Galerie de cartes mentales [Travaux communautaires] AI Healthcare application et avenir des soins de santé intelligents
La carte mentale de « AI Healthcare : Application and Future of Intelligent Healthcare » vous aidera à comprendre ce livre de manière plus intuitive. J'espère que cette carte mentale vous sera utile !
Modifié à 2024-01-31 17:23:23Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
La gestion de projet est le processus qui consiste à appliquer des connaissances, des compétences, des outils et des méthodologies spécialisés aux activités du projet afin que celui-ci puisse atteindre ou dépasser les exigences et les attentes fixées dans le cadre de ressources limitées. Ce diagramme fournit une vue d'ensemble des 8 composantes du processus de gestion de projet et peut être utilisé comme modèle générique.
Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
Cent ans de solitude est le chef-d'œuvre de Gabriel Garcia Marquez. La lecture de ce livre commence par l'analyse des relations entre les personnages, qui se concentre sur la famille Buendía et raconte l'histoire de la prospérité et du déclin de la famille, de ses relations internes et de ses luttes politiques, de son métissage et de sa renaissance au cours d'une centaine d'années.
La gestion de projet est le processus qui consiste à appliquer des connaissances, des compétences, des outils et des méthodologies spécialisés aux activités du projet afin que celui-ci puisse atteindre ou dépasser les exigences et les attentes fixées dans le cadre de ressources limitées. Ce diagramme fournit une vue d'ensemble des 8 composantes du processus de gestion de projet et peut être utilisé comme modèle générique.
AI Healthcare : application et avenir des soins de santé intelligents
Chapitre 1 L'intelligence artificielle donne du pouvoir à l'industrie médicale et de la santé
1.1 Contexte du développement médical et sanitaire de l’intelligence artificielle
1.1.1 Les problèmes de l’industrie stimulent de nouvelles demandes
La santé médicale est l'un des besoins de subsistance les plus fondamentaux de la population.
Du côté de la demande, la demande de services médicaux et de santé continue de croître rapidement.
En 2002, la population chinoise âgée de 65 ans et plus représentait 7,01 % et la société chinoise est entrée dans une société vieillissante.
On s’attend à ce que la proportion de la population âgée de 65 ans et plus atteigne 14 % en 2027, ce qui correspond à une société profondément vieillissante.
Les maladies chroniques se propagent et la mauvaise santé devient normale
Du côté de l’offre, premièrement, le montant total des ressources médicales est insuffisant. les ressources médicales totales de mon pays sont rares et sa population est nombreuse, ce qui entraîne un énorme déficit de ressources. Deuxièmement, les ressources sont inégales et les ressources médicales de haute qualité sont orientées vers les grandes villes.
1.1.2 Les avancées technologiques offrent de nouveaux moyens
En termes de puissance de calcul, les unités de traitement graphique (GPU) ont des performances de calcul considérablement améliorées et disposent de capacités de calcul parallèle qui dépassent de loin celles des unités centrales de traitement (CPU).
En termes de modèles d’algorithmes, l’apprentissage profond est un algorithme très prisé dans la recherche et les applications actuelles, et constitue également un domaine important de l’intelligence artificielle.
En termes de ressources de données, il existe de nombreux scénarios dans lesquels des données médicales et de soins de santé sont générées.
L’une concerne les données des établissements médicaux.
Deuxièmement, les données des essais génétiques et cliniques
Troisièmement, les données des patients
Quatrièmement, l'assurance médicale et les données de paiement
1.1.3 Des politiques sont introduites pour créer un nouvel environnement
Ces dernières années, l’intelligence artificielle a attiré une attention croissante dans le monde entier et s’est développée rapidement. Elle est devenue un objectif stratégique pour les pays du monde entier.
1.2 Que peut faire l’intelligence artificielle pour les soins de santé ?
1.2.1 L’histoire de l’évolution technologique de l’informatisation médicale et sanitaire
Sous-thème 1
1.2.2 Pré-diagnostic : prévention des maladies et gestion de la santé
La plupart des maladies sont évitables, mais comme les symptômes ne sont généralement pas évidents aux premiers stades de la maladie, ils ne sont découverts que lorsque la situation s’aggrave.
1.2.3 Pré-diagnostic : séquençage des gènes
Le séquençage génétique est un nouveau type de technologie de test génétique. Il analyse et détermine les séquences génétiques et peut être utilisé dans le diagnostic clinique des maladies génétiques, le dépistage prénatal, la prédiction et le traitement des tumeurs, etc.
1.2.4 En cours de diagnostic : diagnostic assisté par imagerie médicale
L'analyse manuelle ne peut s'appuyer que sur l'expérience pour juger, et des erreurs de jugement sont susceptibles de se produire.
1.2.5 En cours de diagnostic : aide à la décision clinique
Le système d'aide à la décision clinique peut fournir le diagnostic le plus précis et le meilleur traitement grâce à un apprentissage massif de la littérature et à une correction continue des erreurs.
1.2.6 Diagnostic : robots médicaux
Actuellement, les robots médicaux comprennent principalement les robots chirurgicaux, les robots de rééducation, les robots infirmiers, les robots de distribution, etc.
1.2.7 Post-diagnostic : Aide à la réadaptation
Les appareils d'assistance à la rééducation font référence aux produits qui améliorent, compensent, remplacent les fonctions du corps humain et fournissent un traitement auxiliaire et préviennent les invalidités, notamment les orthèses, les prothèses, les appareils d'assistance à la mobilité personnelle, les robots de rééducation exosquelettes, etc. Les groupes applicables comprennent principalement les personnes handicapées, les personnes âgées, et les personnes blessées.
1.2.8 Biomédecine
Grâce à l'apprentissage automatique et à la technologie de traitement du langage naturel, les informations contenues dans la littérature médicale, les articles, les brevets et les données génomiques peuvent être analysées pour trouver des médicaments candidats correspondants et sélectionner des composés efficaces pour des maladies spécifiques, réduisant ainsi considérablement le temps et les coûts de recherche et développement.
1.3 Système industriel de technologie médicale et de santé d’intelligence artificielle
1.3.1 Système d’intelligence artificielle médicale et technologique de la santé
Lien de perception
La vision par ordinateur est la science qui consiste à utiliser des ordinateurs pour imiter le système visuel humain, permettant aux ordinateurs d'avoir des capacités humaines d'extraction, de traitement, de compréhension et d'analyse d'images et de séquences d'images. Elle est largement utilisée dans la reconnaissance d'images médicales, le diagnostic auxiliaire pathologique et l'ECG. diagnostic auxiliaire, etc.
Le traitement du langage naturel est une direction importante dans le domaine de l'informatique et de l'intelligence artificielle. Il étudie diverses théories et méthodes permettant de parvenir à une communication efficace entre les humains et les ordinateurs à l'aide du langage naturel. Il implique de nombreux domaines, notamment la traduction automatique, la traduction automatique, etc. Les systèmes de compréhension écrite et de questions et réponses, etc., sont principalement utilisés dans la collecte et l'analyse d'informations sur les patients dans les domaines du triage intelligent, du guidage intelligent et des assistants virtuels.
