Μοντέλα Πρόβλεψης με Τεχνητή Νοημοσύνη Έτοιμα να Προωθήσουν την Υγειονομική Περίθαλψη με Τεράστια Βήματα

Ο στόχος της τεχνητής νοημοσύνης είναι να επιτρέψει στις μηχανές να μιμούνται τις ανθρώπινες σκέψεις και συμπεριφορές, περιλαμβάνοντας τη μάθηση, τη λογική και την πρόβλεψη. Στην καρδιά αυτής της προσπάθειας βρίσκεται η μοντελοποίηση με βάση την τεχνητή νοημοσύνη, η οποία λειτουργεί ως θεμέλιο για τη δημιουργία αυτοματοποιημένων και έξυπνων συστημάτων.

Για την κατασκευή τέτοιων μοντέλων, χρησιμοποιείται μια ποικιλία τεχνικών, οι οποίες είναι κρίσιμες για τη δημιουργία έξυπνων συστημάτων που εφαρμόζονται σε διάφορους πραγματικούς τομείς, όπως η χρηματοοικονομική, η υγειονομική περίθαλψη, η γεωργία, η κυβερνοασφάλεια και άλλα.

Η ανάπτυξη αυτών των μοντέλων συχνά χρησιμοποιεί διαφορετικούς τύπους αναλύσεων — περιγραφικές, διαγνωστικές, προβλεπτικές και προτατικές — ανάλογα με τη φύση του προβλήματος και τις απαιτήσεις της λύσης.

Σήμερα, η προσοχή μας είναι στην προβλεπτική ανάλυση, η οποία εξερευνά τα δεδομένα για να προβλέψει τι θα συμβεί στο μέλλον. Χρησιμοποιώντας τεράστιες ποσότητες δεδομένων, το μοντέλο ερμηνεύει αναγνωρίσιμα μοτίβα, γεγονός που διευκολύνει ακριβείς προβλέψεις και βοηθά στη λήψη ενημερωμένων αποφάσεων. 

Κάντε κλικ εδώ για να μάθετε τα πάντα σχετικά με την επένδυση στην τεχνητή νοημοσύνη.

Η Ανεπανάληπτη Ικανότητα της Τεχνητής Νοημοσύνης να Αναγνωρίζει Τάσεις

Η τεχνητή νοημοσύνη διαθέτει αυτήν την ανεπανάληπτη ικανότητα να αναγνωρίζει τάσεις μέσα σε ένα σύνολο μεταβλητών. Αυτό συμβαίνει επειδή, σε αντίθεση με τους ανθρώπους, η τεχνολογία μπορεί να επεξεργάζεται τεράστιες ποσότητες δεδομένων γρήγορα, να εντοπίζει μοτίβα και τάσεις και να κατανοεί τι σημαίνουν.

Μέσω αλγορίθμων μηχανικής μάθησης, ένα μοντέλο τεχνητής νοημοσύνης εκτελεί το έργο του, το οποίο είναι η πρόβλεψη του αποτελέσματος βάσει των παρεχόμενων δεδομένων.

Κατά την ανάλυση μιας τάσης, συνήθως χρησιμοποιούνται νευρωνικά δίκτυα εμπνευσμένα από τη λειτουργία του ανθρώπινου εγκεφάλου, λόγω της ικανότητάς τους να μαθαίνουν και να προσαρμόζονται. Άλλοι αλγόριθμοι μηχανικής μάθησης που είναι κεντρικοί για την ανάλυση τάσεων είναι οι Μηχανές Διανυσματικής Υποστήριξης (SVM), που κατηγοριοποιούν τα δεδομένα σε διακριτές κατηγορίες, και τα Random Forests, που συνδυάζουν πολλαπλά δέντρα απόφασης για ισχυρά προβλεπτικά μοντέλα. Το Bayesian network είναι ένα ακόμη που χρησιμοποιεί πιθανοκρατικά γραφικά μοντέλα για την αναπαράσταση των στατιστικών εξαρτήσεων μεταξύ ενός συνόλου μεταβλητών.

Στην υγειονομική περίθαλψη, η αξιοποίηση αυτών των αλγορίθμων μηχανικής μάθησης για τη δημιουργία μοντέλων πρόβλεψης με τεχνητή νοημοσύνη επιτρέπει καλύτερη και πιο προσαρμοσμένη εξατομικευμένη φροντίδα και σχέδια θεραπείας.

