Галерея диаграмм связей [Общественные работы] Здравоохранение с использованием искусственного интеллекта применение и будущее интеллектуального здравоохранения
Интеллект-карта «ИИ в здравоохранении: применение и будущее интеллектуального здравоохранения» поможет вам более интуитивно понять эту книгу. Надеюсь, эта интеллектуальная карта окажется для вас полезной!
Отредактировано в 2024-01-31 17:23:23Здравоохранение с искусственным интеллектом: применение и будущее интеллектуального здравоохранения
Глава 1. Искусственный интеллект расширяет возможности медицинской отрасли и индустрии здравоохранения
1.1 Предыстория развития искусственного интеллекта в медицине и здравоохранении
1.1.1 Болевые точки отрасли стимулируют появление новых требований
Медицинское здоровье является одной из наиболее фундаментальных потребностей людей в средствах к существованию.
Что касается спроса, то спрос на медицинские и медицинские услуги продолжает быстро расти.
В 2002 году население моей страны в возрасте 65 лет и старше составляло 7,01%, и она вступила в стареющее общество.
Ожидается, что доля населения в возрасте 65 лет и старше достигнет 14% в 2027 году, и оно вступило в глубоко стареющее общество.
Распространяются хронические заболевания, и состояние здоровья становится нормальным.
Что касается предложения, то, во-первых, общий объем медицинских ресурсов недостаточен. Общие медицинские ресурсы моей страны скудны, а ее население велико, что приводит к огромному дефициту ресурсов. Во-вторых, ресурсы неравномерны, и высококачественные медицинские ресурсы ориентированы на крупные города.
1.1.2 Технологические прорывы открывают новые средства
Что касается вычислительной мощности, графические процессоры (GPU) значительно улучшили вычислительную производительность и обладают возможностями параллельных вычислений, которые намного превосходят возможности центральных процессоров (CPU).
С точки зрения моделей алгоритмов, глубокое обучение является популярным алгоритмом в текущих исследованиях и приложениях, а также важной областью искусственного интеллекта.
Что касается ресурсов данных, существует множество сценариев, в которых генерируются медицинские данные и данные здравоохранения.
Одним из них являются данные медицинского учреждения.
Во-вторых, данные генетических и клинических испытаний.
В-третьих, данные пациентов
В-четвертых, данные медицинской страховки и оплаты.
1.1.3 Внедряются политики для создания новой среды
В последние годы искусственный интеллект привлекает все большее внимание во всем мире и быстро развивается. Он стал стратегическим центром внимания стран по всему миру.
1.2 Что искусственный интеллект может сделать для здравоохранения?
1.2.1 История технологической эволюции медицины и информатизации здравоохранения
Подтема 1
1.2.2 Предварительная диагностика: профилактика заболеваний и управление здоровьем
Большинство заболеваний можно предотвратить, но поскольку симптомы обычно не очевидны на ранних стадиях заболевания, они не обнаруживаются до тех пор, пока состояние не ухудшится.
1.2.3 Предварительная диагностика: секвенирование генов
Секвенирование генов — это новый тип технологии генетического тестирования. Он анализирует и определяет последовательности генов и может использоваться в клинической диагностике генетических заболеваний, пренатальном скрининге, прогнозировании и лечении опухолей и т. д.
1.2.4 Диагностика: диагностика с помощью медицинской визуализации
При ручном анализе можно полагаться только на опыт, поэтому возможны ошибочные суждения.
1.2.5 Диагностика: помощь в принятии клинических решений
Система поддержки принятия клинических решений может обеспечить наиболее точный диагноз и наилучшее лечение благодаря обширному изучению литературы и постоянному исправлению ошибок.
1.2.6 Диагностика: медицинские роботы
В настоящее время медицинские роботы в основном включают хирургических роботов, реабилитационных роботов, роботов-медсестер, роботов-дозаторов и т. д.
1.2.7 Постдиагностика: реабилитационная помощь
К вспомогательным реабилитационным устройствам относятся изделия, которые улучшают, компенсируют, заменяют функции организма человека, а также обеспечивают вспомогательное лечение и предотвращают инвалидность, включая ортопедические стельки, протезы, устройства, вспомогательные для индивидуальной мобильности, экзоскелетные реабилитационные роботы и т. д. К применимым группам в основном относятся люди с ограниченными возможностями, пожилые люди, и раненые люди и т. д.
1.2.8 Биомедицина
Благодаря машинному обучению и технологиям обработки естественного языка информация в медицинской литературе, статьях, патентах и геномных данных может быть проанализирована для поиска подходящих кандидатов на лекарства и выявления эффективных соединений для конкретных заболеваний, что значительно сокращает время и затраты на исследования и разработки.
1.3 Промышленная система искусственного интеллекта в области медицины и здравоохранения
1.3.1 Система искусственных технологий в области медицины и здравоохранения
Ссылка на восприятие
Компьютерное зрение — это наука об использовании компьютеров для имитации зрительной системы человека, позволяющая компьютерам обладать человеческими возможностями извлечения, обработки, понимания и анализа изображений и последовательностей изображений. Оно широко используется в распознавании медицинских изображений, вспомогательной патологоанатомической диагностике, ЭКГ. вспомогательная диагностика и т.д.
Обработка естественного языка является важным направлением в области информатики и искусственного интеллекта. Оно изучает различные теории и методы, позволяющие добиться эффективного общения между людьми и компьютерами с использованием естественного языка. Оно включает в себя множество областей, включая машинный перевод, машинный перевод и т. д. Системы понимания прочитанного, вопросы и ответы и т. д. в основном используются при сборе и анализе информации о пациентах в таких областях, как интеллектуальная сортировка, интеллектуальное руководство и виртуальные помощники.
Сенсорная технология Biosign относится к технологии, которая идентифицирует и удостоверяет личность человека на основе индивидуальных физиологических или поведенческих характеристик. Сенсорная технология Biosign охватывает широкий спектр контента и в основном используется в медицинских и медицинских носимых устройствах, лечении хронических заболеваний, прогнозировании заболеваний и других. поля.
Этап мышления предназначен для того, чтобы компьютер имел достаточную вычислительную мощность для моделирования определенных процессов мышления и поведения человека, чтобы выносить суждения на основе собранных данных и информации.
Ссылка на действие заключается в преобразовании результатов предварительной обработки и суждения в движения тела и медиа-информацию и передаче их в интерактивный человеко-машинный интерфейс или внешние устройства для достижения обмена информацией и физического взаимодействия между людьми, машинами и машинами.