La technologie de détection Biosign fait référence à la technologie qui identifie et authentifie l'identité d'un individu grâce à des caractéristiques physiologiques individuelles ou des caractéristiques comportementales. La technologie de détection Biosign couvre un large éventail de contenus et est principalement utilisée dans les appareils portables de santé et médicaux, la gestion des maladies chroniques, la prédiction des maladies et autres. des champs.
L'étape de réflexion consiste à permettre à l'ordinateur de disposer de suffisamment de puissance de calcul pour simuler certains processus de pensée et comportements humains afin de porter des jugements sur les données et informations collectées.
Le lien d'action consiste à traduire les résultats du traitement et du jugement préliminaires en mouvements corporels et en informations médiatiques et à les transmettre à l'interface interactive homme-machine ou à des dispositifs externes pour réaliser l'échange d'informations et l'interaction physique entre les humains et les machines et les machines.
Le lien d'action est étroitement lié à la technologie mécanique, à la technologie de contrôle, à la technologie de perception, etc.
1.3.2 Écologie de l’industrie médicale et de la santé de l’intelligence artificielle
1.3.3 Modèle de l’industrie de la santé de l’intelligence artificielle
Selon les statistiques, la valeur totale du marché des applications d'intelligence artificielle atteindra 127 milliards de dollars d'ici 2025, dont l'industrie médicale représentera un cinquième de la taille du marché.
Les entreprises technologiques nationales et étrangères ont commencé à se déployer dans le domaine de l'intelligence artificielle médicale
Chapitre 2 Reconnaissance d’images médicales, « lecture » médicale assistée par ordinateur
2.1 Scénarios d'application
2.1.1 Contexte du développement
Cliniquement, plus de 70 % des diagnostics reposent sur l’imagerie médicale
Il y a une énorme pénurie de médecins en imagerie médicale
Le diagnostic par imagerie médicale présente un taux d'erreur de diagnostic élevé et une faible efficacité
Le degré d’informatisation de l’imagerie médicale est faible
Le développement de la technologie de l'intelligence artificielle a accéléré la vitesse du diagnostic par imagerie médicale, amélioré la précision du diagnostic par imagerie et apporté des changements dans la façon dont les médecins spécialistes de l'imagerie « lisent »
(1) Changements dans les méthodes de lecture. L'application de l'intelligence artificielle permet directement à la machine d'effectuer automatiquement un dépistage préliminaire, un jugement et une sélection des lésions sur le film, etc. Le médecin n'est responsable que du jugement final.
(2) La vitesse de lecture change. L'intelligence artificielle examine et sélectionne automatiquement et rapidement les lésions. Le médecin est uniquement responsable de la réévaluation des éléments clés, ce qui lui évite un processus de sélection initial fastidieux. Le temps est considérablement réduit et l’efficacité est améliorée
(3) Changements de précision. L'intelligence artificielle a la double caractéristique de stabilité et d'exhaustivité, et n'est pas affectée par la durée des heures de travail. Elle peut observer complètement l'intégralité du film sans manquer aucune omission, terminer rapidement et de manière stable la sélection et le jugement initiaux, et enfin avoir un médecin professionnel. réévaluer les éléments clés. Par conséquent, la précision de la lecture des images est doublement garantie.
2.1.2 Principaux scénarios d'application
(1) Classification des cas d'images
La classification des cas analyse principalement un ensemble d'images typiques pour obtenir les résultats de classification des cas correspondants.
(2) Détection et segmentation de cibles ou de lésions
Il se concentre davantage sur la classification d'une certaine partie de l'image ou sur des différences locales telles que les petits tissus et lésions, comme la détection et la classification des nodules pulmonaires communs.
2.2 Technologies clés
2.2.1 État actuel du développement technologique
(1) État actuel de la recherche universitaire
Des algorithmes d'intelligence artificielle tels que la radiomique, l'apprentissage profond et l'apprentissage par transfert ont été développés et testés sur des données d'imagerie médicale, formant ainsi de multiples modèles d'application tels que la détection des lésions, la segmentation des lésions, le jugement de la nature des lésions, la planification du traitement et la prédiction du pronostic.
(2) État actuel du développement du produit
De nombreuses grandes entreprises et start-ups nationales et étrangères ont investi dans le développement de produits d’imagerie médicale IA.
Tencent Miying, Shenrui Medical, Jianpei Technology, Yidu Cloud, Zhiying Medical, Ruijia Yiying RayPlus, Diyinga, Laxon, etc.
(3) Statut de la demande clinique
En raison d'une vérification clinique insuffisante de l'efficacité de l'intelligence artificielle, du manque de bases de données et de scénarios standards adaptés à la recherche sur l'intelligence artificielle, ainsi que de problèmes éthiques et réglementaires cliniques qui n'ont pas encore été résolus, il existe un manque de produits pouvant être appliqués dans des situations réelles. pratique clinique.
2.2.2 Conception du modèle
Le problème résolu par le modèle doit être une préoccupation commune pour les cliniciens et les radiologues, et l'amélioration de l'efficacité ou de la précision de sa résolution peut généralement bénéficier aux patients.
La conception du modèle doit faire référence aux dernières directives et spécifications cliniques dans les domaines pertinents et contribuer au diagnostic et au traitement des maladies sur la base des procédures médicales existantes.
Une quantité suffisante de données et d’annotations de données doit être utilisée pour l’apprentissage. Par exemple, l’apprentissage doit être axé sur l’identification des tumeurs courantes plutôt que sur le diagnostic des tumeurs rares.
La clé de la conception du modèle est de sélectionner le problème qui est le plus propice à la prise de décision du médecin et au bénéfice du patient, et le problème choisi à résoudre doit également comporter une grande quantité de données d'apprentissage faciles à obtenir et à étiqueter.
2.2.3 Construction du modèle
L'établissement du modèle comprend la construction structurée des données d'apprentissage, l'utilisation d'algorithmes d'apprentissage pour construire le modèle, et enfin la vérification du modèle.
2.2.4 Sélection de l'algorithme
Le choix des différentes méthodes de modélisation doit être planifié en fonction du volume de données et de la complexité des données d'apprentissage.
Premièrement, pour de grandes quantités de données d’apprentissage, il est recommandé d’utiliser l’apprentissage profond incluant divers réseaux de neurones comme modélisation de l’apprenant.
Deuxièmement, pour des quantités moyennes de données d'apprentissage, vous pouvez essayer d'utiliser une modélisation d'apprentissage en profondeur. Si l'effet n'est pas bon, vous pouvez envisager d'utiliser un réseau neuronal pour extraire des fonctionnalités et utiliser des méthodes d'apprentissage automatique pour créer un modèle.
Troisièmement, pour une petite quantité de données d’apprentissage, il est recommandé d’utiliser des méthodes radiomiques pour effectuer d’abord des tests à haut débit, extraire les caractéristiques de l’image dans la plage de la lésion et utiliser des méthodes d’apprentissage automatique pour créer des modèles.