Για το σκοπό αυτό, η τεχνητή νοημοσύνη φιλτράρει ποικίλα δεδομένα υγειονομικής περίθαλψης για να παρουσιάσει τις αναδυόμενες τάσεις στην εξέλιξη των ασθενειών. Αυτό επιτρέπει στους ιατρούς να αντιμετωπίζουν προληπτικά τα προβλήματα υγείας και να προσαρμόζουν τις στρατηγικές θεραπείας, μετασχηματίζοντας τη φροντίδα των ασθενών.

Το Δυναμικό της Ικανότητας της Τεχνητής Νοημοσύνης να Ανιχνεύει Μοτίβα στην Υγειονομική Περίθαλψη

Τώρα, ας δούμε τη πραγματική χρήση της ικανότητας της τεχνολογίας να αναγνωρίζει τάσεις μέσα σε ένα σύνολο μεταβλητών.

Εργαλείο Παρακολούθησης AI για την Ανίχνευση Σήψης Πριν την Έναρξη των Συμπτωμάτων

Σε μια πρόσφατη μελέτη, οι ερευνητές διαπίστωσαν ότι μπορούν να προβλέψουν με επιτυχία τη λοίμωξη από σήψη σε ασθενείς υψηλού κινδύνου και να σώσουν ζωές χρησιμοποιώντας έναν νέο αλγόριθμο AI. 

Η σήψη είναι μια σημαντική αιτία θνησιμότητας και νοσηρότητας παγκοσμίως. Σε αυτήν την κατάσταση, το ανοσοποιητικό σύστημα του σώματος αντιδρά εξαιρετικά σε μια λοίμωξη, προκαλώντας ζημιά στα δικά του ιστούς και όργανα.

Στις ΗΠΑ, κάθε χρόνο, τουλάχιστον 1,7 εκατομμύρια ενήλικες αναπτύσσουν σήψη, και περίπου 350.000 πεθαίνουν από αυτήν τη απειλητική για τη ζωή λοίμωξη του αίματος. Παράλληλα, εκτιμάται ότι 48,9 εκατομμύρια άνθρωποι επηρεάζονται κάθε χρόνο παγκοσμίως, εκ των οποίων περίπου 11 εκατομμύρια πεθαίνουν.

Ωστόσο, ερευνητές από τη Σχολή Ιατρικής του Πανεπιστημίου της Καλιφόρνιας, Σαν Ντιέγκο, είναι έτοιμοι να αλλάξουν αυτά τα νούμερα αξιοποιώντας την τεχνητή νοημοσύνη.

Σύμφωνα με τη μελέτη που δημοσιεύτηκε στην ηλεκτρονική έκδοση του Digital Medicine, οι ερευνητές ανέπτυξαν έναν αλγόριθμο AI που ονομάζεται COMPOSER. Χρησιμοποιεί δεδομένα σε πραγματικό χρόνο για να προβλέψει εκ των προτέρων αν ο ασθενής έχει τη κατάσταση πριν εμφανιστούν τα κλινικά του σημάδια, λειτουργώντας «σιωπηρά και με ασφάλεια στο παρασκήνιο».

Το μοντέλο παρακολουθεί συνεχώς κάθε ασθενή για τυχόν σημάδια σήψης, σημειώνει ο συν-συγγραφέας της μελέτης Γκαμπριέλ Βάρντι, MD, επικεφαλής της Διεύθυνσης Κρίσιμης Φροντίδας στο Τμήμα Επείγουσας Ιατρικής του UC San Diego (UCSD).

Η έγκαιρη αναγνώριση της σήψης είναι κρίσιμη, καθώς οι παρεμβάσεις έχουν μεγαλύτερα οφέλη όταν εφαρμόζονται νωρίτερα στην πορεία της νόσου.

Το μοντέλο χρησιμοποιήθηκε στα τμήματα επειγόντων περιστατικών του UC San Diego Health, του μοναδικού ακαδημαϊκού ιατρικού συστήματος της περιοχής, για την αναγνώριση ασθενών σε κίνδυνο λοίμωξης σήψης και έχει μειώσει τη θνησιμότητα κατά 17%.