Звено действия тесно связано с механической технологией, технологией управления, технологией восприятия и т. д.
1.3.2 Искусственный интеллект, медицина и экология индустрии здравоохранения
1.3.3 Модель индустрии здравоохранения Искусственный интеллект
Согласно статистике, к 2025 году общая стоимость рынка приложений искусственного интеллекта достигнет 127 миллиардов долларов США, из которых на медицинскую отрасль будет приходиться одна пятая часть объема рынка.
Отечественные и зарубежные технологические компании начали развертывание в сфере медицинского искусственного интеллекта
Глава 2 Распознавание медицинских изображений, компьютерное «чтение» врача
2.1 Сценарии применения
2.1.1 Предыстория разработки
Клинически более 70% диагнозов основаны на медицинской визуализации.
Существует огромная нехватка врачей-визуализаторов.
Медицинская визуализационная диагностика имеет высокий уровень ошибочного диагноза и низкую эффективность.
Степень информатизации медицинской визуализации низкая.
Развитие технологии искусственного интеллекта ускорило скорость медицинской диагностики, повысило точность диагностики и внесло изменения в то, как врачи-визуализаторы «читают».
(1) Изменения в методах чтения. Применение искусственного интеллекта напрямую позволяет машине автоматически выполнять предварительный просмотр, оценку, выбор поражений на пленке и т. д. Врач должен нести ответственность только за окончательное решение.
(2) Скорость чтения изменится. Искусственный интеллект автоматически и быстро проверяет и выбирает очаги поражения. Врач отвечает только за повторную оценку ключевых частей, что избавляет врачей от трудоемкого процесса первоначального обследования. Время значительно сокращается, а эффективность повышается.
(3) Изменение точности. Искусственный интеллект обладает двойными характеристиками стабильности и полноты, и на него не влияет продолжительность рабочего времени. Он может полностью просмотреть весь фильм, не пропуская никаких пропусков, быстро и стабильно завершить первоначальный просмотр и оценку и, наконец, нанять профессионального врача. переоценить ключевые части. Таким образом, точность считывания изображения гарантирована вдвойне.
2.1.2 Основные сценарии применения
(1) Классификация случаев изображения
Классификация случаев в основном анализирует набор типичных картинок для получения соответствующих результатов классификации случаев.
(2) Обнаружение и сегментация цели или повреждения
Он больше ориентирован на классификацию определенной части изображения или местных различий, таких как небольшие ткани и поражения, например, обнаружение и классификация распространенных легочных узелков.
2.2 Ключевые технологии
2.2.1 Текущее состояние технологического развития
(1) Текущий статус академических исследований
Алгоритмы искусственного интеллекта, такие как радиомика, глубокое обучение и трансферное обучение, были разработаны и протестированы на данных медицинских изображений, формируя различные прикладные модели, такие как обнаружение поражений, сегментация поражений, оценка характера поражений, планирование лечения и прогнозирование прогноза.
(2) Текущий статус разработки продукта
Многие крупные предприятия и начинающие компании в стране и за рубежом вложили средства в разработку продуктов медицинской визуализации с использованием искусственного интеллекта.
Tencent Miying, Shenrui Medical, Jianpei Technology, Yidu Cloud, Zhiying Medical, Ruijia Yiying RayPlus, Diyinga, Laxon и т. д.
(3) Статус клинической заявки
Из-за недостаточной клинической проверки эффективности искусственного интеллекта, отсутствия стандартных баз данных и сценариев, подходящих для исследований искусственного интеллекта, а также клинических этических и нормативных проблем, которые еще предстоит решить, наблюдается нехватка продуктов, которые можно было бы применять в реальных условиях. клиническая практика.
2.2.2 Проектирование модели
Проблема, решаемая с помощью модели, должна вызывать общий интерес у клиницистов и радиологов, а повышение эффективности и точности ее решения в целом может принести пользу пациентам.
При разработке модели необходимо учитывать новейшие клинические рекомендации и спецификации в соответствующих областях и способствовать диагностике и лечению заболеваний на основе существующих медицинских процедур.
Для обучения необходимо использовать достаточное количество данных и аннотаций данных. Например, обучение должно быть сосредоточено на выявлении распространенных опухолей, а не на диагностике редких опухолей.
Ключом к разработке модели является выбор проблемы, которая наиболее способствует принятию решений врачом и приносит пользу пациенту, а проблема, выбранная для решения, также должна включать в себя большой объем обучающих данных, которые легко получить и разметить.
2.2.3 Построение модели
Создание модели включает структурированное построение обучающих данных, использование алгоритмов обучения для построения модели и, наконец, проверку модели.
2.2.4 Выбор алгоритма
Выбор различных методов моделирования следует планировать с учетом объема данных и сложности обучающих данных.
Во-первых, для больших объемов обучающих данных рекомендуется использовать глубокое обучение, включая различные нейронные сети, в качестве моделирования обучающегося.
Во-вторых, для средних объемов обучающих данных вы можете попробовать использовать моделирование глубокого обучения. Если эффект неудовлетворительный, вы можете рассмотреть возможность использования нейронной сети для извлечения функций и использования методов машинного обучения для построения модели.
В-третьих, для небольшого объема обучающих данных рекомендуется сначала использовать методы радиомики для проведения высокопроизводительного тестирования, извлечения особенностей изображения в пределах диапазона поражения и использования методов машинного обучения для построения моделей.
В-четвертых, хотя объем обучающих данных небольшой, существует большое количество аналогичных модальных данных, сталкивающихся с другими проблемами. Вы можете попробовать использовать методы трансферного обучения, чтобы применить опыт работы с большими выборками данных к обучению с небольшими выборками.
2.2.5 Создание службы
Во время разработки модели создайте разумную модель обслуживания, основанную на характеристиках приложения, клинических потребностях и рабочих привычках врачей.
Во-первых, технология облачной визуализации быстро развивается. Ее сочетание с технологией искусственного интеллекта может лучше обеспечить медицинские учреждения, особенно массовые больницы, пакетом решений для передачи, хранения и вспомогательной диагностики, что поможет повысить эффективность работы медицинских учреждений. . точность диагностики
Во-вторых, с точки зрения интеграции с существующими рабочими процессами его можно объединить с системой RIS для предоставления структурированных отчетов AI, и в то же время в сочетании с системой PACS отчет о комплексном анализе AI может быть отправлен в систему PACS с использованием Формат DICOM, и поражения могут быть аннотированы, когда врачи просматривают изображения.