Quatrièmement, bien qu'il n'y ait qu'une quantité modérée de données d'apprentissage, il existe une grande quantité de données modales similaires confrontées à d'autres problèmes. Vous pouvez essayer d'utiliser des méthodes d'apprentissage par transfert pour appliquer l'expérience de données sur de grands échantillons à l'apprentissage de données sur de petits échantillons.
2.2.5 Établissement des services
Établir un modèle de service raisonnable basé sur les caractéristiques de l'application, les besoins cliniques et les habitudes de travail des médecins lors de la conception du modèle
Premièrement, la technologie d’imagerie cloud se développe rapidement. Sa combinaison avec la technologie de l’IA peut mieux fournir aux établissements médicaux, en particulier aux hôpitaux de base, un ensemble de solutions de transmission d’images, de stockage et de diagnostic auxiliaire, qui contribueront à améliorer l’efficacité opérationnelle et l’efficience des établissements médicaux. . précision diagnostique
Deuxièmement, en termes d'intégration avec les flux de travail existants, il peut être combiné avec le système RIS pour fournir des rapports structurés d'IA, et en même temps combiné avec le système PACS, le rapport d'analyse complète d'IA peut être soumis au système PACS en utilisant Format DICOM et les lésions peuvent être annotées lorsque les médecins parcourent les images.
2.3 Modèle économique
2.3.1 Modèle de développement industriel
Équipement d'imagerie médicale, la cible ultime du service est les hôpitaux et les médecins en imagerie médicale
En utilisant le chiffre d'affaires des machines ou des systèmes comme base statistique, les obstacles comprennent l'accumulation de R&D, le niveau de fabrication de précision et les services de support.
Services de diagnostic par imagerie médicale, la cible ultime du service, ce sont les patients
En utilisant les revenus des services de diagnostic comme base statistique, les coûts de main-d’œuvre des médecins sont ajoutés aux images produites par les équipements d’imagerie. Le facteur le plus important dans le lien entre les services de diagnostic réside dans les conclusions diagnostiques professionnelles et fiables.
2.3.2 Difficultés d'application
(1) Le raisonnement de corrélation basé sur l’analyse de probabilité ne peut pas déterminer la cause et l’effet de la maladie.
Cependant, le développement de l'IA met trop l'accent sur la « corrélation probabiliste », mais les maladies auront toujours des domaines inconnus pour les gens. Comment combiner les deux modèles de données et de connaissances basées sur les connaissances médicales existantes est l'intelligence artificielle d'imagerie médicale La clé de l'application de l'intelligence. à des niveaux plus profonds de traitement et d’intervention dans le domaine médical.
(2) Bien que les ressources de données soient volumineuses, leur qualité n'est pas élevée et elles ne peuvent pas être interconnectées.
Bien que l'imagerie prémédicale ait accumulé une grande quantité de données, jetant les bases de l'analyse de l'intelligence artificielle, la qualité n'est pas élevée et les grands hôpitaux ne peuvent pas être interconnectés. Et l’ouverture des données des hôpitaux tertiaires, qui disposent de grandes quantités de données d’imagerie numérique, constitue également un problème majeur.
(3) Le degré de standardisation des données d'image est faible
Outre le manque criant de standardisation des images médicales et de données structurées, l’annotation des données est particulièrement difficile.
(4) L'étiquetage des données est difficile
La formation à l'intelligence artificielle en imagerie médicale nécessite une grande quantité de données d'images étiquetées, et l'étiquetage nécessite beaucoup de coûts de main-d'œuvre et a un impact direct sur les résultats de la formation.
(5) L’offre et la demande de ressources médicales sont extrêmement déséquilibrées
Les cliniques externes d'imagerie ou spécialisées en imagerie, les consultations d'experts en ligne, les conflits médecins-patients importants, le mauvais environnement médical, le gaspillage des ressources médicales et les coûts médicaux élevés sont également des obstacles.
Chapitre 3 Système d'aide à la décision clinique, assistant virtuel du médecin
3.1 Scénarios d'application
3.1.1 Générer un arrière-plan
Le système d'aide à la décision clinique (CDSS) fait référence à un système logiciel qui utilise des données cliniques comme informations d'entrée et des résultats d'inférence comme sortie pour aider les cliniciens à prendre des décisions.
Le principe de base du système d'aide à la décision clinique est de créer une base de connaissances sur diverses maladies, de saisir dans l'ordinateur les normes de diagnostic, les jugements de seuil, les prescriptions de traitement, l'expérience des experts, etc. concernant diverses conditions, et d'utiliser les informations super précises de l'ordinateur. fonctions de stockage, d'extraction et rapide La puissance de calcul utilise la technologie de l'intelligence artificielle et le raisonnement logique informatique pour simuler la réflexion diagnostique et thérapeutique des médecins, aidant ainsi les médecins à prendre des décisions rapides en matière de diagnostic et de traitement.
Face aux conditions complexes et changeantes des patients, les médecins se sentent souvent dépassés. Même s'ils travaillent dur et sont méticuleux, des omissions et des erreurs se produiront inévitablement. Des enquêtes ont montré que les erreurs de médication ou une mauvaise manipulation dues à une mauvaise prise de décision sont des causes importantes d'erreurs médicales et même d'accidents de responsabilité.
3.1.2 Historique du développement
La recherche sur les systèmes d'aide à la décision clinique a commencé à la fin des années 1950. La première direction de recherche était le développement de systèmes experts médicaux. En appliquant le moteur de raisonnement des règles de production, les connaissances professionnelles et l'expérience clinique des experts médicaux étaient triées et stockées dans l'ordinateur. Dans la base de connaissances, le raisonnement et la correspondance de modèles sont utilisés pour aider les utilisateurs à faire des inférences diagnostiques.
3.1.3 Perspectives d'application
Prise de décision diagnostique : un système universel d'aide à la décision clinique qui peut indiquer aux médecins les exigences de diagnostic, les points d'identification et les plans de diagnostic et de traitement associés conformément aux directives standard de diagnostic et de traitement basées sur la description par le clinicien des symptômes du patient avant le diagnostic, la médication et chirurgie, y compris les invites lors du diagnostic chirurgical. Points clés des opérations chirurgicales et des examens préopératoires, etc.
Prise de décision en matière de traitement : sur la base de l'état du patient, de l'observation clinique du médecin, combinée aux directives médicales et aux bases factuelles, le système d'aide à la décision clinique indique au médecin les indications du médicament, la pharmacologie, l'efficacité, etc., y compris les symptômes courants de la chirurgie. complications et plans de traitement postopératoire et d’évaluation complets, etc.
Prise de décision pronostique : le système d'aide à la décision clinique exploite les données relatives aux patients et à leurs informations médicales et recherches cliniques passées pour prédire les problèmes de santé futurs des patients, et stocke et analyse les traitements qui ne sont pas conformes aux « Directives de diagnostic clinique et de traitement » et « Normes opérationnelles techniques cliniques » Le plan fournit une base pour l'évaluation de la qualité médicale, améliore les niveaux de gestion des hôpitaux, normalise le comportement médical et fournit également des preuves scientifiques pour une médecine fondée sur des preuves.
