Как машинное обучение меняет сферу здравоохранения

Мировая индустрия здравоохранения находится на подъеме. Согласно недавнему исследованию, ожидается, что в этом году он превысит отметку в 2 триллиона долларов, несмотря на вялые экономические перспективы и напряженность в мировой торговле. Люди в целом живут дольше и здоровее.

Растет осведомленность о живом донорстве органов. Роботы используются для удаления желчного пузыря, замены тазобедренного сустава и пересадки почек. Ранняя диагностика рака кожи с минимальной человеческой ошибкой – это реальность. Реконструктивные операции на груди позволили выжившим после рака груди принять участие в восстановлении своих желез.

Все эти профессии были немыслимы шестьдесят лет назад. Сейчас наступило захватывающее время для глобального сектора здравоохранения, поскольку он продвигается по пути к будущему.

Однако, поскольку население мира, составляющее 7,7 миллиарда человек, к 2030 году, вероятно, достигнет 8,5 миллиарда человек, удовлетворение потребностей в области здравоохранения может стать проблемой. Именно здесь значительные достижения в области машинного обучения (ML) могут помочь выявить риски заражения, повысить точность диагностики и разработать персонализированные планы лечения.

источник: Deloitte Insights – глобальный прогноз в области здравоохранения на 2020 г.

Во многих случаях эта технология может даже повысить эффективность рабочего процесса в больницах. Возможности бесконечны и захватывающие, что подводит нас к важному разделу статьи:

Применение машинного обучения в здравоохранении

Вы понимаете концепцию индекса LACE?

Разработанный в Онтарио в 2004 г., он выявляет пациентов, которым грозит повторная госпитализация или смерть в течение 30 дней после выписки из больницы. Расчет основан на четырех факторах – сроке пребывания больного в стационаре, остроте госпитализации, сопутствующих заболеваниях и посещениях отделения неотложной помощи.

Индекс LACE широко используется в качестве барометра качества медицинской помощи и, как известно, основан на теории машинного обучения. Используя прошлые медицинские записи пациентов, концепция помогает прогнозировать их будущее состояние здоровья. Это позволяет медицинским работникам вовремя распределять ресурсы для снижения уровня смертности.

Области здравоохранения, развивающиеся благодаря машинному обучению

Этот технологический прогресс заложил основу для более тесного сотрудничества между заинтересованными сторонами в отрасли, доступных и менее инвазивных вариантов хирургии, комплексной терапии и новых моделей оказания помощи. Вот пять примеров текущих и новых инноваций ML:

1. Открытие наркотиков

От начального скрининга лекарственных соединений до расчета показателей успеха конкретного лекарства на основе физиологических факторов пациентов — Институт рака Найта в Орегоне и проект Microsoft в Ганновере в настоящее время применяют эту технологию для персонализации комбинаций лекарств для лечения рака крови.

Машинное обучение также породило новые методологии, такие как прецизионная медицина и секвенирование следующего поколения, которые могут обеспечить правильное воздействие лекарств на пациентов. Например, сегодня медицинские работники могут разрабатывать алгоритмы для понимания патологических процессов и разработки инновационных методов лечения таких заболеваний, как диабет 2 типа.

2. Оптимизированный набор пациентов для клинических испытаний

Записать добровольцев на клинические испытания непросто. Необходимо применить множество фильтров, чтобы увидеть, кто подходит для исследования. С помощью машинного обучения сбор данных о пациентах, таких как прошлые медицинские записи, психологическое поведение, семейная история здоровья и многое другое, упрощается.

Кроме того, технология также используется для мониторинга биологических показателей добровольцев и возможного вреда клинических испытаний в долгосрочной перспективе. Имея такие убедительные данные, медицинские работники могут сократить испытательный период, тем самым снизив общие затраты и повысив эффективность экспериментов.

3. Индивидуальные процедуры

Каждый человеческий организм функционирует по-разному. Реакции на продукт питания, лекарство или время года различаются. Поэтому у нас аллергия. В таком случае, почему настройка вариантов лечения на основе медицинских данных пациента до сих пор кажется такой странной мыслью?

Машинное обучение помогает медицинским работникам определять риск для каждого пациента в зависимости от его симптомов, прошлых медицинских записей и семейного анамнеза с помощью микробиологических датчиков. Эти крошечные гаджеты отслеживают состояние здоровья пациента и беспристрастно отмечают отклонения, тем самым предоставляя более сложные возможности измерения состояния здоровья.

4. Раннее выявление рака кожи

Cisco сообщает, что межмашинное соединение в глобальном здравоохранении растет со скоростью 30% CAGR — это самый высокий показатель по сравнению с любой другой отраслью!

Машинное обучение в основном используется для сбора и анализа данных о пациентах, выявления закономерностей и диагностики множества заболеваний, одним из которых является рак кожи.

Ежегодно в США это заболевание диагностируют более чем у 5,4 млн человек. К сожалению, диагностика — виртуальный и длительный процесс. Он основан на длительном клиническом обследовании, включающем биопсию, дерматоскопию и гистопатологическое исследование.