Ο τρόπος λειτουργίας του είναι ότι μετά την εγγραφή ενός ασθενούς στο τμήμα επειγόντων, το COMPOSER αρχίζει να παρακολουθεί πάνω από 150 διαφορετικές μεταβλητές του ασθενούς που θα μπορούσαν να συνδέονται με σήψη. Αυτές οι μεταβλητές περιλαμβάνουν δημογραφικά στοιχεία, ιατρικό ιστορικό, ζωτικά σημεία και εργαστηριακά αποτελέσματα.

Εάν ένας ασθενής παρουσιάσει πολλαπλές μεταβλητές, οδηγώντας σε υψηλό κίνδυνο λοίμωξης σήψης, ο αλγόριθμος ειδοποιεί το νοσηλευτικό προσωπικό μέσω του ηλεκτρονικού αρχείου υγείας του νοσοκομείου. Το προσωπικό, στη συνέχεια, το συζητά με τον γιατρό για επιβεβαίωση και για τον καθορισμό κατάλληλων σχεδίων θεραπείας για τον ασθενή.

«Αυτοί οι προηγμένοι αλγόριθμοι AI μπορούν να εντοπίσουν μοτίβα που δεν είναι αρχικά εμφανή στο ανθρώπινο μάτι.»

– Σαμίμ Νεμάτι, Ph.D., συν-συγγραφέας της μελέτης & διευθυντής προβλεπτικής ανάλυσης και αναπληρωτής καθηγητής βιοϊατρικής πληροφορικής στη Σχολή Ιατρικής του UC San Diego

Πρόσθεσε επίσης:

«Το σύστημα μπορεί να εξετάσει αυτούς τους παράγοντες κινδύνου και να παράγει μια εξαιρετικά ακριβή πρόβλεψη σήψης.»

Η μελέτη, η οποία χρηματοδοτήθηκε από τα Εθνικά Ινστιτούτα Υγείας, τη Βιβλιοθήκη Ιατρικής και το Κέντρο Καινοτομίας Υγείας Joan and Irwin Jacobs στο UC San Diego Health, εξέτασε πάνω από 6.200 εισαγωγές ασθενών πριν και μετά την εφαρμογή του αλγορίθμου AI στα τμήματα επειγόντων του νοσοκομείου.

Αυτή είναι η πρώτη μελέτη που χρησιμοποίησε ένα μοντέλο βαθιάς μάθησης AI και ανέφερε βελτίωση στα αποτελέσματα των ασθενών. Το μοντέλο χρησιμοποιεί τεχνητά νευρωνικά δίκτυα για να εντοπίζει σύνθετους και πολλαπλούς παράγοντες κινδύνου στους ασθενείς με ακρίβεια και ασφάλεια. Ο Βάρντι δήλωσε:

«Είναι λόγω αυτού του μοντέλου AI που οι ομάδες μας μπορούν να παρέχουν πιο γρήγορα θεραπεία που σώζει ζωές στους ασθενείς.»

Το COMPOSER ενεργοποιήθηκε για πρώτη φορά πριν από περισσότερο από ένα χρόνο, τον Δεκέμβριο 2022. Αυτή τη στιγμή χρησιμοποιείται σε πολλές μονάδες νοσηλείας του UC San Diego Health, και στο μέλλον, το Ανατολικό Campus του UC San Diego Health θα αρχίσει επίσης να το χρησιμοποιεί.

Πρόσφατα, το Κέντρο Υγείας ανακοίνωσε τον πρώτο του αρχηγό τεχνητής νοημοσύνης στην υγεία. Έχει επίσης ξεκινήσει ένα πιλοτικό πρόγραμμα όπου τα cloud‑based συστήματα ηλεκτρονικού αρχείου υγείας Epic και ChatGPT δημιουργούν αυτόματα πιο συμπονετικές απαντήσεις μηνυμάτων, ώστε οι γιατροί και οι φροντιστές να μπορούν να επικεντρωθούν στη φροντίδα των ασθενών.

«Η ενσωμάτωση της τεχνολογίας AI στο ηλεκτρονικό αρχείο υγείας βοηθά στην υλοποίηση της υπόσχεσης της ψηφιακής υγείας.»