3.2 Technologies clés
3.2.1 Technologies système clés
Le système d'aide à la décision clinique est l'un des principaux points d'évaluation de l'évaluation des dossiers médicaux électroniques HIMSS (EMRAM)
L'ensemble du niveau 0 à 7 est en fait un processus de mise à niveau progressive et continue des fonctions d'aide à la décision clinique, jusqu'à ce qu'il atteigne finalement le niveau sept de capacité complète d'aide à la décision clinique (CDSS complet).
Classement CDSS
Mécanisme d’algorithme de décision : dans le processus interne d’aide à la décision, un large éventail d’algorithmes peut actuellement être appliqué
La différence dans l'application des algorithmes de prise de décision dépend principalement de la méthode de représentation des connaissances interne du système d'aide à la décision clinique. Il existe différentes méthodes de représentation des connaissances pour différents besoins de prise de décision, formant ainsi différents mécanismes de prise de décision.
Conception des fonctions du système : plus précisément, qu'est-ce qu'un apport et qu'est-ce qu'un résultat ? Si le résultat est constitué de conclusions diagnostiques et de recommandations de médicaments, la base provient alors de lignes directrices cliniques, de cas fondés sur des preuves et de la littérature faisant autorité.
La première consiste à aider à prendre des décisions sur ce qui est juste.
La deuxième consiste à aider les médecins à décider quoi faire ensuite
Méthode d'interaction : dans le processus de production d'informations d'aide à la décision, comment le processus d'interaction est-il conçu, si l'utilisateur est autorisé à prendre l'initiative dans l'interaction et si l'utilisateur peut intervenir dans le résultat final. Les méthodes de recommandation du système de prise de décision clinique sont divisées en deux types : actives et passives.
La méthode proactive signifie que le système fournit activement des suggestions de prise de décision aux médecins, que le médecin ait ou non besoin d'une aide à la décision à ce moment-là.
La méthode passive signifie que le système ne donne des suggestions de prise de décision que lorsque le médecin le demande activement au système.
Intégration du système : la question de savoir si la logique de fonctionnement du CDSS doit être intégrée au système d'information actuel de l'hôpital ou fonctionner de manière indépendante, et si elle doit être intégrée au flux de travail du médecin, sont autant de facteurs importants à prendre en compte.
Niveau d'aide à la décision : en termes d'aide à la décision, que ce soit pour produire directement des résultats ou pour fournir plus indirectement des connaissances auxiliaires à la prise de décision, les cas de référence ont également une relation importante avec le niveau d'application clinique du CDSS.
3.2.2 Technologies de données clés
(1) Intégrer les données
Dans les hôpitaux, les données des patients nécessaires à l'aide à la décision clinique sont collectées via le système de dossier médical électronique, puis extraites et organisées via une pompe à données.
(2) Base de connaissances médicales
Le programme de raisonnement au cœur du système d'aide à la décision clinique peut générer des recommandations basées sur les connaissances et l'expérience de la base de connaissances pour soutenir la prise de décision.
(3) Formation d'aide à la décision
. Sa fonction est d'appliquer les connaissances médicales aux résultats des données des patients, d'analyser et de résumer, et enfin de prendre les décisions et suggestions correspondantes pour des patients spécifiques.
Caractéristiques importantes et conditions nécessaires du CDSS pour les données
Premièrement, il s’appuie sur une puissante base de données de connaissances médicales
Deuxièmement, la structure de connaissances du réseau neuronal ouvert est utilisée pour suivre l'ensemble du processus, de sorte que le système ait la capacité de construire de manière aléatoire des canaux de diagnostic et de traitement procéduraux pour aider les médecins à établir des diagnostics et des traitements thérapeutiques précis, sécurisés et opportuns pour les patients.
Troisièmement, simulez la pensée clinique et fournissez une prise de décision auxiliaire tout au long du processus clinique.
Quatrièmement, à mesure que l'état du patient change, de multiples canaux de prise de décision clinique sont générés pour fournir aux médecins une référence pour la prise de décision, le diagnostic clinique et le traitement ayant la nature d'une consultation multiperspective.
3.3 Modèle économique
3.3.1 Segments de marché
(1) Informatisation des grands hôpitaux
Depuis 2018, les documents d'appel d'offres d'informatisation des hôpitaux tertiaires de nombreuses villes n'ont pas formulé d'expressions ni d'exigences véritablement cliniquement significatives pour la partie CDSS.
(2) Marché primaire médical et santé
Les institutions médicales primaires couvrent une population importante en Chine Même si elle est mesurée en termes monétaires, la capacité de paiement de 277 000 institutions médicales est suffisante pour soutenir un énorme marché primaire de CDSS.
3.3.2 Cas d'application typiques
Système IBM Watson
Sa première étape de commercialisation consiste à coopérer avec le Memorial Sloan-Kettering Cancer Center pour former conjointement la solution IBM Watson contre les tumeurs.
Une équipe de médecins et de chercheurs a téléchargé des milliers de dossiers de patients, près de 500 revues et manuels médicaux et 15 millions de pages de littérature médicale pour former IBM Watson à devenir un « expert médical en oncologie » exceptionnel.
En juillet 2015, IBM Watson est devenu l'un des premiers projets commerciaux d'IBM Watson Health, mettant officiellement en utilisation commerciale des solutions d'oncologie pour quatre types de cancer : le cancer du poumon, le cancer du sein, le cancer du côlon et le cancer rectal.
En août 2016, IBM a annoncé avoir suivi une formation sur le traitement adjuvant du cancer gastrique et l'avoir officiellement lancé.
Modèles et directions d'application typiques du CDSS en Chine
(1) Assistant clinique en santé humaine
La principale source de données de Health Clinical Assistant est constituée des monographies de qualité de People's Medical Publishing House, vieilles de 63 ans, qui collectent plus de 2 000 dossiers hospitaliers. Un comité d'examen d'experts a été créé pour formuler un processus d'examen et de publication des ressources et sélectionner les autorités faisant autorité. contenu à inclure dans la base de données.
(2) Système d'aide à la décision clinique Huimei
En 2015, Huimei Medical Group a officiellement présenté l'ensemble du système de connaissances de Mayo et, en 2016, il a lancé le système d'aide à la décision clinique Huimei, basé sur l'intelligence artificielle.
Étape de consultation/triage pré-diagnostic : les patients peuvent effectuer un auto-examen dans le système de triage intelligent Huimei grâce à une série de questions d'orientation, ils peuvent obtenir une évaluation appropriée de leur état avant le traitement et clarifier les "légers, graves, lents et". "léger" de traitement médical. Urgent "pour obtenir rapidement des conseils de traitement faisant autorité.
Étape de prise de décision pendant le diagnostic : avec l'autorisation de l'hôpital, le système d'aide à la décision clinique Huimei coopère avec le fabricant du système de dossier médical électronique (CPOE) pour implanter les données du dossier médical électronique dans la prise de décision clinique de Huimei. système d'assistant, afin que les médecins ambulatoires puissent Soumis à la standardisation et à la professionnalisation.
