AI医疗 | 医疗保健领域人工智能的 10 大用例

从药物发现到预估肝脏病症，育苗智慧可能是医疗保健应用领域的下一个作法改变者。

育苗智慧 (AI) 已经开始重构医疗保健，其在很多医疗保健领域和专精中的采用已经开始成为现实。育苗智慧、机器自学 (ML)、语义处理 (NLP) 和广度自学 (DL) 使医疗保健自身利益各别和医疗保健专精相关人员能更慢、更准确地确认医疗保健需求和软件系统，采用统计数据商业模式加速做出合情合理的医疗保健或业务决策。

育苗智慧如何在医疗保健中有所作为

AI 能预估医疗保健组织以影像、药理学科学研究试验和医疗保健赔偿的方式储存的大批统计数据，并且能辨识育苗人类专业技能通常无法检测到的商业模式和看法。

AI 算法被“教授”来辨识和记号统计数据商业模式，而 NLP 允许那些演算法隔绝相关统计数据。采用广度自学，统计数据是在计算机扩展知识的帮助下展开预估和解释的。那些辅助工具的影响是巨大的，考虑到 Frost & Sullivan 的预估表明，今年医疗保健应用领域的育苗智慧和知觉计算系统将占市场 67 万美元，而 2015 年为 8.11 万美元。

育苗智慧的采用已经开始为医疗保健应用领域的很多自身利益各别提供全力支持：

育苗智慧在医疗保健中的十大商业用途

1、AI全力支持眼科预估

育苗智慧被用于事例分类的辅助工具。它全力支持药理学医师查阅影像和扫描器。这使眼科医师或中风专家能确认对孤立无援疑似病例展开优先选择次序的重要看法，以避免在阅读电子身心健康记录 (EHR) 时出现潜在性错误并建立更准确的确诊。

药理学科学研究可能会产生大批须要检查的统计数据和影像。育苗智慧演算法能高速预估那些统计数据集，并将它们与其他科学研究展开比较，以辨识商业模式和视野之外的相互关连。该操作过程使眼科专精相关人员能加速追踪关键信息。

例如，Hardin Memorial Health (HMH) 须要找到一种方法，以集中方式从 EHR 中提取相关统计数据，供影像专精相关人员采用。该医院的急诊室 (ER) 每年处理超过 70,000 名患者，并决定与 IBM 合作实施“患者概要”。本产品可辨识与对该患者展开的成像程序相关的患者信息。

患者概要深入了解过去的确诊和医疗保健程序、实验室结果、病史和现有过敏症，并向眼科医师和中风专家提供侧重于那些影像背景的摘要。该产品能与任何医疗保健单位系统结构集成，从网络中的任何通信工作站或设备访问，升级时不影响医疗保健单位的日常活动。

检测相关问题并将其以友好的摘要视图呈现给眼科医师，能设计出更具订制性、针对性和准确度更高的报告，用于确诊决策操作过程。

2.育苗智慧能降低开发药物的成本

超级计算机已被用于从分子结构统计数据库中预估哪些潜在性药物对各种病症有效，哪些无效。透过采用卷积神经网络（一种类似于让汽车自动驾驶的技术），AtomNet 能透过预估来自数百万次实验测量和数千种蛋白质结构的提示来预估小分子与蛋白质的结合。

这一操作过程使卷积神经网络能从搜寻到的统计数据库中辨识出安全有效的候选药物，进而降低了开发药物的成本。

2015 年，在西非埃博拉病毒爆发期间，Atomwise 与 IBM 和多伦多大学合作筛选了能与糖蛋白结合的顶级化合物，该糖蛋白可阻止埃博拉病毒在体内（在动物的活体中）渗透到细胞中。或植物）测试。从测试的化合物中，选择了一种是因为它以类似的细胞渗透机制作用于其他病毒。这种 AI 预估发生在不到一天的时间内，这个操作过程通常须要数月或数年的时间，进而能开发出针对埃博拉病毒的治疗方法（https://www.atomwise.com/2015/03/24/new-ebola-treatment-using-artificial-intelligence/）。

