI进行常规病例，并利用他/她的资源进行更复杂的情况。

在肿瘤学中使用AI：人工智能正在接受训练，以识别和识别皮肤病变，并基于面部识别技术诊断皮肤癌。如上所述，它被用于通过乳房x线照片分析来诊断乳腺癌。使用人工智能的虚拟活组织检查正在利用基于图像的算法在放射学领域取得进展。这将使临床医生从整体上对肿瘤行为有更准确的理解，使他们有能力更好地定义肿瘤的侵袭性，并选择能产生最佳结果的治疗方法

AI在病理学中的应用：病理诊断涉及在显微镜下检查组织部分。纳入深度学习培训一种用于图像识别算法将在与人类专业知识结合时提供更准确的诊断。像素水平的大数字图像的分析可以有助于检测可能逃避人眼并导致更有效的诊断。

现实生活中的应用

• 微软的InnerEye倡议:它使用机器学习来分析射线图像并建立图像诊断工具。该结果可用于放射治疗计划、精确的手术计划和导航。
• 斯坦福大学：研究人员在斯坦福大学大学正在努力使用卷积神经网络深入学习，培养一种诊断皮肤癌的算法。最好的是，它适用于智能手机，可用于检测来自2000多种不同皮肤病的黑色素瘤。
• 哈佛医学院:研究人员哈佛大学医学院和贝斯以色列女执事医疗中心开发了人工智能系统，通过深度学习和机器学习，使病理诊断更准确。该算法利用语音和图像识别来解释病理图像，并训练计算机区分癌变和非癌变病变。把这个算法和病理学家的工作结合起来，得到了99.5%的准确率。

4.医疗决策

使用人工智能算法来支持临床决策、早期预警和风险评分，确保提供高质量的临床护理。人工智能系统不受诸如决策疲劳和警报疲劳等人类缺陷的影响，因此使用这些来确定临床工作流程及其管理将导致更有效的患者护理。

管理工作流管理：通过定制软件开发，利用人工智能实现管理工作流程的自动化，确保了像医生和护士在日常任务上节省时间，可以优先处理紧急事务。日常工作的管理，比如在病人的病历中录入医疗记录，可以通过语音到文本的转换来完成，这可以节省宝贵的时间。

预测分析：通过电子病历和可穿戴设备收集的患者数据，医生可以获得有关患者以及患者所属人群的有价值的数据。使用人工智能算法计算这些数据有助于开发患者概况，建立预测模型，有效地预测、诊断和治疗疾病。

临床决策:访问完整的患者数据是临床决策的福音。它还导致开发一种治疗模型，其迎合与传统上采用的通用方法不同的个体患者的需要。

现实生活中的应用

• 谷歌的DeepMind：这项技术利用机器学习将学习算法构建成模拟人脑的神经网络。它旨在帮助临床医生做出医疗决策，并帮助他们更快地从检测到治疗。
• IBM Watson:纪念Sloan Kettering（MSK）的肿瘤学部门与IBM合作沃森用于提供基于AI的癌症治疗和研究解决方案。它有数十年的癌症数据，可用于向处理未来案件的医生提供治疗理念。
• PWC的BodyLogical：身体术语使用分析将规定的分析工具应用于保险丝科学。它导致创建数字双胞胎（用户的虚拟版本，模拟人体的用户），以预测疾病进展，监测健康状况，确定适当的生活方式变化，从而有助于降低整体医疗费用。
• 细微差别：该公司在yabo.com下载计算机辅助医师文档（CAPD）上工作，提供临床文档改进（CDI）。这些AI供电解决方案减少了文档时间并提高了报告质量。

5.治疗

人工智能可以帮助临床医生拥有更全面的疾病管理方法，更好地协调护理计划，并最终帮助患者更符合他们的长期治疗计划。它还在提供护理方面发挥着关键作用远程医疗和远程病人监测。

下面是一些同样的应用。

虚拟护理助理:目前正在进行工作，以利用AI在整个治疗过程中向患者床边提供的虚拟护士的发展。它们用于监控患者统计数据，并为日常问题提供答案。它们在经常间隔设立医生与患者之间的沟通渠道，从而有助于防止不必要的医院访问，节省成本。护士头像是基于语音的，并使用口头通信与患者相反。

语音到文本转录：医疗保健提供者花费大量时间将医疗或手术记录输入到患者的健康记录中。这些笔记的人工智能语音抄写将增加病人护理的时间，并提高临床效果。

精密药：在临床医生的处置中具有相关的患者数据是掌握精密药物的正确方向的一步。它使医生能够采取医疗决策，迎合个人患者，并为每位患者创造具体的治疗计划。

现实生活中的应用

• 感觉是虚拟护理助理，以能够远程患者监控的头像的形式。它在其专有的分类引擎上使用语音识别软件来侦听用户的查询并提供适当的响应。
• 你好Rache.是一个现场虚拟助手，可兑换，协助和执行医疗专业人员的日常管理任务。
• 皇家飞利浦通过使用传感器和数据分析，可以远程患者监控。然后将数据流式传输到远程护理团队以决定治疗计划。