Le système peut également exploiter automatiquement la relation entre les symptômes et les maladies, comme la relation entre la fièvre et le rhume, la fièvre et la pneumonie, etc., fournissant des parcours de diagnostic et de traitement standardisés pour les cliniques de la chaîne, aidant les médecins à améliorer leurs capacités commerciales et leur efficacité au travail, et améliorer l’attractivité de la marque.
Étape post-diagnostic et traitement : le système d'aide à la prise de décision clinique de Huimei contient non seulement de nombreux détails sur la maladie, mais couvre également des suggestions complètes de traitement de la maladie, y compris des suggestions de traitement, des suggestions d'examen, des suggestions de médicaments et des conseils aux patients, etc.
En termes d'utilisation rationnelle des médicaments, le système a une fonction stricte d'examen des médicaments, fournissant des descriptions de médicaments, des interactions médicamenteuses, des contrôles de contre-indications, etc., et rappelant rapidement aux médecins d'éviter les erreurs de compatibilité des médicaments et l'abus d'antibiotiques.
Le système d'aide à la prise de décision clinique de Huimei numérise et intelligemment le guide des médicaments contre les maladies chroniques, évalue complètement l'état du patient, génère automatiquement des plans de traitement pour la référence des médecins et recommande des schémas thérapeutiques combinés et des schémas thérapeutiques contre-indiqués.
3.3.3 Orientation du développement
Premièrement, les systèmes d’aide à la décision clinique basés sur les données textuelles des dossiers médicaux cliniques ont commencé à ajouter divers éléments, notamment des images, pour enrichir la chaîne de données pour les décisions diagnostiques.
D'un point de vue spécialisé, les maladies liées aux nerfs crâniens constituent également l'une des orientations importantes pour l'évolution des systèmes d'aide à la décision clinique. En effet, les maladies des nerfs crâniens présentent les caractéristiques de nombreux types de données impliquées dans la prise de décision et sur lesquelles repose le processus de diagnostic. sur l'expérience accumulée à long terme des experts, ils conviennent à l'amélioration de la décision à l'aide de méthodes d'intelligence artificielle telles que l'apprentissage automatique.
Enfin, nous devons également faire face aux difficultés liées à l’application des systèmes d’aide à la décision clinique, depuis la recherche et le développement jusqu’à la mise en œuvre.
(1) L'intersection et l'intégration des technologies de l'information et de la médecine
(2) Comment établir et citer une base de données de connaissances cliniques unifiée à grande échelle
Chapitre 4 Le séquençage des gènes ouvre l'ère de la médecine de précision
4.1 Scénarios d'application
4.1.1 Tests prénatals non invasifs
Des tests génétiques prénatals non invasifs peuvent collecter le sang périphérique des femmes enceintes et séquencer les fragments d'ADN libre dans le sang périphérique maternel (y compris l'ADN libre fœtal). Après analyse, le risque que le fœtus souffre d'aneuploïdie chromosomique peut être calculé. la technologie peut détecter simultanément la trisomie 21, la trisomie 18 et la trisomie 13, et la précision actuelle peut atteindre 99,9 %
4.1.2 Détection des tumeurs
Le diagnostic compagnon NGS des tumeurs permet aux médecins de formuler le meilleur plan de traitement basé sur la propre variation génétique du patient et les conditions cliniques correspondantes, de découvrir le plus tôt possible des médicaments ciblés potentiellement disponibles et d'améliorer l'efficacité du traitement des médicaments antitumoraux.
4.1.3 Dépistage des maladies génétiques rares
Le troisième exemple d’utilisation des tests génétiques pour traiter les « maladies préventives » est le dépistage des maladies génétiques rares.
4.1.4 Gestion de la santé de précision
Les tests génétiques peuvent aider une personne à commencer à prévenir de futures maladies avant de développer la maladie.
4.1.5 Confirmation d'identité
ADN
4.2 Technologies clés
4.2.1 Technologie de séquençage génétique de première génération
Utilise principalement la technologie de fluorescence à quatre couleurs et d'électrophorèse capillaire pour le séquençage, qui est étroitement liée au projet du génome humain
4.2.2 Technologie de séquençage génétique de deuxième génération
Il s’agit de la technologie de séquençage de nouvelle génération (NGS) dont on entend souvent parler aujourd’hui.
4.2.3 Technologie de séquençage génétique de troisième génération
La technologie de séquençage de troisième génération peut séquencer directement des séquences d’ARN et d’ADN méthylé
4.3 Modèle économique
4.3.1 Fabrication d'instruments de séquençage génétique
4.3.2 Services de séquençage génétique
Les services de séquençage génétique pour les services de recherche scientifique prennent le séquençage génétique comme contenu de service
Les services de séquençage génétique destinés directement aux consommateurs utilisent tous des puces génétiques comme plate-forme technologique de séquençage pour fournir des services.
Services de séquençage de gènes avec le diagnostic médical comme mode principal. Les projets de séquençage impliqués comprennent le dépistage du syndrome de Down, la détection de tumeurs, la détection de maladies rares, la détection d'agents pathogènes inconnus, etc.
4.3.3 Développement de logiciels et services cloud
Les utilisateurs loueront des capacités de séquençage, tout comme les ressources informatiques et de stockage, et pourront choisir différentes plates-formes et technologies de séquençage. Ils pourront même obtenir rapidement des services de séquençage via des enchères, tout comme en choisissant des services de cloud computing.
Chapitre 5 : Gestion de la santé, ne pas traiter la « maladie existante » mais traiter la « pré-maladie »
5.1 Scénarios d'application
5.1.1 Prévention des maladies
Les applications de prévention des maladies collectent des informations sur la vie personnelle des utilisateurs, telles que leurs habitudes alimentaires, leurs cycles d'exercice et leurs habitudes en matière de médicaments, et utilisent la technologie de l'intelligence artificielle pour effectuer une analyse des données afin d'évaluer quantitativement l'état de santé de l'utilisateur, aidant ainsi les utilisateurs à comprendre leur condition physique de manière plus complète et plus précise. et fournir des mesures correctives. Les comportements et habitudes malsains constituent la base.
5.1.2 Gestion des maladies chroniques
Les applications de gestion des maladies chroniques servent de pont de communication entre les médecins et les patients, réduisant ainsi le travail des médecins tout en garantissant que l'état des patients est évalué et traité dans des conditions connues et contrôlables.
5.1.3 Gestion sportive
Les applications de gestion des mouvements utilisent des capteurs et leurs algorithmes pour capturer les données de mouvement via des appareils portables de gestion des mouvements (tels que ceux fixés à l'arrière des shorts de course). Ils mesurent la cadence en comptant les pas par minute et peuvent également fournir des informations sur les oscillations verticales du bassin. s'adapte à la rotation pelvienne et aux tendances à la foulée excessive associées à une position assise prolongée, et facilite l'identification et la correction des problèmes de chute pelvienne.
5.1.4 Surveillance du sommeil
Le dispositif de surveillance du sommeil utilise le BCG (cardiogramme) pour mesurer l'activité mécanique du cœur, des poumons et d'autres fonctions corporelles, et peut surveiller les habitudes de sommeil quotidiennes de l'utilisateur via l'iPhone, notamment les ronflements, la durée du sommeil, la fréquence cardiaque au repos, la fréquence respiratoire, la façon dont le temps qu'il faut pour Le nombre de fois que vous pouvez vous endormir, vous lever et le temps total que vous passez en sommeil profond, etc.
