你好,游客 登錄
背景:
閱讀新聞

增強的智能和分布式賬本技術將改變醫療保健行業

[日期:2019-09-19] 來源:企業網D1Net  作者: [字體: ]

  聯合國專家顧問Anushka Patchava博士對為什么增強智能將會改變醫療保健行業而不是人工智能和分布式總帳技術進行了探討與分析。

  人們在醫療保健方面可能不需要人工智能,但需要增強智能。

  Patchava博士說,“醫療保健與銀行業不同,更確切地說,這是一項更感性的行業。醫療保健中的人工智能意味著使用非人類系統,如計算機、執行諸如決策等任務,而不需要人類的接觸。而在醫療方面,盡管人工智能可以解決一些問題,例如在供應鏈中,增強智能在臨床醫學方面更適用。”

  至于數據,Patchava解釋了分布式總賬為什么是一個可以促進跨系統、網絡和服務的數據流動性的令人興奮的解決方案。

  Patchava表示,“在銀行業,它很關注低接觸的高科技,這是可以接受的,因為人們想要這樣做。他們尋求便利,在他們想要的時間盡可能快速有效地訪問。消費者體驗按其通話解決方案評分。他們幾乎不想與人交往,因為這是耗時的,往往是干擾者,而不是推動者。而在醫療保健領域,這實際上就是一個轉折點。消費者的心態不同,而患者則尋求同情和安慰。事實上,它是這兩種感覺的觸發因素,已被證明有助于患者治療。醫療保健消費者(或患者)的心理學、生理學和病理學一直都很復雜,迄今為止,人類的互動給他們帶來了巨大的好處。”

  然而,全球各地的醫療衛生系統面臨著一些挑戰,這是一個普遍公認的真理。人口老齡化、肥胖、糖尿病、心血管疾病等非傳染性疾病的增長以及消費者期望的不斷上升,這都給醫療保健提供者帶來了巨大的負擔。傳統上,大規模、廣泛地采用新技術對于醫療衛生系統內和醫療專業人員來說是一個巨大的障礙。然而,如果應用得當,新興技術可以幫助消除一些工作壓力,將醫療護理從被動轉向主動,從治療轉向預防。然而,這些技術要取得成功,關鍵在于它們必須嵌入到工作流程中,從而在不犧牲人性化的同時提高生產力。

  她說,“以在醫療領域采用人工智能為例,我們不希望人工智能完全取代醫生和醫護人員;我們需要找到協作伙伴關系,需要的是技術和接觸的結合,為醫生和患者提供好的結果。”

  她以Medic Bleep為例,醫療保健“WhatsApp”是一種安全實時的服務,是為了取代過時的老式尋呼機而創建的,同時對安全和隱私法規保持敏感性。在醫生、護士、醫院管理人員的手中,Medic Bleep可實現有效的溝通流程、事件和信息。最近的時間運動分析結果表明,護士每班平均節省21分鐘,而醫生每班平均節省48分鐘。而考慮一周、一個月和一年的情況時,其節省的時間很顯著。此外,這樣的技術可以推動改進的工作優先級,更容易的協作,并通過提供可審計的記錄減少錯誤和不良事件。那么誰會拒絕提供更安全、更有效的護理服務?

  她說,“如果Medic Bleep技術將延伸到跨多個醫療網絡的急救團隊,而不僅僅是醫院,甚至延伸到社會醫療領域,這樣醫療專業人員就可以實時查看醫療服務和患者,他們需要多方位的護理,不用擔心結果會從醫生轉移到社會工作者身上。

  我們知道英國醫療衛生系統一直在推動改變醫院尋呼機的議程,而Medic Bleep提供了一個強大的解決方案,可以在整體健康狀況下實現實時通信和數據流,以及有一天甚至可能是社交和緊急護理服務。”

  人工智能在醫療領域的挑戰以及采用增強智能的原因

  Patchava說,“不久前,IBM公司人工智能引擎Watson被譽為醫療保健的靈丹妙藥。但是,我認為Watson技術未能實現其潛力,并且未能給人留下深刻印象,這主要是因為他們不了解他們試圖解決的問題。很難說明醫療保健中存在的復雜性。有很多利益相關者、接觸點、疾病領域、治療方案等等。此外,如果想到每個醫療痛點,它可能存在于個人層面、人群層面和/或系統層面,這是一個很復雜的網絡。”