2.3 Бизнес-модель
2.3.1 Модель промышленного развития
Медицинское оборудование для визуализации, конечная цель обслуживания — больницы и врачи-визуализаторы.
Используя доходы от продаж машин или систем в качестве статистической основы, барьеры включают накопление НИОКР, уровень точности производства и вспомогательных услуг.
Услуги медицинской визуализации и диагностики, конечная цель обслуживания — пациенты
Используя доходы от диагностических услуг в качестве статистической основы, затраты на рабочую силу врачей добавляются к изображениям, полученным с помощью визуализирующего оборудования. Важнейшим фактором в звене диагностической службы являются профессиональные и надежные диагностические заключения.
2.3.2 Трудности применения
(1) Корреляционные рассуждения, основанные на вероятностном анализе, не могут определить причину и следствие заболевания.
Однако развитие ИИ преувеличивает «вероятностную корреляцию», но болезни всегда будут иметь неизвестные для людей области. Как объединить две модели данных и знаний на основе существующих медицинских знаний — это искусственный интеллект в области медицинских изображений. на более глубокие уровни лечения и вмешательства в медицинской сфере.
(2) Хотя ресурсы данных велики по объему, их качество невысокое, и они не могут быть связаны между собой.
Хотя доврачебная визуализация накопила большой объем данных, закладывающих основу для анализа искусственного интеллекта, качество не является высоким, и крупные больницы не могут быть связаны между собой. Открытость данных больниц третичного уровня с большими объемами данных цифровых изображений также является большой проблемой.
(3) Степень стандартизации данных изображения низкая.
Помимо серьезной нехватки стандартизации медицинских изображений и структурированных данных, особенно трудной является аннотация данных.
(4) Разметка данных затруднена.
Обучение искусственного интеллекта медицинской визуализации требует большого количества размеченных данных изображения, а маркировка требует больших трудозатрат и напрямую влияет на результаты обучения.
(5) Спрос и предложение на медицинские ресурсы крайне несбалансированы.
Препятствиями также являются амбулаторные клиники со специалистами по визуализации или визуализации, онлайн-консультации экспертов, серьезные конфликты между врачом и пациентом, плохая медицинская среда, растрата медицинских ресурсов и высокие медицинские расходы.
Глава 3 Система поддержки принятия клинических решений, виртуальный помощник врача
3.1 Сценарии применения
3.1.1 Создание фона
Система поддержки клинических решений (CDSS) — это программная система, которая использует клинические данные в качестве входной информации и результаты выводов в качестве выходных данных, чтобы помочь врачам принимать решения.
Основной принцип системы поддержки клинических решений заключается в создании базы знаний о различных заболеваниях, вводе в компьютер диагностических стандартов, пороговых суждений, рецептов лечения, экспертного опыта и т. д. о различных состояниях и использовании сверхточной информации компьютера. Функции хранения, извлечения и быстрого реагирования. Вычислительная мощность использует технологию искусственного интеллекта и компьютерное логическое мышление для моделирования мышления врачей о диагностике и лечении, помогая врачам быстро принимать решения по диагностике и лечению.
Столкнувшись со сложным и изменчивым состоянием пациентов, врачи часто чувствуют себя перегруженными. Даже если они работают усердно и дотошно, неизбежно возникают упущения и ошибки. Исследования показывают, что ошибки в лечении или неправильное обращение из-за неправильного принятия решений являются важными причинами медицинских ошибок и даже несчастных случаев, связанных с ответственностью.
3.1.2 История развития
Исследования систем поддержки принятия клинических решений начались в конце 1950-х годов. Самым ранним направлением исследований была разработка медицинских экспертных систем. С помощью механизма рассуждения производственных правил профессиональные знания и клинический опыт медицинских экспертов сортировались и сохранялись в компьютере. В базе знаний рассуждения и сопоставление с образцом используются, чтобы помочь пользователям сделать диагностические выводы.
3.1.3 Перспективы применения
Принятие диагностических решений: универсальная система поддержки клинических решений, которая может подсказывать врачам диагностические требования, точки идентификации и соответствующие планы диагностики и лечения в соответствии со стандартными рекомендациями по диагностике и лечению, основанными на описании врачом симптомов пациента перед постановкой диагноза, назначением лечения и оперативное вмешательство, в том числе подсказки при хирургической диагностике. Основные моменты хирургических операций и предоперационных обследований и т. д.
Принятие решения о лечении: на основе состояния пациента, клинического наблюдения врача в сочетании с медицинскими рекомендациями и доказательной базой система поддержки клинических решений подсказывает врачу показания к препарату, фармакологию, эффективность и т. д., включая общие симптомы хирургического вмешательства. осложнения, комплексное послеоперационное лечение и планы оценки и т. д.
Принятие прогностических решений: система поддержки клинических решений собирает данные, относящиеся к пациентам, их прошлой медицинской информации и клиническим исследованиям, чтобы предсказать будущие проблемы со здоровьем пациентов, а также сохраняет и анализирует методы лечения, которые не соответствуют «Руководствам по клинической диагностике и лечению» и «Клинические технические операционные стандарты». План обеспечивает основу для оценки качества медицинской помощи, повышает уровень управления больницами, стандартизирует медицинское поведение, а также предоставляет научные данные для доказательной медицины.
3.2 Ключевые технологии
3.2.1 Ключевые технологии системы
Система поддержки клинических решений является одной из основных точек оценки в рейтинге электронных медицинских карт HIMSS (EMRAM).
Весь уровень 0–7 фактически представляет собой процесс постепенного и непрерывного совершенствования функций поддержки клинических решений, пока он, наконец, не достигнет седьмого уровня комплексных возможностей поддержки клинических решений (полный CDSS).
Классификация CDSS
Механизм алгоритма принятия решения: в настоящее время во внутреннем процессе поддержки принятия решений может применяться широкий спектр алгоритмов.
Разница в применении алгоритмов принятия решений в основном зависит от внутреннего метода представления знаний системы поддержки клинических решений. Существуют разные методы представления знаний для разных потребностей принятия решений, что формирует разные механизмы принятия решений.