5.1.5 Gestion de la santé maternelle et infantile
D'une part, il s'agit de la surveillance des données des femmes avant et après la grossesse, généralement combinées à du matériel intelligent ou à des appareils portables pour surveiller les symptômes physiologiques individuels, l'état émotionnel, le sommeil et d'autres données.
D’un autre côté, il y a des questions et des réponses sur les connaissances parentales. De la santé maternelle et infantile à la naissance d'une nouvelle vie, en passant par la naissance et la croissance du bébé, en passant par les changements physiques personnels, les changements psychologiques et émotionnels, les compétences parentales et même la résolution de divers problèmes familiaux complexes.
5.1.6 Soins aux personnes âgées
Le système de soins aux personnes âgées est principalement destiné à la vie des personnes âgées, permettant aux membres de la famille de comprendre à distance l'état des personnes âgées et de fournir une assistance rapide en cas d'urgence.
5.2 Technologies clés
5.2.1 Technologies de terminaux clés
Le terminal de gestion de la santé réalise la collecte et la transmission de diverses données sur les signes du corps humain (glycémie, tension artérielle, oxygène dans le sang, rythme cardiaque, etc.) en s'intégrant à des logiciels d'application et à des services cloud.
Équipement de gestion de la santé
Il comprend principalement des bracelets de santé, des montres de santé, des équipements de surveillance portables, etc., qui peuvent effectuer une surveillance continue et en temps réel des paramètres physiologiques et des informations sur l'état de santé telles que la tension artérielle, la glycémie, l'oxygène dans le sang et l'ECG, et obtenir des résultats réels en ligne. -gestion du temps et alerte précoce.
Matériel de tests médicaux
Comprenant principalement des équipements portables de surveillance de la santé, des équipements de test de santé en libre-service, etc.
Matériel de soins infirmiers
Il comprend principalement des équipements intelligents de surveillance, de rééducation et de soins tels que des fauteuils roulants intelligents et des lits de surveillance pour les soins à domicile et en institution, ainsi que des terminaux de positionnement intérieur et extérieur de haute précision pour éviter que les patients atteints de la maladie d'Alzheimer ne se perdent, etc.
5.2.2 Technologies de réseau clés
La couche réseau transmet des informations entre la couche de perception, la couche plate-forme et la couche application via une communication sans fil ou filaire via des réseaux publics ou privés.
5.2.3 Technologies de plateforme clés
Actuellement, les technologies clés de la plate-forme Big Data comprennent cinq technologies de base : la technologie de collecte de données, la technologie de stockage de données, la technologie de plate-forme de données, la technologie de traitement des données et la technologie de représentation des données.
problème
(1) Enjeux d’interconnexion des données de santé
Les informations de base et diverses ressources d'informations cliniques sont dispersées, dupliquées et isolées
(2) Problèmes de contrôle de la qualité des données d’évaluation de l’état de santé
Il n’existe aucune norme pertinente pour mesurer l’exactitude des données et l’identification scientifique de pathologies complexes.
5.3 Modèle économique
5.3.1 Modèle de vente de matériel
La plupart des entreprises sont en train de vendre des produits et de collecter des données, et pourraient à l’avenir fournir des services en aval pour gérer les patients.
La concurrence pour la vente de produits terminaux collectant des données sur la santé est très féroce. L'expérience d'utilisation des produits et les services de suivi sont au cœur de la fidélité des clients.
5.3.2 Modèle de prestation de services
Le modèle de facturation axé sur le patient consiste à fournir aux patients des services de gestion des maladies chroniques à leurs propres frais.
Le modèle de facturation des médecins est relativement courant aux États-Unis. Après que la politique d'assurance médicale américaine paie en fonction de la qualité du service, les hôpitaux sont sous la pression de l'assurance médicale et sont incités à aider les patients à obtenir des résultats de traitement optimaux au moindre coût. les médecins sont prêts à payer pour la gestion de la santé.
5.3.3 Modèle d'intégration des données
Un moyen de fournir des données de recherche scientifique aux instituts de recherche
Un autre service complet de gestion de données pour les établissements médicaux
5.3.4 Modèle de paiement de l'assurance
Les prestataires de services réduisent les dépenses en sinistres des compagnies d'assurance et réalisent des bénéfices en effectuant une analyse précise des assurés ou en fournissant des services médicaux.
Chapitre 6 Robots médicaux, diagnostic, traitement, réadaptation et services
6.1 Scénarios d'application
6.1.1 Robot chirurgical
Un robot chirurgical est un appareil combinant un ensemble de composants. Il est généralement assemblé à partir d'un endoscope (sonde), d'instruments chirurgicaux tels que des ciseaux, des caméras miniatures et des joysticks.
La plus grande caractéristique du robot est qu'il possède une dextérité que les humains n'ont pas. Sa base est la suivante : 1) le système de filtrage des tremblements peut filtrer les tremblements de la main du chirurgien 2) le système de réduction de mouvement peut réduire l'amplitude de mouvement du chirurgien ; proportionnellement (5:1) .
6.1.2 Robots de diagnostic et de traitement non chirurgicaux
Les robots de diagnostic et de traitement non chirurgicaux comprennent principalement des robots de radiothérapie, des robots à capsules, des robots d'imagerie et d'autres systèmes robotisés qui facilitent le diagnostic et le traitement.
6.1.3 Robot de rééducation
Répondre aux nouveaux besoins médicaux et sanitaires tels que la chirurgie de précision/mini-invasive, la compensation fonctionnelle et la réadaptation, et les services aux personnes âgées.
6.1.4 Robots de services médicaux
L'objectif des robots des services médicaux est également d'aider le personnel médical à partager certains travaux de transport lourds et fastidieux et à améliorer l'efficacité du travail du personnel médical.
6.2 Technologies clés
6.2.1 Ergonomie
Afin de comprendre la relation interactive entre les personnes et les autres éléments du système, ses théories, principes et méthodes sont principalement utilisés dans le processus de conception des robots, dans le but d'optimiser la santé humaine et les performances du système.
L'intégration de l'ergonomie et des robots médicaux fait référence à la technologie permettant de réaliser un dialogue entre les humains et les ordinateurs de manière efficace grâce à des dispositifs d'entrée et de sortie informatiques. Les technologies associées incluent des machines fournissant une grande quantité d'informations pertinentes et des invites d'instructions via des dispositifs de sortie ou d'affichage. et les humains Utiliser des périphériques de saisie pour saisir des informations pertinentes dans la machine, répondre aux questions et fournir des invites, etc.
Robot de guidage médical
6.2.2 Commande à distance
La technologie de téléopération signifie que l'opérateur contrôle localement le contrôleur principal pour compléter le contrôle à distance des machines dans des endroits éloignés inaccessibles ou dans des environnements spéciaux.
La téléchirurgie signifie que les chirurgiens peuvent utiliser des instruments pour effectuer un traitement chirurgical localement sur des patients éloignés. Elle peut atténuer la pénurie de chirurgiens de haute qualité dans les zones reculées, réduire les coûts médicaux et donner de l'espoir à de nombreux patients vivant dans des environnements isolés ou spéciaux.