6.研究

• 药物替代：药物相互作用和疗效因人的人而异，受到遗传变异的影响。药物代理学旨在了解这些变异对药物的个体反应的影响。使用AI通过基因组研究产生的大量数据来筛选，可以有助于对药物输送机制提供有用的见解。
• 药物发现与药物联合分析:药物研究需要数年时间和数百万美元才能进行临床试验和销售。使用人工智能简化药物发现和药物再利用过程有可能显著促进新药开发，缩短药物上市时间，并降低其成本。

现实生活中的应用

• 在一个临床试验2016年，研究人员利用人工智能提出了一个数学公式，以确定接受器官移植的患者使用免疫抑制剂的剂量。
• Pharma.ai是一家生物信息学公司，使用AI研究癌症，阿yabo.com下载尔茨海默，帕金森等老化和年龄相关的健康问题的药物发现计划。
• atomwise在最近的一项研究中，使用AI扫描现有的药物可以重新设计以对抗埃博拉病毒。在仅仅一天的跨度中，它发现两种药物有可能降低感染性的可能性，这是通常需要大量时间的分析。

7.机器人和聊天

• 机器人辅助手术:认知外科机器人使用AI使用以前的手术信息来改善手术技术。来自Pre OP记录的数据与运营指标集成，以改善外科结果。这些手术是微创的侵入性，机器人辅助仪器精度会导致患者的住宿后OP的长度减少21％。
• 自治机器人手术：虽然目前有限公司仅限于科幻小说，但机器人只能在未来成为真实的东西。使用机器学习结合电机模式识别和视觉数据解释可以导致外科医生的延长到机器人，并使自主机器人手术成为现实。只有手术的机器人目前仅限于外科医生通过计算机远程控制机器人，但可以在待的日子里改变。
• 辅助机器人：这些是在各种竞技场中找到临床应用，包括患者护理，护理，实验室使用以及老年人和衰弱的患者的护理。
• 聊天：聊天机器人是人工智能算法，由医疗保健应用程序开发人员，能够与最终用户进行基本的对话。他们有可能成为初级保健的第一个接触点。确定查询的严重程度后，聊天机器人将解决问题或将问题升级到医生。聊天机器人的广泛使用大大减少了医生的负担，并消除了不必要的驱动到医疗保健提供者。

现实生活中的应用

• 达芬奇机器人系统包括各种临床机器人，其能够辅助人类外科医生，并且还可以通过计算机进行外科医生远程控制的操作。
• Robear.是一款护理机器人，能够将患者进出床进入轮椅，帮助那些需要援助的人站立，甚至在床上转动患者以防止褥疮。
• Xenex.机器人用于医院的紫外线消毒，以防止医院获得性感染的发生。
• 聊天像你的.md，izzy，healthtap，ADA Health等通常用作聊天措施以利用医疗信息。这些在用户的智能手机上下载为移动应用程序，并使用AI算法和自然语言处理来提供文本/声乐健康相关反馈。

卫生部门大数据，AI和机器人的合作将导致智能医疗解决方案的发展。这些将用于提供基于证据和结果的关注，重点是预防性护理。

采用人工智能的挑战

在医疗保健领域采用AI开辟了许多可能性，但它们也与自己的一系列挑战带来了。

1.初始采用问题

为了吸引利益攸关方投资人工智能，需要记录和展示成功的案例研究，但为了提出案例研究，需要医疗保健公司参与进来。与任何新技术一样，医疗保健组织和用户最初都对其适用性和可行性感到担忧，因此不愿在市场上采用该技术。

2.黑匣子难度

机器学习和深度学习缺乏回答“为什么”问题的能力。得出的结论背后的逻辑是不合理的，这导致对取得的结果缺乏信心。系统如何给出诊断或建议是治疗计划的重要组成部分，因此最后的决定权在医生。

3.数据隐私问题

患者健康统计数据构成极其敏感的数据，需要采取适当的机制，以确保其免受外部攻击的安全性。

4.利益攸关方的复杂性

医疗保健行业的每个人，包括患者、医疗保健工作者、制药公司、保险公司、医疗保健组织，都是采用人工智能的利益攸关方。任何水平的技术阻力都会导致技术作为一个整体合并的问题。

5.遵守法规

患者数据收集受到许多法律，如HIPAA和AI的纳入受到FDA等组织的批准，以确保保养联邦标准。通过AI算法分析各种数据库中的数据分享数据在HIPAA合规性方面对挑战构成挑战。