Проектирование функций системы: в частности, что является входными данными и что является выходными данными. Если выходными данными являются диагностические заключения и рекомендации по лечению, то основой будут служить клинические рекомендации, доказательные случаи и авторитетная литература.
Один из них — помочь принять решение о том, что правильно.
Во-вторых, помочь врачам решить, что делать дальше.
Метод взаимодействия: в процессе вывода информации для поддержки принятия решений, как устроен процесс взаимодействия, разрешено ли пользователю проявлять инициативу во взаимодействии и может ли пользователь вмешиваться в конечный результат. Рекомендательные методы системы принятия клинических решений делятся на два типа: активные и пассивные.
Проактивный подход означает, что система активно предоставляет врачам предложения по принятию решений, независимо от того, нужна ли врачу помощь в принятии решений в данный момент.
Пассивный метод означает, что система дает предложения по принятию решений только тогда, когда врач активно запрашивает систему.
Системная интеграция. Следует учитывать, должна ли рабочая логика CDSS быть интегрирована с текущей информационной системой больницы или работать независимо, а также необходимо ли ее интегрировать с рабочим процессом врача.
Уровень поддержки принятия решений: с точки зрения поддержки принятия решений, будь то прямой вывод результатов или более косвенное предоставление вспомогательных знаний для принятия решений, эталонные случаи также имеют важную связь с уровнем клинического применения CDSS.
3.2.2 Ключевые технологии обработки данных
(1) Интегрировать данные
В больницах данные пациентов, необходимые для принятия клинических решений, собираются через систему электронных медицинских карт, а затем извлекаются и систематизируются с помощью насоса данных.
(2) База медицинских знаний
Программа рассуждения, лежащая в основе системы поддержки принятия клинических решений, может генерировать рекомендации, основанные на знаниях и опыте базы знаний, для поддержки принятия решений.
(3) Формирование поддержки принятия решений
. Его функция — применить медицинские знания к результатам данных пациентов, проанализировать и обобщить и, наконец, принять соответствующие решения и предложения для конкретных пациентов.
Важные характеристики и необходимые условия CDSS для данных
Во-первых, он поддерживается мощной базой медицинских знаний.
Во-вторых, открытая структура знаний нейронной сети используется для отслеживания всего процесса, поэтому система имеет возможность случайным образом создавать процедурные каналы диагностики и лечения, чтобы помочь врачам проводить точную, безопасную и своевременную диагностику и лечение пациентов.
В-третьих, моделируйте клиническое мышление и обеспечивайте вспомогательное принятие решений на протяжении всего клинического процесса.
В-четвертых, по мере изменения состояния пациента создаются многочисленные каналы принятия клинических решений, предоставляющие врачам рекомендации для принятия решений, а постановка клинического диагноза и лечения имеют характер многоаспектной консультации.
3.3 Бизнес-модель
3.3.1 Сегменты рынка
(1) Информатизация крупных больниц
С 2018 года тендерные документы по информатизации больниц третьего уровня во многих городах не сформировали действительно клинически значимых выражений и требований к части CDSS.
(2) Первичный рынок медицины и здравоохранения
Первичные медицинские учреждения охватывают значительную часть населения Китая. Даже если измерять их в денежном выражении, платежеспособности 277 000 медицинских учреждений достаточно для поддержки огромного рынка первичной медицинской помощи.
3.3.2 Типичные случаи применения
Система IBM Ватсон
Первым шагом на пути к коммерциализации является сотрудничество с Мемориальным онкологическим центром Слоана-Кеттеринга для совместного обучения решению IBM Watson для лечения опухолей.
Команда врачей и исследователей загрузила тысячи историй болезни пациентов, почти 500 медицинских журналов и учебников, а также 15 миллионов страниц медицинской литературы, чтобы превратить IBM Watson в выдающегося «медицинского эксперта по онкологии».
В июле 2015 года IBM Watson стал одним из первых коммерческих проектов IBM Watson Health, официально запустив в коммерческое использование онкологические решения для четырех типов рака: рака легких, рака молочной железы, рака толстой кишки и рака прямой кишки.
В августе 2016 года IBM объявила, что завершила обучение адъювантному лечению рака желудка и официально запустила его в эксплуатацию.
Типичные модели и направления применения CDSS в Китае
(1) Клинический ассистент по вопросам здоровья человека
Основным источником данных Health Clinical Assistant являются качественные монографии Народного медицинского издательства 63-летней давности, в которых собрано более 2000 материалов больничных дел. Была создана экспертная комиссия для разработки процесса обзора и выпуска ресурсов и выбора авторитетных источников. контент для включения в базу данных.
(2) Система помощи в принятии клинических решений Huimei
В 2015 году Huimei Medical Group официально представила всю систему знаний Мэйо, а в 2016 году она выпустила основанную на искусственном интеллекте систему помощи в принятии клинических решений Huimei.
Консультация перед диагностикой/этап сортировки: пациенты могут провести самообследование в интеллектуальной системе сортировки Huimei. С помощью ряда направляющих вопросов они могут получить соответствующую оценку своего состояния перед лечением и уточнить «легкую, тяжелую, медленную и легкую степень». «легкое» медицинское лечение. «Срочное» для быстрого получения авторитетных рекомендаций по обработке.
Этап принятия решения по диагностике: с разрешения больницы система помощника по принятию клинических решений Huimei сотрудничает с производителем системы электронных медицинских записей (CPOE) для внедрения данных из электронных медицинских карт в систему принятия клинических решений Huimei. система ассистентов, так что амбулаторные врачи могут подлежать стандартизации и профессионализации.
Система также может автоматически анализировать взаимосвязь между симптомами и заболеваниями, например, взаимосвязь между лихорадкой и простудой, лихорадкой и пневмонией и т. д., обеспечивая стандартизированные схемы диагностики и лечения для сетевых клиник, помогая врачам улучшить свои деловые возможности и эффективность работы, а также улучшение привлекательности бренда.
Стадия после диагностики и лечения: система помощи в принятии клинических решений Huimei не только содержит подробную информацию о заболеваниях, но также включает комплексные предложения по лечению заболеваний, включая предложения по лечению, рекомендации по обследованию, рекомендации по лечению, рекомендации для пациентов и т. д.
Что касается рационального использования лекарств, система имеет функцию строгой проверки лекарств, предоставляя описания лекарств, их взаимодействие, проверку противопоказаний и т. д., а также оперативно напоминая врачам о необходимости предотвращения несоответствия лекарств и злоупотребления антибиотиками.