3.育苗智慧预估非结构化统计数据

由于大批的身心健康统计数据和医疗保健记录，药理学医师在提供以患者为中心的优质保健的同时，往往难以及时了解最新的药理学进展。机器自学技术能加速扫描器医疗保健单位和医疗保健专精相关人员整理的电子病历和生物药理学统计数据，为药理学医师提供及时、可靠的答案。

在很多情况下，患者的身心健康统计数据和病历被储存为复杂的非结构化统计数据，这使得解释和访问变得困难。育苗智慧能搜寻、收集、储存和标准化任何格式的医疗保健统计数据，协助重复性任务并全力支持药理学医师为患者提供加速、准确、量身订制的治疗计划和药物，而不是被埋在搜寻、辨识、收集和转录的重压之下从成堆的纸质 EHR 中找到他们须要的软件系统。

4. 育苗智慧为药物发现构建复杂和整合的平台

育苗智慧演算法能辨识新的药物应用，追踪它们的潜在性毒性及其作用机制。该技术奠定了药物发现平台的基础，使公司能重新利用现有药物和生物活性化合物。

透过将生物学、统计数据科学和化学的最佳元素与自动化和最新的育苗智慧进展相结合，该平台的创始公司能生成约 80 TB 的生物统计数据，那些统计数据由育苗智慧辅助工具每周在 150 万次实验中展开处理。

开始创造它们的成本更低。

5.育苗智慧能预估肝脏病症

药理学医师可能难以发现急性肾损伤 (AKI)，但会导致患者病情迅速恶化并危及生命。估计有 11% 的医院因未能辨识和治疗患者而死亡，那些疑似病例的早期预估和治疗会对减少终生治疗和肾透析成本产生巨大影响。

2019 年，退伍军人事务部 (VA) 和 DeepMind Health 创建了一个 ML 辅助工具，能提前 48 小时预估 AKI。育苗智慧辅助工具能比传统保健方法提前 48 小时辨识超过 90% 的急性 AKI 疑似病例。

VA 和 DeepMind Health 之间的合作伙伴关系仍在继续。其下一个目标是确认如何在医疗保健单位中安装此 ML 辅助工具。还针对用户友好的平台，以全力支持药理学医师做出治疗决策，进而改善患有 AKI 的退伍军人的生活质量。

6.育苗智慧为急救医疗保健相关人员提供宝贵帮助

在突发中风期间，911 呼叫救护车到达之间的时间对康复非常重要。为了增加生存机会，紧急调度员必须能辨识心脏骤停的症状，以便采取适当的措施。育苗智慧能预估语言和非语言线索，以便从远处建立确诊。

Corti 是一种辅助急诊药理学相关人员的育苗智慧辅助工具。透过预估来电者的声音、背景噪音和患者病史的相关统计数据，Corti 会在检测到中风发作时向急救相关人员发出警报。与其他 ML 技术一样，Corti 不会搜寻特定信号，而是透过聆听很多呼叫来训练自己，以检测关键因素。

基于这种自学，Corti 作为一个持续的操作过程改进了它的模型。Corti 配备的技术能检测背景噪音（例如警报器）与来电者的线索或背景中的患者声音之间的差异。

在哥本哈根，紧急调度员能根据呼叫者提供的描述辨识心脏骤停的概率约为 73%。但育苗智慧能做得更好。2019 年展开的一项小规模科学研究表明，透过采用语音辨识软件、ML 和其他背景线索，ML 模型能比人类调度员更好地辨识心脏骤停呼叫。

ML 能在全力支持紧急医疗保健相关人员方面发挥重要作用。未来，医疗保健单位能采用该技术透过配备自动除颤器的无人机或接受过 CPR 培训的志愿者来响应紧急呼叫，这将增加社区发生心脏骤停时的生存机会。

7.育苗智慧有助于癌症科学研究和治疗，尤其是放射治疗

在某些情况下，放射治疗可能缺乏用于收集和组织 EHR 的数字统计数据库，这使得癌症的科学研究和治疗变得困难。为了帮助药理学医师对癌症患者的放射治疗做出合情合理的决定，Oncora Medical 提供了一个平台，该平台收集患者的相关医疗保健统计数据，评估所提供的保健质量，优化治疗并提供全面的肿瘤学结果、统计数据和影像。