  Patchava說,“至少在我的有生之年,人工智能在臨床護理中的應用還不成熟。雖然有幾個領域可以部署機器學習來改進系統過程,但其輸出如何從輸入中獲得的不可知性以及對臨床決策支持系統的過度依賴仍然是未解決的道德問題,從而在醫療保健領域減緩替代人類的工作。例如,如果我做了乳房X光檢查,盡管10次中可能有6次或7次確認,人工智能可能能夠準確地檢測出乳腺癌,如果我的掃描結果是10次中有3次或4次被認為是‘不明確的’,我肯定希望人類醫生為我診斷,我可以咨詢他們,并讓我確信他們的診斷。人工智能算法的新進展縮小了計算機和人類專家在檢測乳腺癌方面的差距,但是我們對計算機的標準有所不同。盡管人工智能系統可以滿足圖靈的測試(表現出與人類醫生相當或無法區分的智能行為的能力),但患者(消費者)會接受這一點嗎?我相信,如果人工智能要在醫療保健領域取代人類,這種替代須證明其準確性得到提高,而不僅僅是等同性。”

  人工智能在醫療保健的應用如何具有價值?

  她說,“計算機永遠不會完全了解人類。算法和代碼也不能真正復制人類意識和潛意識的行為、態度、想法、期望。然而,機器學習顯著發展的一個領域是基因組學,研究一整套基因,一個有機體的組合。利用人工智能更快、更便宜、更準確、更有效地對DNA進行測序和分析,可能對我們提供醫療保健的方式產生重大影響。通過基因組學,我們可以更深入地了解患者的行為。例如,他們容易受到哪些疾病的影響,并使用它來做出關于其護理的決定。早些時候我們談到了從治療到預防的轉變,基因組學構成了缺失部分。藥物基因組學可以幫助我們了解個體如何對某些藥物做出反應,從而推動個性化治療。反過來,它也可以幫助為未來做好準備。例如,如果某人尚未患糖尿病,但患糖尿病的風險很高,我們可以為他們提供更高水平的有針對性的干預措施,以降低風險和/或預防災難性事件,可以全面降低成本,改善結果。”

  她表示,“我認為基因組學將推動醫學的未來,我們可以提供量身定制的個性化服務,但我也認為基因組學永遠不會是完整的答案。我仍然希望醫生或者至少是醫療保健專業人員來解釋診斷結果,為我提供預期的建議,并制定治療/行動計劃,同時考慮到我的顧慮和偏好。作為醫生,我們必須記住,患者就是坐在你面前的人,而不僅僅是算法或代碼。”

  Patchava指出,“各行業的自動化技術潛力差異很大。金融服務行業在捕獲和利用我們的數據方面遠遠優于個人,最近在數字方面也是如此。通過這樣做,他們能夠基于例如所獲得的收入來識別模式,并且部署預測分析以預測消費者行為。在醫療保健方面有些落后,在醫療衛生系統中仍然存在一些不同且分散的數據集。為了取得成效,我們不僅需要在個人和人口層面匯集現有數據集,而且我們還需要獲得更深入、更全面的人們健康狀況圖表,而不僅僅是疾病。這是可穿戴設備和連接設備等新技術可以幫助填補一些空白的地方,為醫療保健專業人員和系統‘疾病護理’轉變為‘醫療保健’。”

  輸入DLT用于醫療保健

  在大多數情況下,如果人們聽到區塊鏈這個詞,可能會立即想到比特幣,有些人甚至可能會想到暗網、洗錢、騙局、賭博等。因此,很多人遠離區塊鏈技術,并考慮底層分布式賬本技術(DLT)的潛力。

  她說,“我們已經討論過獲取更多數據以幫助決策。然而,全球醫療保健和衛生系統面臨的主要挑戰是數據流動性。障礙、監管、政策、流程將會阻止系統內部的數據流動。

  如果現在某位患者去找一位全科醫生看病,那么會怎么樣?這位全科醫生可能不知道這位患者上周住院,并且沒有收到其最近的檢查結果。然后這位患者必須打電話到診所找到檢查結果。如果很幸運的話,可以通過電子郵件發送結果,更有可能傳真給這位全科醫生。現在想象一下,如果患者有更復雜的需求,假設他在出院時需要社會護理,但患者或者沒有找到護理人員,帶來許多困難和不便,或者更糟糕的是最終回到醫院進行治療。人們幾乎可以立即看到數據流動性缺乏對患者結果、醫療保健專業決策、系統成本產生的嚴重影響。”