Система поддержки принятия клинических решений Huimei оцифровывает и интеллектуализирует руководство по лечению хронических заболеваний, полностью оценивает состояние пациента, автоматически создает планы лечения для справки врачей и рекомендует комбинированные схемы лечения и схемы лечения с противопоказаниями.
3.3.3 Направление развития
Во-первых, системы поддержки принятия клинических решений, основанные на текстовых данных клинических медицинских записей, начали добавлять различные элементы, в том числе изображения, для обогащения цепочки данных для принятия диагностических решений.
С точки зрения специалиста, заболевания черепных нервов также являются одним из важных направлений развития систем поддержки клинических решений. Это связано с тем, что заболевания черепных нервов имеют характеристики многих типов данных, участвующих в принятии решений, и процесс диагностики зависит от них. на основе многолетнего накопленного опыта экспертов Они подходят для улучшения решений с использованием методов искусственного интеллекта, таких как машинное обучение.
Наконец, нам также придется столкнуться с трудностями при применении систем поддержки клинических решений, от исследований и разработок до внедрения.
(1) Пересечение и интеграция информационных технологий и медицины.
(2) Как создать и использовать крупномасштабную единую базу данных клинических знаний.
Глава 4. Секвенирование генов открывает эру точной медицины
4.1 Сценарии применения
4.1.1 Неинвазивное пренатальное тестирование
Неинвазивное пренатальное генетическое тестирование позволяет собрать периферическую кровь беременных женщин и секвенировать фрагменты свободной ДНК в периферической крови матери (включая свободную ДНК плода). После анализа можно рассчитать риск развития хромосомной анеуплоидии у плода. технология может одновременно обнаруживать трисомию 21, трисомию 18 и трисомию 13, а текущая точность может достигать 99,9%
4.1.2 Обнаружение опухоли
Сопутствующая диагностика опухолей с помощью NGS позволяет врачам сформулировать лучший план лечения на основе собственных генетических вариаций пациента и соответствующих клинических состояний, как можно раньше обнаружить потенциально доступные таргетные препараты и повысить эффективность лечения противоопухолевыми препаратами.
4.1.3 Скрининг редких генетических заболеваний
Третий пример использования генетического тестирования для лечения «профилактических заболеваний» — скрининг редких генетических заболеваний.
4.1.4 Точное управление здоровьем
Генетическое тестирование может помочь человеку начать предотвращать будущие заболевания до того, как они разовьются.
4.1.5 Подтверждение личности
ДНК
4.2 Ключевые технологии
4.2.1 Технология секвенирования генов первого поколения
В основном для секвенирования используется технология четырехцветной флуоресценции и капиллярного электрофореза, которая тесно связана с проектом «Геном человека».
4.2.2 Технология секвенирования генов второго поколения
Это технология секвенирования следующего поколения (NGS), о которой сейчас часто можно услышать.
4.2.3 Технология секвенирования генов третьего поколения
Технология секвенирования третьего поколения позволяет напрямую секвенировать РНК и метилированные последовательности ДНК.
4.3 Бизнес-модель
4.3.1 Производство инструментов для секвенирования генов
4.3.2 Услуги по секвенированию генов
Услуги по секвенированию генов для научно-исследовательских услуг рассматривают секвенирование генов как контент услуги.
Все службы секвенирования генов, ориентированные непосредственно на потребителя, используют генные чипы в качестве технологической платформы секвенирования для предоставления услуг.
Услуги по секвенированию генов с медицинской диагностикой в качестве основного режима. Участвующие проекты секвенирования включают ранее упомянутый скрининг синдрома Дауна, обнаружение опухолей, обнаружение редких заболеваний, обнаружение неизвестных патогенов и т. д.
4.3.3 Разработка программного обеспечения и облачные сервисы
Пользователи будут арендовать возможности секвенирования, а также вычислительные ресурсы и ресурсы хранения, и смогут выбирать различные платформы и технологии секвенирования. Они могут даже быстро получить услуги секвенирования посредством торгов, как при выборе услуг облачных вычислений.
Глава 5: Управление здравоохранением: не лечение «существующего заболевания», а лечение «предболезни»
5.1 Сценарии применения
5.1.1 Профилактика заболеваний
Приложения для профилактики заболеваний собирают информацию о личной жизни пользователей, такую как привычки питания, циклы упражнений и привычки приема лекарств, а также используют технологию искусственного интеллекта для проведения анализа данных для количественной оценки состояния здоровья пользователя, помогая пользователям более полно и точно понять свое физическое состояние. и обеспечить корректирующие меры. Нездоровое поведение и привычки составляют основу.
5.1.2 Ведение хронических заболеваний
Приложения для управления хроническими заболеваниями служат мостом для общения между врачами и пациентами, сокращая работу врачей и одновременно гарантируя, что состояние пациентов оценивается и лечится в известных и контролируемых условиях.
5.1.3 Спортивный менеджмент
Приложения для управления движением используют датчики и их алгоритмы для сбора данных о движении с помощью носимых устройств для управления движением (например, прикрепленных к задней части беговых шорт). Они измеряют частоту шагов путем подсчета шагов в минуту, а также могут предоставлять информацию о вертикальных колебаниях таза. корректировать вращение таза и склонность к перешагиванию, связанную с длительным сидением, а также способствовать выявлению и коррекции проблем с опусканием таза.
5.1.4 Мониторинг сна
Устройство мониторинга сна использует БЦЖ (кардиограмму) для измерения механической активности сердца, легких и других функций организма и может отслеживать ежедневные привычки сна пользователя через iPhone, включая храп, продолжительность сна, частоту сердечных сокращений в состоянии покоя, частоту дыхания и т.д. сколько времени потребуется на Сколько раз вы можете заснуть и встать, общее время, которое вы проводите в глубоком сне и т. д.
5.1.5 Управление здоровьем матери и ребенка
С одной стороны, это мониторинг данных женщин до и после беременности, обычно в сочетании с интеллектуальным оборудованием или носимыми устройствами для мониторинга индивидуальных физиологических симптомов, эмоционального состояния, сна и других данных.
С другой стороны, есть вопросы и ответы о знаниях родителей. От здоровья матери и ребенка до рождения новой жизни, рождения и роста ребенка, включая личные физические изменения, психологические и эмоциональные изменения, родительские навыки и даже решение различных сложных семейных проблем.