6.2.3 Technologie de positionnement spatial
Le système de positionnement dans l'espace chirurgical fait correspondre avec précision les données d'image préopératoires ou peropératoires du patient avec la structure anatomique du patient sur le lit d'opération, suit les instruments chirurgicaux pendant l'opération, et met à jour et affiche la position des instruments chirurgicaux sous la forme d'une sonde virtuelle sur l'image du patient en temps réel, permettant aux opérations chirurgicales du médecin d'être plus précises, efficaces et sûres.
(1) Les systèmes de navigation basés sur des images préopératoires nécessitent une planification préopératoire ainsi qu'un enregistrement et un suivi peropératoires. Les systèmes de navigation CT préopératoires typiques peuvent être utilisés pour la navigation orthopédique et chirurgicale de la colonne vertébrale, et les systèmes de navigation IRM préopératoires typiques peuvent être utilisés pour la navigation neurochirurgicale.
(2) Système de navigation chirurgicale par fluoroscopie à rayons X avec arceau : aucun enregistrement préopératoire ou peropératoire n'est requis. Il peut présenter la structure anatomique de l'image en temps réel et obtenir la relation de position spatiale des instruments chirurgicaux par rapport à. le patient. Le médecin peut en déduire le parcours des instruments chirurgicaux sur cette base. C'est un point chaud de la recherche ces dernières années.
(3) L'échographie peut produire une imagerie en temps réel, est sûre, pratique et peu coûteuse. Elle est actuellement couramment utilisée dans la ponction lombaire guidée par échographie, la chirurgie de traumatologie cranio-cérébrale, le pontage aorto-coronarien et d'autres opérations.
(4) L'IRM peropératoire peut surveiller le déplacement des structures anatomiques peropératoires en temps réel et peut résoudre complètement le problème de la dérive d'image peropératoire dans le système de navigation d'image préopératoire existant.
(5) Les endoscopes sont largement utilisés en chirurgie mini-invasive. Les médecins peuvent effectuer des opérations telles que la biopsie, l'élimination des calculs et la suture sous la direction de l'image visuelle de l'endoscope.
6.2.4 Traitement d'image multimode
L'enregistrement des images médicales consiste à trouver une sorte de transformation spatiale pour rendre les points correspondants des deux images complètement cohérents en termes de position spatiale et de structure anatomique.
L'objectif principal de la fusion d'images est d'améliorer la lisibilité des images en traitant les données redondantes entre plusieurs images, et d'améliorer la clarté des images en traitant des informations complémentaires entre plusieurs images.
La segmentation d'image consiste à séparer différentes zones d'importance particulière dans l'image afin que chaque zone disjointe satisfasse à la cohérence de la zone spécifique.
La visualisation tridimensionnelle des images médicales effectue une reconstruction tridimensionnelle de l'image acquise et réduit l'impact du bruit de l'image tomographique bidimensionnelle grâce à un filtrage bidimensionnel, améliore le rapport signal/bruit et élimine le sillage du image.
6.2.5 Technologie d'intelligence artificielle
À l'heure actuelle, l'intelligence artificielle peut être utilisée pour le diagnostic par imagerie de nombreuses maladies telles que l'ophtalmologie, la médecine interne et les tumeurs. Elle peut également effectuer un raisonnement et un jugement basés sur les connaissances et l'expérience fournies par un ou plusieurs experts dans un domaine donné, et simuler la situation. processus de prise de décision d'experts humains et résoudre des problèmes médicaux sur le terrain.
6.2.6 Mégadonnées médicales
Le Big Data médical est une technologie de base de données à caractère médical, orientée vers les dossiers médicaux électroniques, l'imagerie médicale, les vidéos hospitalières et d'autres types de données, y compris l'extraction d'informations structurées pour les dossiers médicaux électroniques, l'analyse de données pour l'imagerie médicale et les vidéos de surveillance hospitalière. . Analyse intelligente, etc.
6.2.7 Technologie de réalité virtuelle/réalité augmentée
La technologie de réalité virtuelle fournit trois liens clés pour le traitement de réadaptation : la pratique répétée, le retour d'information sur les performances et le maintien de la motivation. En mettant en place un environnement virtuel raisonnable et un retour d'informations efficace, les patients peuvent évaluer objectivement leur propre état, améliorant ainsi considérablement l'effet de l'entraînement de rééducation.
6.3 Modèle économique
6.3.1 Modèle économique des robots chirurgicaux
Catégorie A : Système robotique de participation chirurgicale (CAO/FAO chirurgicale)
Les robots médicaux des systèmes de classe A participent et complètent principalement l’ensemble du processus chirurgical, y compris la résection et la suture. Le chirurgien joue un rôle d’orientation et d’assistance
Catégorie B : Systèmes robotisés pour assistants chirurgicaux (assistants chirurgicaux)
Les robots médicaux des systèmes de classe B aident principalement les médecins à réaliser des interventions chirurgicales, notamment la planification préopératoire, le positionnement peropératoire, etc.
6.3.2 Modèle économique des robots de diagnostic et de traitement non chirurgicaux
(1) Robot de radiothérapie
Les produits typiques des robots de radiothérapie incluent CyberKnife, un nouveau type d'équipement de radiothérapie stéréotaxique du corps entier utilisé pour traiter divers types de cancer et de tumeurs du corps.
(2) Robot du système d'imagerie
Le robot de lecture peut être utilisé dans des domaines de diagnostic d'images tels que l'échographie des nodules thyroïdiens, le dépistage du cancer du col de l'utérus et le dépistage des maladies pulmonaires. Il s'agit d'un exemple typique de combinaison d'intelligence artificielle, de mégadonnées médicales et de robots médicaux.
(3) Robot-capsule
Le robot capsule est un micro-outil intelligent qui peut pénétrer dans le tractus gastro-intestinal humain à des fins d'exploration et de traitement médicaux. Il s'agit d'une nouvelle avancée dans la technologie médicale pour l'examen et le traitement interventionnels in vivo.
6.3.3 Modèle économique des robots de rééducation
(1) Rééducation de la fonction motrice
La rééducation de la fonction motrice s'adresse principalement aux personnes handicapées, aux personnes âgées et aux personnes à mobilité réduite.
(2) Prothèses intelligentes
Les prothèses intelligentes collectent les signaux électromyographiques résiduels de contraction musculaire et établissent une relation correspondante entre les signaux électromyographiques et les mouvements articulaires prothétiques pendant l'entraînement, simulant ainsi intelligemment les mouvements réels des membres.
(3) Autres robots de rééducation
Les domaines d'application des robots de rééducation comprennent également la rééducation des fonctions cardiopulmonaires, la rééducation des fonctions du langage, la rééducation des fonctions cognitives et d'autres types de robots de rééducation.
6.3.4 Modèle économique des robots de services médicaux
robot de télémédecine
Il peut répondre en permanence aux nouvelles questions soulevées par les gens en accumulant et en mettant à jour les données, et peut répondre efficacement aux besoins énormes et complexes en matière de services d'information dans les hôpitaux.