  她表示,“電子健康記錄從未被設計用于管理多機構終身醫療記錄。目前,患者將健康數據分散到各個組織、藥房、健身中心、醫院、診所,因為他們的健康之旅從一個機構的數據倉庫演變為另一個。我們需要為醫療保健專業人士、技術公司、數據科學家、管理人員解決的問題是,我們如何使數據流永久化?我們如何使系統能夠相互通信,在它們之間傳輸準確的可解釋數據,而不會給已經減少的預算增加巨大成本?這是DLT可能具有潛力的地方。

  對于當前系統,即使我們可以捕獲數據,也可以將其保存在不同的電子健康記錄中,而這兩者之間沒有通信層。沒有數據流,就沒有人能多方位了解患者的情況。

  因此,雖然我們的目的在于使用來自廣泛和多樣化來源的數據,包括藥物基因組學、可穿戴設備、Alexa、Google Home,以推動更好的醫療保健決策和結果。我們仍然需要破解我們在合適的時間如何有效地允許合適的人員訪問這一數據。

  除非我們能夠訪問整體數據集,所有數據集中在一個地方,否則我們分析和繪制有意義見解的能力受到限制。如何在不提供完整圖片的情況下準確地訓練計算機(機器學習)?”

  DLT處在石器時代

  雖然像MedicalChain公司這樣的組織正在部署分布式賬本技術,以部分解決互操作性問題,提供對患者長期健康數據的不可變信任和分布式安全訪問,但Patchava認為,正如目前所存在的那樣,該技術仍在互聯網階段;當登錄到互聯網時,采用調制解調器連接到電話線路,通過電話以本地呼叫率撥號到互聯網上,其速度很慢,并且令人沮喪。

  最終,隨著迭代和進化,她將DLT視為一種存在于各個領域基礎設施中的東西,比如汽車。人們可能會說‘我有一輛新車’,也可能會說‘我有一輛寶馬汽車’,但他們不會說‘我有一輛寶馬汽車,然后再說出發動機類型、功率、操作機構等。’

  仍有一些挑戰需要克服。首先,我們需要對區塊鏈中的DLT進行有意識的解耦,以便首先啟動有關DLT的對話。在前瞻性的健康系統中,早期采用者充滿了興趣。但是,我們無法取代幾十年來存在的醫院的遺留基礎設施,而此過程中可能會對醫院的運營造成嚴重干擾。

  因此,其挑戰在于確定在遺留基礎設施中使用DLT的位置和方式,以提高現有流程的效率。我們已經認識到DLT首先可以被視為‘即插即用’技術。一種被現有系統識別并能在不損害現有系統的完整性、功能性或可靠性的情況下替換現有系統的一部分的設備。

  她引用了Dovetail實驗室的例子。她說,“Dovetail實驗室與外科手術許可部門一起開創了一個共享的決策平臺,其中無紙化、個性化的同意書可用于基于分布式賬本技術的選擇性手術許可。這是為了創建一個同意的個人偏好、與不同治療相關的風險和利益、做出的決定、采取的行動以及患者報告的經驗和結果的數據庫。隨著時間的推移,這有可能不僅僅是獲得同意,而是與現有病歷進行互操作,并且有助于機器學習,以保障每個決定對該患者都是正確的。

 

  通過確定小問題并解決這個問題,他們已經做了很好的證明,如果我們為DLT找到合適的用例,就不必替換醫院基礎設施,但可以與醫院基礎設施中的其他層面一起運行。通過較小的用例和增量改進,我們可以推動采用。只有通過這些部署,我們才能測試、理解、迭代和改進技術。”





收藏 推薦 打印 | 錄入:Cstor | 閱讀:
相關新聞      
本文評論   查看全部評論 (0)
表情: 表情 姓名: 字數
點評:
       
評論聲明
  • 尊重網上道德,遵守中華人民共和國的各項有關法律法規
  • 承擔一切因您的行為而直接或間接導致的民事或刑事法律責任
  • 本站管理人員有權保留或刪除其管轄留言中的任意內容
  • 本站有權在網站內轉載或引用您的評論
  • 參與本評論即表明您已經閱讀并接受上述條款
群英会福彩开奖