5.1.6 Уход за пожилыми людьми
Система ухода за пожилыми людьми в основном ориентирована на уход за пожилыми людьми, позволяя членам семьи удаленно понимать состояние пожилых людей и оказывать своевременную помощь в случае возникновения чрезвычайных ситуаций.
5.2 Ключевые технологии
5.2.1 Ключевые терминальные технологии
Терминал управления здоровьем осуществляет сбор и передачу различных данных о показателях человеческого тела (уровень сахара в крови, артериальное давление, кислород в крови, сердцебиение и т. д.) путем интеграции с прикладным программным обеспечением и облачными сервисами.
Оборудование для управления здоровьем
В основном это браслеты здоровья, часы здоровья, носимое оборудование для мониторинга и т. д., которые могут проводить в режиме реального времени и непрерывный мониторинг физиологических параметров и информации о состоянии здоровья, такой как артериальное давление, уровень сахара в крови, кислород в крови и ЭКГ, а также достигать реальных результатов в режиме онлайн. - тайм-менеджмент и раннее предупреждение.
Медицинское испытательное оборудование
В основном это портативное оборудование для мониторинга здоровья, оборудование для самостоятельного тестирования здоровья и т. д.
Оборудование для ухода за больными
В основном оно включает в себя интеллектуальное оборудование для мониторинга, реабилитации и ухода, такое как интеллектуальные инвалидные коляски и кровати для наблюдения на дому и в учреждениях, а также высокоточные терминалы внутреннего и наружного позиционирования для предотвращения потери пациентов с болезнью Альцгеймера и т. д.
5.2.2 Ключевые сетевые технологии
Сетевой уровень передает информацию между уровнем восприятия, уровнем платформы и уровнем приложений посредством беспроводной или проводной связи через общедоступные или частные сети.
5.2.3 Ключевые платформенные технологии
В настоящее время ключевые технологии платформы больших данных включают пять основных технологий: технологию сбора данных, технологию хранения данных, технологию платформы данных, технологию обработки данных и технологию представления данных.
проблема
(1) Вопросы взаимосвязи данных о здравоохранении
Основная информация и различные клинические информационные ресурсы разбросаны, дублируются и изолированы.
(2) Проблемы контроля качества данных оценки состояния здоровья
Не существует соответствующих стандартов для измерения точности данных и научной идентификации сложных заболеваний.
5.3 Бизнес-модель
5.3.1 Модель продаж оборудования
Большинство компаний находятся на стадии продажи продуктов и сбора данных и могут предоставлять последующие услуги по лечению пациентов в будущем.
Конкуренция за продажу терминальных продуктов, собирающих данные о состоянии здоровья, очень жесткая. Опыт использования продуктов и последующее обслуживание являются основой лояльности клиентов.
5.3.2 Модель предоставления услуг
Модель взимания платы, ориентированная на пациента, заключается в предоставлении пациентам услуг по лечению хронических заболеваний за их счет.
Модель взимания платы с врачей относительно распространена в Соединенных Штатах. После того, как в США полис медицинского страхования оплачивается в зависимости от качества обслуживания, больницы испытывают давление со стороны медицинского страхования и имеют стимул помогать пациентам достигать оптимальных результатов лечения с наименьшими затратами. врачи готовы платить за управление здравоохранением.
5.3.3 Модель интеграции данных
Способ предоставления данных научных исследований исследовательским учреждениям
Еще один комплексный сервис управления данными для медицинских учреждений.
5.3.4 Модель страховых выплат
Поставщики услуг сокращают расходы страховых компаний по претензиям и получают прибыль, проводя точный анализ страхователей или предоставляя медицинские услуги.
Глава 6. Медицинские роботы, диагностика, лечение, реабилитация и услуги
6.1 Сценарии применения
6.1.1 Хирургический робот
Хирургический робот представляет собой комбинированное устройство из набора компонентов. Обычно он собирается из эндоскопа (зонда), хирургических инструментов, таких как ножницы, миниатюрных камер и джойстиков.
Самая большая особенность робота заключается в том, что он обладает ловкостью, которой нет у людей. Его основа: 1) система фильтрации тремора может отфильтровывать дрожание руки хирурга 2) система уменьшения движения может уменьшать диапазон движений хирурга; пропорционально (5:1).
6.1.2 Роботы для нехирургической диагностики и лечения
Роботы для нехирургической диагностики и лечения в основном включают роботов для лучевой терапии, капсульных роботов, роботов для визуализации и других роботизированных систем, которые помогают в диагностике и лечении.
6.1.3 Реабилитационный робот
Для удовлетворения новых медицинских и медицинских потребностей, таких как прецизионная/минимально инвазивная хирургия, функциональная компенсация и реабилитация, а также услуги для пожилых людей.
6.1.4 Роботы медицинского обслуживания
Роботы медицинского обслуживания также призваны помочь медицинскому персоналу выполнять тяжелую и громоздкую транспортную работу и повысить эффективность работы медицинского персонала.
6.2 Ключевые технологии
6.2.1 Эргономика
Чтобы понять интерактивные отношения между людьми и другими элементами системы, ее теории, принципы и методы в основном используются в процессе проектирования роботов с целью оптимизации здоровья человека и производительности системы.
Интеграция эргономических и медицинских роботов относится к технологии эффективной реализации диалога между людьми и компьютерами с помощью компьютерных устройств ввода и вывода. Сопутствующие технологии включают машины, предоставляющие большой объем соответствующей информации и подсказки для инструкций через устройства вывода или отображения. и люди. Используйте устройства ввода для ввода соответствующей информации в машину, ответа на вопросы, предоставления подсказок и т. д.
Медицинский робот-руководитель
6.2.2 Дистанционное управление
Технология телеуправления означает, что оператор локально управляет главным контроллером, обеспечивая дистанционное управление оборудованием в удаленных, недоступных местах или в особых условиях.
Телехирургия означает, что хирурги могут использовать инструменты для локального хирургического лечения пациентов, находящихся в отдаленных местах. Это может уменьшить нехватку высококвалифицированных хирургов в отдаленных районах, сократить медицинские расходы и дать надежду многим пациентам, живущим в отдаленных или особых условиях.
6.2.3 Технология пространственного позиционирования
Система позиционирования хирургического пространства точно сопоставляет данные предоперационного или интраоперационного изображения пациента с анатомической структурой пациента на операционном столе, отслеживает хирургические инструменты во время операции, а также обновляет и отображает положение хирургических инструментов в виде виртуального зонда на изображение пациента в режиме реального времени, что позволяет врачу проводить хирургические операции более точно, эффективно и безопасно.