– Κρίστοφερ Λονγκχέρτ, συν-συγγραφέας της μελέτης & εκτελεστικός διευθυντής του Jacobs Center for Health Innovation και αρχιτρόπος ιατρικής και αρχιτρόπος ψηφιακής τεχνολογίας στο UC San Diego Health

Λογισμικό για Ανάλυση Γενετικών Δεδομένων για Ακριβή Πρόβλεψη Ασθενειών

Ένα ακόμη παράδειγμα μοντέλων πρόβλεψης με τεχνητή νοημοσύνη που βοηθούν τον τομέα της υγειονομικής περίθαλψης μπορεί να παρατηρηθεί σε μια μελέτη που δημοσιεύθηκε την περασμένη εβδομάδα. Δημιουργημένο από το Rutgers Health, το πρωτοποριακό λογισμικό με την ονομασία IntelliGenes συνδυάζει τεχνητή νοημοσύνη και μηχανική μάθηση για να βοηθήσει στην πρόβλεψη ασθενειών σε άτομα. Το μοντέλο εξετάζει γενετικά δεδομένα για να εντοπίσει βιοδείκτες σχετικούς με την υγεία, προκειμένου να παράγει εξατομικευμένες προβλέψεις για τους ασθενείς καθώς και μια οπτική αναπαράστασή τους.

Τα πολυγενετικά δεδομένα παρέχουν πληροφορίες για τη γενετική σύνθεση ενός ασθενούς και έχουν τη δυνατότητα να αποκαλύψουν νέους βιοδείκτες βάσει του κινδύνου τους για ασθένειες. Η μελέτη σημείωσε:

«Πιστεύουμε ότι η συνεργική χρήση πολλαπλών αλγορίθμων AI παρέχει πιο ακριβή αποτελέσματα, εξάγει διορατικά συμπεράσματα και ακριβείς προβλέψεις για προβλήματα του πραγματικού κόσμου σε σύγκριση με έναν μόνο αλγόριθμο AI μόνο του.»

Επιπλέον, διαπίστωσε ότι η Μηχανή Διανυσματικής Υποστήριξης (SVM) και το Random Forest (RF) είναι οι πιο επιτυχημένοι αλγόριθμοι μηχανικής μάθησης που χρησιμοποιούνται για προβλέψεις με υψηλή ακρίβεια και για την επίλυση προβλημάτων παλινδρόμησης και ταξινόμησης.

Προς το παρόν, δεν υπάρχουν εργαλεία AI διαθέσιμα για την διερεύνηση και ερμηνεία του πλήρους ανθρώπινου γονιδιώματος, ιδιαίτερα για άτομα που δεν είναι ειδικοί στον τομέα. Ως εκ τούτου, οι ερευνητές ανέπτυξαν το IntelliGenes, το οποίο μπορεί να χρησιμοποιηθεί από οποιονδήποτε, συμπεριλαμβανομένων εκείνων που δεν διαθέτουν εκτενή γνώση τεχνικών βιοπληροφορικής ή πρόσβαση σε υψηλής απόδοσης υπολογιστές.

Χρησιμοποιώντας έναν συνδυασμό αλγορίθμων μηχανικής μάθησης, οι ερευνητές του Rutgers Health στοχεύουν να αποκαλύψουν πληροφορίες που συνήθως παραμένουν αθέατες από τις κλασικές στατιστικές και τις παραδοσιακές τεχνικές βιοπληροφορικής.

Οι ερευνητές στη συνέχεια εφάρμοσαν το IntelliGenes σε μια άλλη μελέτη για να ανακαλύψουν νέους βιοδείκτες και να προβλέψουν τις καρδιαγγειακές παθήσεις (CVD) με υψηλή ακρίβεια.

Η σωστή χρήση των μεθοδολογιών AI και ML, σύμφωνα με τη μελέτη, μπορεί να μας προσφέρει νέες γνώσεις και κατανόηση των καρδιαγγειακών παθήσεων. Αυτό, με τη σειρά του, θα επιτρέψει καλύτερες εξατομικευμένες θεραπείες.

Η μελέτη ξεκίνησε με εντατική προεπεξεργασία των δεδομένων έκφρασης γονιδίων και στη συνέχεια χρησιμοποίησε τρία στατιστικά τεστ για να αξιολογήσει τις διαφορές στην εκφραστικότητα του μεταγραφώματος (μελέτη του πλήρους συνόλου RNA) και τη διαφορά μεταξύ των κλινικών χαρακτηριστικών των ασθενών με CVD και εκείνων των υγιών ατόμων.

