Gegevens in de gezondheidszorg worden gebruikt voor het genereren van dagelijkse inzichten en voor continue verbetering van het algehele gezondheidszorgsysteem. Verplichte praktijken zoals elektronische medische dossiers (EPD) hebben de traditionele gezondheidszorgprocessen al verbeterd door big data te integreren om state-of-the-art data-analyses uit te voeren. AI/ML-tools zijn verder voorbestemd om waarde toe te voegen aan dit domein.

Van het analyseren van röntgenfoto's tot het identificeren van weefselafwijkingen, tot het verbeteren van de nauwkeurigheid van de voorspelling van een beroerte op basis van klinische symptomen, tot het helpen van huisartsen of internisten aan het bed bij het ondersteunen van hun klinische beslissingen: machinaal leren levert de broodnodige objectieve mening om de efficiëntie en betrouwbaarheid te verbeteren. en nauwkeurigheid in de zorgstroom.

Voorspellende algoritmen en machinaal leren zijn net zo goed als de trainingsgegevens achter deze geavanceerde modellen. Naarmate er meer gegevens beschikbaar komen, zal er betere informatie zijn om deze machine-learning-modellen te bouwen. En daarom zien we dat veel van de aanvankelijke successen op het gebied van machinaal leren afkomstig zijn van grote organisaties met grote datasets – Kopen Google Reviews, Aurora Healthcare, NIH uit Engeland, om een ​​paar organisaties te noemen die de gegevens kunnen benutten.

Deze bedrijven met een enorme hoeveelheid gegevens faciliteren de ontwikkeling van Centre of Excellences (CoE's) die unieke en krachtige machine learning-algoritmen produceren. Het hebben van gecentraliseerde en synchrone gegevensopslagplaatsen maakt de inzet van deze algoritmen in verschillende gebruiksscenario's in de gezondheidszorg mogelijk. Hieronder staan ​​enkele van de belangrijkste gebruiksscenario’s, hoewel niet alomvattend, die de inzet en het gebruik van machine learning in de gezondheidszorg schetsen.

Gepersonaliseerde geneeskunde

De geneeskunde heeft een lange weg afgelegd, beginnend bij een algemene, breedspectrum-antibiotische behandelingsbenadering tot ziektebehandeling en -preventie, waarbij rekening wordt gehouden met de individuele variabiliteit in genen, omgeving en levensstijl voor elke persoon.

InsightRX maakt bijvoorbeeld gebruik van kwantitatieve farmacologie met machinaal leren om een ​​op maat gemaakte en geïndividualiseerde patiëntreactie op verschillende behandelingen te bieden. Door klinische, farmaceutische en sociaal-economische gegevens te combineren met machine learning-algoritmen kunnen onderzoekers en aanbieders patronen in de effectiviteit van bepaalde behandelingen waarnemen en de genetische variaties identificeren die mogelijk gecorreleerd zijn met succes of falen.

Gezondheids management

Van het automatiseren van de routinematige frontoffice en rapportage tot het analyseren van farmaceutisch marketingonderzoek: machine learning boekt vooruitgang op meerdere gebieden van de bedrijfsvoering en het management. LeanTaaSi is opgericht in 2010 en maakt gebruik van machine learning om ziekenhuismiddelen zoals wachtperioden en operatiekamers te optimaliseren. Nu Goldman Sachs de investeringssteun leidt, heeft het bedrijf ruim 100 miljoen dollar aan financiering opgehaald en is het een van de pioniers in het gebruik van machine learning voor verbetering van het gezondheidszorgbeheer.

Begeleide diagnose door machinaal leren

Datawetenschappers die bij Google werken, hebben machine learning-algoritmen ontwikkeld om borstkanker te detecteren door het algoritme te trainen om kankerpatronen te onderscheiden van anderszins gezond omringend weefsel. Het machinale leeralgoritme voerde enorme hoeveelheden gegevens in zijn systeem in en trainde om een ​​abnormaal weefselpatroon te onderscheiden van normale omringende cellen.

Studies tonen aan dat deze machine learning, voorspellende analyses en patroonherkenningstechnologie een nauwkeurigheid van meer dan 89 procent hebben, vergeleken met minder dan 75 procent van de nauwkeurigheid van opgeleide pathologen en medisch radiologen.

Research and Development

Farmaceutische bedrijven en organisaties in de gezondheidszorg hebben miljarden dollars uitgegeven aan onderzoek en ontwikkeling om factoren te identificeren die de reactie van patiënten beïnvloeden en de resultaten van de gezondheidszorg te verbeteren. Machine learning heeft echter een revolutie in het onderzoek teweeggebracht door deze factoren onder meer te gebruiken om te bepalen welke patiënten betere resultaten zullen behalen dan andere. Van het mogelijk maken van vroege kankerdetectie tot het identificeren van COVID-19-patiënten die beademingsondersteuning nodig hebben, machine learning verbetert resultaatgericht onderzoek over de verschillende facetten van R&D in de gezondheidszorg.

Conclusie

AI en Machine Learning blijven groeien in de gezondheidszorgsector met de steeds evoluerende technologische ontwikkelingen. Er zijn meer gezondheidszorggerichte startups geweest die machine learning inzetten dan ooit tevoren. Modellen voor machinaal leren zijn in de gezondheidszorg echter nog niet in dezelfde mate geïmplementeerd als in andere sectoren. Ten eerste is machinaal leren een recente technologie en nog ver verwijderd van de staat van perfectie.

Of het nu gaat om goedkeuring door de FDA, ICMR of EMA, het is een lang, moeizaam en duur proces om de technologie in een gezondheidszorgomgeving te testen, valideren en goedkeuren. Ten tweede vormen gegevensprivacy en -beveiliging een van de grootste obstakels voor de adoptie van machine learning in de gezondheidszorg. In de gezondheidszorg moeten de technologieën en systemen zo worden ontwikkeld dat ze voldoen aan de respectieve datawetten en regels van bestuursorganisaties.

Ondanks de vele uitdagingen in de gezondheidszorg is er dringend behoefte aan een doorbraak in de gezondheidszorg. Door de vergrijzing van de bevolking in verschillende landen, de afnemende verhouding tussen artsen en patiënten en het toenemende toezicht op de nauwkeurigheid van de diagnose, is de behoefte aan nieuwe innovatieve oplossingen in de gezondheidszorg duidelijk en expliciet. De beste kansen voor AI in de gezondheidszorg zijn waar artsen worden ondersteund bij de diagnose, behandelplanning en het identificeren van risicofactoren, maar waar artsen de uiteindelijke verantwoordelijkheid voor de zorg van de patiënt behouden.

Bron: https://www.fintechnews.org/machine-learning-and-its-impact-in-various-facets-of-healthcare/