(1) Навигационные системы, основанные на предоперационных изображениях, требуют предоперационного планирования, а также интраоперационной регистрации и отслеживания. Типичные предоперационные системы КТ-навигации можно использовать для ортопедической и хирургической навигации на позвоночнике, а типичные предоперационные системы МРТ-навигации можно использовать для нейрохирургической навигации.
(2) Хирургическая навигационная система рентгеновской рентгеноскопии C-дуги: не требуется предоперационная или интраоперационная регистрация. Она может отображать анатомическую структуру изображения в реальном времени и определять пространственное позиционирование хирургических инструментов относительно друг друга. На основании этого врач может сделать вывод о пути хирургических инструментов. В последние годы это горячая точка.
(3) Ультразвук позволяет получать изображения в режиме реального времени, он безопасен, удобен и недорог. В настоящее время он широко используется при поясничной пункции под ультразвуковым контролем, хирургии черепно-мозговых травм, аортокоронарном шунтировании и других операциях.
(4) Интраоперационная МРТ позволяет отслеживать смещение интраоперационных анатомических структур в режиме реального времени и полностью решить проблему дрейфа интраоперационного изображения в существующей предоперационной системе навигации по изображению.
(5) Эндоскопы широко используются в малоинвазивной хирургии. Врачи могут выполнять такие операции, как биопсия, удаление камней и наложение швов, под контролем визуального изображения эндоскопа.
6.2.4 Многорежимная обработка изображений
Регистрация медицинских изображений заключается в том, чтобы найти какое-то пространственное преобразование, чтобы сделать соответствующие точки двух изображений полностью согласованными с точки зрения пространственного положения и анатомической структуры.
Основная цель объединения изображений — улучшить читаемость изображений за счет обработки избыточных данных между несколькими изображениями, а также повысить четкость изображений за счет обработки дополнительной информации между несколькими изображениями.
Сегментация изображения заключается в разделении различных областей особого значения на изображении так, чтобы каждая непересекающаяся область соответствовала согласованности конкретной области.
Трехмерная визуализация медицинских изображений осуществляет трехмерную реконструкцию полученного изображения, снижает шумовое воздействие двухмерного томографического изображения за счет двумерной фильтрации, улучшает соотношение сигнал/шум, устраняет следы изображение.
6.2.5 Технология искусственного интеллекта
В настоящее время искусственный интеллект может использоваться для визуализационной диагностики многих заболеваний, таких как офтальмология, терапия и опухоли. Он также может выполнять рассуждения и суждения на основе знаний и опыта, предоставленных одним или несколькими экспертами в определенной области, имитировать происходящее. процесс принятия решений людьми-экспертами и решение проблем в области медицины.
6.2.6 Большие медицинские данные
Большие медицинские данные — это медицинская технология баз данных, которая ориентирована на электронные медицинские записи, медицинские изображения, больничные видео и другие типы данных, включая извлечение структурированной информации для медицинских электронных медицинских записей, анализ данных для медицинских изображений и видео наблюдения в больницах. . Интеллектуальный анализ и т. д.
6.2.7 Технология виртуальной реальности/дополненной реальности
Технология виртуальной реальности обеспечивает три ключевых звена реабилитационного лечения: повторяющаяся практика, обратная связь по результатам и поддержание мотивации. Создавая разумную виртуальную среду и эффективную информационную обратную связь, пациенты могут объективно оценивать свое собственное состояние, тем самым значительно улучшая эффект реабилитации.
6.3 Бизнес-модель
6.3.1 Бизнес-модель хирургического робота
Категория A: Роботизированная система хирургического участия (хирургическая CAD/CAM)
Медицинские роботы в системах класса А в основном участвуют и завершают весь хирургический процесс, включая резекцию и наложение швов. Хирург играет направляющую и вспомогательную роль.
Категория B: Роботизированные системы хирургических ассистентов (Хирургические ассистенты)
Медицинские роботы в системах класса B в основном помогают врачам при проведении операций, включая предоперационное планирование, интраоперационное позиционирование и т. д.
6.3.2 Бизнес-модель роботов для нехирургической диагностики и лечения
(1) Робот для лучевой терапии
Типичные продукты роботов для лучевой терапии включают CyberKnife CyberKnife — это новый тип оборудования для стереотаксической лучевой терапии всего тела, используемого для лечения различных типов рака и опухолей в организме.
(2) Робот системы визуализации
Читающий робот может использоваться в таких областях диагностики изображений, как УЗИ узлов щитовидной железы, скрининг рака шейки матки и скрининг заболеваний легких. Это типичный пример сочетания искусственного интеллекта, больших медицинских данных и медицинских роботов.
(3) Капсульный робот
Капсульный робот — это интеллектуальный микроинструмент, который может проникать в желудочно-кишечный тракт человека для медицинского исследования и лечения. Это новый прорыв в медицинских технологиях для интервенционного обследования и лечения in vivo.
6.3.3 Бизнес-модель реабилитационных роботов
(1) Восстановление двигательной функции
Реабилитация двигательных функций в основном направлена на людей с ограниченными возможностями, пожилых людей и людей с ограниченной подвижностью.
(2) Интеллектуальное протезирование
Интеллектуальные протезы собирают электромиографические сигналы остаточного сокращения мышц и устанавливают соответствующую взаимосвязь между электромиографическими сигналами и движениями протезных суставов во время тренировки, тем самым разумно моделируя реальные движения конечностей.
(3) Другие реабилитационные роботы
Области применения реабилитационных роботов также включают реабилитацию сердечно-легочной функции, реабилитацию речевых функций, реабилитацию когнитивных функций и другие типы реабилитационных роботов.
6.3.4 Бизнес-модель роботов медицинского обслуживания
телемедицинский робот
Оно может постоянно отвечать на новые вопросы, возникающие у людей, путем накопления и обновления данных, а также может эффективно удовлетворять огромные и сложные потребности в информационных услугах в больницах.
Робот для перевозки предметов
Способен осуществлять независимое планирование пути, обход препятствий, зарядку, транспортировку предметов и т. д.