Στην έρευνά τους, η ομάδα ανακάλυψε 18 μεταγραφικά βιοδείκτες που είναι ιδιαίτερα σημαντικοί στον πληθυσμό με CVD. Χρησιμοποιήθηκαν στη συνέχεια για την πρόβλεψη της ασθένειας με ακρίβεια έως 96%. Τα αποτελέσματα αυτά επικυρώθηκαν επίσης με κλινικά αρχεία που συλλέχθηκαν από ασθενείς της ομάδας.

«Υπάρχει τεράστια δυναμική στην σύγκλιση των συνόλων δεδομένων και στις εντυπωσιακές εξελίξεις στην τεχνητή νοημοσύνη και τη μηχανική μάθηση.»

– Ζιζάν Αχμέτ, κύριος συγγραφέας της μελέτης. Ο Αχμέτ είναι μέλος του διδακτικού προσωπικού στο Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) και βοηθός καθηγητής ιατρικής στη Robert Wood Johnson Medical School

Σύμφωνα με αυτόν, το μοντέλο όχι μόνο υποστηρίζει την εξατομικευμένη έγκαιρη ανίχνευση τόσο κοινών όσο και σπάνιων ασθενειών στα άτομα, αλλά επίσης ανοίγει το δρόμο για ευρύτερη έρευνα που τελικά θα οδηγήσει σε νέες παρεμβάσεις και θεραπείες.

Η Τεχνητή Νοημοσύνη Δεν Είναι Ακόμα Η Απόλυτη Λύση!

Όπως είδαμε, τα μοντέλα με τεχνητή νοημοσύνη έχουν σημαντικά πλεονεκτήματα στον τομέα της υγειονομικής περίθαλψης. Έχουν τη δυνατότητα να ανιχνεύουν ασθένειες πολύ νωρίτερα με υψηλή ακρίβεια και να προστατεύουν πολλές ζωές. Ωστόσο, δεν αποτελούν την απόλυτη λύση, τουλάχιστον όχι ακόμη. Αυτό φαίνεται σε μια μελέτη που δημοσιεύτηκε νωρίτερα αυτόν τον μήνα, η οποία έδειξε ότι όταν η τεχνητή νοημοσύνη εφαρμόζεται στον πραγματικό κόσμο, συμβαίνουν λάθη.

Δημοσιεύτηκε νωρίτερα αυτόν τον μήνα στο περιοδικό Modern Pathology, αυτή η μελέτη είναι η πρώτη που εξετάζει πώς η μόλυνση στον ιστό επηρεάζει τα μοντέλα μάθησης της τεχνητής νοημοσύνης.

Σε αυτή τη μελέτη, οι ερευνητές εκπαιδεύσαν τρία μοντέλα AI για την ανάλυση μικροσκοπικών διαφανειών ιστού πλακούντα, με εργασίες που περιλαμβάνουν την ταυτοποίηση βλάβης των αιμοφόρων αγγείων, την εκτίμηση της ηλικίας κύησης και την ταξινόμηση μακροσκοπικών βλαβών. Επιπλέον, ένα τέταρτο μοντέλο εκπαιδεύτηκε για την ανίχνευση καρκίνου του προστάτη σε δείγματα ιστού από βελονιστικές βιοψίες.

Για να δοκιμάσουν την ανθεκτικότητά τους, οι ερευνητές έθεσαν κάθε μοντέλο σε μικρές ποσότητες μολυσμένου ιστού — όπως αίμα και ιστό της ουροδόχου κύστης — που λήφθηκαν τυχαία από άλλες διαφάνειες. Αυτό το βήμα αποσκοπούσε να προσομοιώσει τις πραγματικές συνθήκες όπου οι μολύνσεις είναι συχνά παρούσες.