与 EHR 集成的药理学笔记的自动生成减少了药理学医师在管理患者文档方面所花费的时间，进而改善了医疗保健操作和身心健康结果。

8.育苗智慧采用收集的统计数据展开预估预估

将 EHR 转变为 AI 驱动的预估辅助工具，使药理学医师能更有效地制定工作流程、医疗保健决策和治疗计划。NLP 和 ML 能实时读取患者的整个病史，将其与症状、慢性病或影响其他家庭成员的病症联系起来。他们能将结果转化为预估预估辅助工具，在病症危及生命之前发现并治疗它。

从本质上讲，能预估慢性病并追踪其进展速度。CloudMedX 是一家专注于解码非结构化统计数据的公司——统计数据储存为笔记（药理学医师笔记、出院总结、确诊和住院笔记等）。

案已应用于肾功能衰竭、肺炎、充血性心力衰竭、高血压、肝癌、糖尿病、骨科手术和中风等多种高危病症，其既定目标是透过早期协助降低患者和药理学医师的成本并对患者展开准确的确诊。

9.育苗智慧加速基因药理学的发现和发展

育苗智慧还用于帮助加速发现和开发药物，成功率很高。遗传病症受分子表型改变的青睐，例如蛋白质结合。预估那些改变意味着预估遗传病症出现的可能性。这能透过收集所有已辨识化合物和与某些药理学试验相关的生物标志物的统计数据来实现。

例如，那些统计数据由 Deep Genomics 的 AI 系统处理。该公司设计了专有的育苗智慧，并采用它来发现解决基因突变后果的新方法，同时为患有罕见孟德尔和复杂病症的人开发订制疗法。

该公司测试已辨识的化合物，以便为有大批未满足需求的病症开发更慢的基因药物。该公司的专家已经开始科学研究“土星计划”，这是一种基于 AI 分子生物学的药物系统，可针对 100 万个目标位点对超过 690 亿个硅寡核苷酸分子（透过计算机建模或计算机模拟展开或生产）展开评估，以便监测细胞生物学以解锁更大的潜在性治疗方法。

基因药理学的发现和发展透过降低与罕见病症治疗相关的成本为患者和药理学医师带来好处。

10.育苗智慧全力支持身心健康公平

AI 和 ML 行业有责任设计医疗保健系统和辅助工具，以确保在统计数据科学和药理学科学研究中满足公平和平等，以提供最佳的身心健康结果。随着在药理学的各个应用领域更多地采用 ML 演算法，可能会出现身心健康不公平的风险。

负责在医疗保健中应用育苗智慧的人必须确保育苗智慧演算法不仅准确，而且客观和公平。由于很多药理学试验指南和确诊测试考虑到患者的种族和民族，因此出现了争论：

那些因素的选择是否有依据？种族和民族统计数据是否更有可能解决或加剧全民身心健康不平等？已确认 ML 包含一组方法，使计算机能从它们处理的统计数据中自学。这意味着，至少在原则上，ML 能仅基于对基础统计数据的公正预估来提供无偏见的预估。

育苗智慧和机器自学演算法能透过提高统计数据透明度和多样性来减少身心健康不平等，进而减少或消除偏见。育苗智慧和机器自学的医疗保健科学研究有可能消除基于种族、民族或性别的身心健康结果差异。

结论

在医疗保健中采用 AI 仍然面临挑战，例如对 ML 系统提供的结果缺乏信任以及须要满足特定要求。然而，育苗智慧在身心健康应用领域的应用已经为医疗保健自身利益各别带来了多重好处。

透过改进工作流程和操作，协助医疗保健和非医疗保健相关人员完成重复性任务，全力支持用户更慢地找到问题的答案，以及开发创新的治疗方法，患者、付款人、科学研究相关人员和药理学医师都能从育苗智慧在医疗保健中的采用中受益。