робот аптечного сервиса
Отпуск лекарств
Глава 7 Промышленный Интернет – новое направление развития биомедицины
7.1 Управление полным жизненным циклом медицинского оборудования
7.1 Управление полным жизненным циклом медицинского оборудования
7.1.1 Предыстория разработки
Поскольку органы здравоохранения моей страны ужесточили требования к управлению качеством медицинского оборудования при управлении классифицированными больницами и постепенно усовершенствовали соответствующие правила и положения, безопасность качества медицинского оборудования и управление рисками постепенно стали важной частью обеспечения безопасности клинической работы в больницах. на всех уровнях.
Интеллектуальное управление помогает отделам управления, связанным с медицинским оборудованием, устанавливать практические связи при управлении системой для предотвращения информационных островов.
7.1.2 Ключевые технологии
Интеллектуальное управление медицинским оборудованием охватывает весь процесс управления жизненным циклом медицинского оборудования и сопровождение медицинских расходных материалов от приема до утилизации.
Управление медицинским оборудованием
Общее управление расходными материалами
Управление дорогостоящими расходными материалами
Интеллектуальное медицинское управление берет за основу жизненный цикл медицинского оборудования, использует интеллектуальные средства и объединяется с другими информационными системами медицинских подразделений для достижения более эффективного управления медицинским оборудованием.
7.1.3 Возникшие проблемы
(1) Улучшить стандарты интеллектуального управления медицинским оборудованием.
(2) Уточнить уровень развития интеллектуального управления медицинским оборудованием.
(3) Определить содержание интеллектуального управления медицинским оборудованием.
7.2 Биомедицинское аддитивное производство (3D-печать)
7.2.1 Предыстория разработки
Аддитивное производство (3D-печать) сначала требует, чтобы спроектированный продукт был представлен в 3D-форме с помощью компьютера, а затем для печати слой за слоем используются специальные печатные материалы, пока продукт не будет сформирован.
Общие технологии аддитивного производства (3D-печати) в области биомедицины в основном включают селективное лазерное спекание, лазерное фотоотверждение, моделирование наплавлением, технологию производства слоистых твердых тел и т. д.
7.2.2 Ключевые технологии
(1) Дизайн медицинской модели
(2) Регенеративное производство тканей и органов
(3) Производство медицинского оборудования
7.2.3 Возникшие проблемы
В основном ограничивается характеристиками материала и уникальностью печатных материалов.
7.3 Исследования и разработки лекарств с помощью искусственного интеллекта
7.3.1 Предыстория разработки
Исследования и разработки новых лекарств представляют собой высокорискованную, долгосрочную, капиталоемкую и технологическую техническую область, а процент неудач в исследованиях и разработках лекарств также достигает более 90% (особенно оригинальных лекарств).
7.3.2 Ключевые технологии
(1) Целевой скрининг
(2) Проверка и оптимизация лекарств
(3) Выявление и набор пациентов
(4) Управление соблюдением требований
(5) Прогнозирование кристаллической формы лекарственного средства
(6) Большие данные пациентов и реальные исследования
Глава 8. Перспективы развития искусственного интеллекта в медицине и здравоохранении в Китае
8.1 Политические стандарты
8.1.1 Содействие промышленному развитию
Поддержка национальной политики
8.1.2 Надзор и управление отраслью
В настоящее время регулирующие органы запрещают программному обеспечению виртуального помощника предоставлять диагностические рекомендации по любым заболеваниям и разрешают пользователям предоставлять только легкие консультационные услуги по вопросам здоровья.
Медицинские продукты и услуги с искусственным интеллектом должны соответствовать соответствующим национальным стандартам, чтобы обеспечить требования безопасности, надежности, отслеживаемости, защиты конфиденциальности и т. д.
8.1.3 Защита данных
В процессе разработки больших данных в области здравоохранения и медицины и искусственного интеллекта все большее внимание уделяется таким вопросам, как защита личной жизни, безопасность данных и даже национальная безопасность.
8.2 Технологические инновации
8.2.1 Ключевые технологические исследования и разработки
Такие технологии, как интеллектуальные датчики, чипы нейронных сетей и открытые платформы с открытым исходным кодом, применяются в области медицины и здравоохранения и дают замечательные результаты.
8.2.2 Построение набора обучающих данных
Следующим шагом будет первоначальное создание и открытие различных типов массивных библиотек учебных ресурсов по искусственному интеллекту для исследований и разработок ключевых продуктов искусственного интеллекта и медицинского здравоохранения, а также потребностей промышленности.
8.2.3 Обеспечение информационной безопасности
Система структуры интеллектуальных медицинских приложений огромна, платформа очень открыта, бизнес сложен, существует множество личностей пользователей, особенно пациентов с конфиденциальной частной информацией, большой объем пространственных данных, а информация также тесно взаимосвязана в мегаполисе. область.
Исследования и разработки в области технологий безопасности сетей в области искусственного интеллекта, медицины и здравоохранения продолжают укрепляться, а защита сетевых продуктов и систем будет дополнительно укрепляться в будущем.
Рынок информационной безопасности постепенно станет концентрированным, а стратегии информационной безопасности сместятся в сторону активной защиты.
Будет продолжать ускоряться строительство системы искусственного интеллекта в области медицины и здравоохранения, первоначально будет создана система ответственности за управление безопасностью, а также будут первоначально сформулированы правила маркировки, научной классификации, классификации рисков и проверки безопасности.
Уровень защиты?
8.3 Бизнес-модель
8.3.1 Интернет-гиганты
Байду, Алибаба, Тенсент
8.3.2 Стартап-предприятия
Напротив, для начинающих компаний сотрудничество с предприятиями B-стороны более заслуживает углубленного изучения.
8.3.3 Компании по производству медицинского оборудования
Данные, собираемые для продуктов одного и того же бренда, более стандартизированы, а формат более унифицирован, что облегчает анализ и применение данных.
8.4 Ресурсы талантов
Спрос на таланты в области искусственного интеллекта и медицинского здравоохранения в основном исходит из двух разных областей: искусственный интеллект и медицинское здравоохранение (сложные таланты).
. Придерживайтесь сочетания обучения и внедрения, чтобы привлекать и развивать ведущие таланты в области искусственного интеллекта с потенциалом развития. Поощряйте и направляйте отечественные инновационные таланты и команды, а также укрепляйте сотрудничество и взаимодействие с ведущими мировыми институтами.
8.5 Регуляторная этика
Правовые нормы должны защищать технологические инновации, а технологические инновации и развитие также должны соответствовать юридическим ценностям.