Robot de transport d'articles
Capable de réaliser une planification de chemin autonome, l'évitement d'obstacles, la recharge, le transport d'articles, etc.
robot de service de pharmacie
Distribution de médicaments
Chapitre 7 L'Internet industriel, nouvelle direction pour le développement de la biomédecine
7.1 Gestion du cycle de vie complet des équipements médicaux
7.1 Gestion du cycle de vie complet des équipements médicaux
7.1.1 Contexte du développement
Alors que les autorités sanitaires de mon pays ont augmenté les exigences de gestion de la qualité des équipements médicaux dans la gestion des hôpitaux classés et ont progressivement amélioré les règles et réglementations pertinentes, la sécurité de la qualité des équipements médicaux et la gestion des risques sont progressivement devenues un élément important pour garantir la sécurité du travail clinique dans les hôpitaux. à tous les niveaux.
La gestion intelligente aide les services de gestion liés aux équipements médicaux à établir des connexions pratiques tout en gérant le système pour éviter les îlots d'informations.
7.1.2 Technologies clés
La gestion intelligente des équipements médicaux couvre l’ensemble du processus de gestion du cycle de vie des équipements médicaux et des consommables médicaux, depuis leur admission jusqu’à leur mise au rebut.
Gestion du matériel médical
Gestion des consommables généraux
Gestion des consommables de grande valeur
La gestion médicale intelligente prend le cycle de vie des équipements médicaux comme noyau, utilise des moyens intelligents et se combine avec d'autres systèmes d'information des unités médicales pour parvenir à une gestion raffinée des équipements médicaux.
7.1.3 Problèmes rencontrés
(1) Améliorer les normes de gestion intelligente des équipements médicaux
(2) Clarifier le niveau de développement de la gestion intelligente des équipements médicaux
(3) Déterminer le contenu de la gestion intelligente des équipements médicaux
7.2 Fabrication additive biomédicale (impression 3D)
7.2.1 Contexte du développement
La fabrication additive (impression 3D) nécessite d'abord que le produit conçu soit présenté sous forme 3D via un ordinateur, puis des matériaux d'impression spécifiques sont utilisés pour imprimer couche par couche jusqu'à ce que le produit soit formé.
Les technologies courantes de fabrication additive (impression 3D) dans le domaine de la biomédecine comprennent principalement le moulage par frittage sélectif au laser, le photodurcissement au laser, la modélisation par dépôt fondu, la technologie de fabrication de solides en couches, etc.
7.2.2 Technologies clés
(1) Conception de modèles médicaux
(2) Fabrication régénérative de tissus et d’organes
(3) Fabrication de dispositifs médicaux
7.2.3 Problèmes rencontrés
Principalement limité aux caractéristiques matérielles et à l'unicité des matériaux d'impression
7.3 Recherche et développement de médicaments assistés par l’intelligence artificielle
7.3.1 Contexte du développement
La recherche et le développement de nouveaux médicaments sont un domaine technique à haut risque, à long terme, à forte intensité de capital et de technologie, et le taux d'échec de la recherche et du développement de médicaments atteint également plus de 90 % (en particulier les médicaments originaux)
7.3.2 Technologies clés
(1) Dépistage ciblé
(2) Criblage et optimisation des médicaments
(3) Découverte et recrutement de patients
(4) Gestion de la conformité
(5) Prédiction de la forme cristalline du médicament
(6) Big data des patients et recherche dans le monde réel
Chapitre 8 Perspectives de développement médical et sanitaire de l’intelligence artificielle en Chine
8.1 Normes de politique
8.1.1 Promotion du développement industriel
Soutien politique national
8.1.2 Supervision et gestion de l'industrie
Actuellement, les autorités réglementaires interdisent aux logiciels d’assistant virtuel de fournir des conseils de diagnostic pour toute maladie et autorisent uniquement les utilisateurs à fournir des services légers de consultation en matière de santé.
Les produits et services médicaux et de santé basés sur l'intelligence artificielle doivent répondre aux normes nationales pertinentes pour garantir les exigences de sécurité, de fiabilité, de traçabilité, de protection de la vie privée, etc.
8.1.3 Protection de la sécurité des données
Dans le processus de développement du big data sanitaire et médical et de l’intelligence artificielle, des questions telles que la protection de la vie privée, la sécurité des données et même la sécurité nationale font l’objet d’une attention croissante.
8.2 Innovation technologique
8.2.1 Recherche et développement de technologies clés
Des technologies telles que des capteurs intelligents, des puces de réseaux neuronaux et des plateformes ouvertes open source ont été appliquées dans les domaines médical et de la santé et ont obtenu des résultats remarquables.
8.2.2 Construction d'un ensemble de données de formation
La prochaine étape consistera initialement à créer et à ouvrir divers types de bibliothèques massives de ressources de formation en intelligence artificielle pour la recherche et le développement de produits clés en matière d'intelligence artificielle et de produits de santé médicale et pour les besoins d'applications industrielles.
8.2.3 Assurance de la sécurité des informations
Le système de structure des applications médicales intelligentes est énorme, la plate-forme est très ouverte, l'activité est complexe, il existe de nombreuses identités d'utilisateurs, en particulier les patients détenant des informations privées sensibles, une grande quantité de données spatiales et les informations sont également fortement interconnectées dans la métropole. zone.
La recherche et le développement des technologies d'intelligence artificielle, de sécurité des réseaux médicaux et de santé continuent de se renforcer, et la protection de la sécurité des réseaux de produits et de systèmes sera encore renforcée à l'avenir.
Le marché de la sécurité de l'information se concentrera progressivement et les stratégies de sécurité de l'information se déplaceront vers la défense active.
La construction du système de sécurité médicale et sanitaire de l'intelligence artificielle continuera de s'accélérer, un système de responsabilité de gestion de la sécurité sera initialement établi et des règles d'étiquetage, de classification scientifique, de classification des risques et d'examen de la sécurité seront initialement formulées.
Niveau de protection ?
8.3 Modèle économique
8.3.1 Géants de l'Internet
Baidu, Alibaba, Tencent
8.3.2 Entreprises en démarrage
En revanche, pour les start-up, la coopération avec les entreprises du côté B mérite davantage d’être explorée en profondeur.
8.3.3 Entreprises de matériel médical
Les données collectées pour les produits d'une même marque sont plus standardisées et le format est plus unifié, ce qui facilite l'exploration et l'application des données.
8.4 Ressources de talents
La demande de talents en intelligence artificielle et santé médicale provient principalement de deux domaines différents : l’intelligence artificielle et la santé médicale (talents complexes)
. Adhérez à la combinaison de formation et d’introduction pour attirer et cultiver les principaux talents de l’intelligence artificielle ayant un potentiel de développement. Encourager et guider les talents et les équipes innovantes nationales, et renforcer la coopération et l'interaction avec les plus grandes institutions mondiales.
8.5 Éthique réglementaire
Les réglementations juridiques doivent protéger l'innovation technologique, et l'innovation et le développement technologiques doivent également respecter les valeurs juridiques.