Κατά την αξιολόγηση της απόδοσης των μοντέλων AI, διαπιστώθηκε ότι και τα τέσσερα μοντέλα στρέφουν την προσοχή τους στα μολυσμένα τμήματα του ιστού αντί να συγκεντρωθούν στις κύριες εργασίες τους. Αυτή η απόσπαση προκάλεσε ανακρίβειες στην εκτίμηση της ηλικίας κύησης, στη διάγνωση του καρκίνου του προστάτη, στην ταυτοποίηση των βλαβών και στην αξιολόγηση της βλάβης των αιμοφόρων αγγείων. Αυτό συμβαίνει επειδή τα AI αντιμετωπίζουν μια ποικιλία υλικών στον πραγματικό κόσμο που δεν έχουν εκπαιδευτεί να αναγνωρίζουν, σε αντίθεση με τα καθαρά προσομοιωμένα περιβάλλοντα στα οποία εκπαιδεύονται.

«Τα ευρήματά μας υπενθυμίζουν ότι η τεχνητή νοημοσύνη που λειτουργεί εξαιρετικά καλά στο εργαστήριο μπορεί να αποτύχει στην πραγματική ζωή. Οι ασθενείς θα πρέπει να συνεχίσουν να αναμένουν ότι ένας ανθρώπινος ειδικός είναι ο τελικός αποφασιστής για τις διαγνώσεις που γίνονται σε βιοψίες και άλλα δείγματα ιστού. Οι παθολόγοι φοβούνται — και οι εταιρείες AI ελπίζουν — ότι οι υπολογιστές έρχονται για τις δουλειές μας. Όχι ακόμη.»

– Συν-συγγραφέας Δρ. Τζέφρι Γκόλνσταν

Δεν αφορά μόνο την τεχνητή νοημοσύνη, αλλά και τους παθολόγους που είναι εκτενώς εκπαιδευμένοι να ανιχνεύουν το ίδιο, η μόλυνση του ιστού είναι ένα αρκετά κοινό πρόβλημα. Ωστόσο, η μελέτη επισημαίνει ότι οι γιατροί και οι ερευνητές που δεν είναι παθολόγοι συχνά εκπλήσσονται από αυτό. Σημειώθηκε ότι σε μια δεδομένη ημέρα, από τις καθημερινές 80 έως 100 διαφάνειες που εξετάζει ένας παθολόγος, 2-3 περιέχουν μολύνσεις, τις οποίες έχουν εκπαιδευτεί να αγνοούν.

Σύμφωνα με τη μελέτη, τα μοντέλα AI λειτουργούν με παρόμοιο τρόπο, όπως οι άνθρωποι που εξετάζουν ιστούς σε διαφάνειες. Όταν εξετάζουν ιστούς σε διαφάνειες, οι άνθρωποι μπορούν να δουν μόνο ένα περιορισμένο πεδίο μέσα στο μικροσκόπιο και στη συνέχεια να μεταβούν σε νέο πεδίο και να συνδυάσουν όλες τις πληροφορίες που συγκέντρωσαν για να κάνουν διάγνωση.

Ωστόσο, διαπιστώθηκε εύκολα ότι η τεχνητή νοημοσύνη παραπλανάται από τις μολύνσεις, καθώς πρέπει να αποφασίσει τι θα προσέξει και τι όχι. «Αυτό είναι μηδενικό άθροισμα», είπε ο Γκόλνσταν, διευθυντής παθολόγου νεογνικής και βοηθός καθηγητής παθολόγου νεογνικής και αυτοψίας στο ερευνητικό κέντρο Feinberg School of Medicine, Northwestern University, εξηγώντας:

«Αν δίνει προσοχή στις μολύνσεις του ιστού, τότε δίνει λιγότερη προσοχή στον ιστό του ασθενούς που εξετάζεται.»

Σύμφωνα με τους συγγραφείς της μελέτης, οι επαγγελματίες θα πρέπει να εργαστούν στην ποσοτικοποίηση και βελτίωση του προβλήματος της αδυναμίας των μοντέλων AI να κωδικοποιούν βιολογικές ακαθαρσίες.

Ωστόσο, τα αποτελέσματα έχουν κάνει τον Γκόλνσταν «πεπεισμένο ότι οι αξιολογήσεις της πλακούντας με AI είναι εφικτές», χαρακτηρίζοντας την αποτυχία της τεχνητής νοημοσύνης ως «εμπόδιο». Αυτό σημαίνει απλώς: «Βρισκόμαστε στο δρόμο για καλύτερη ενσωμάτωση της μηχανικής μάθησης στην παθολογία», πρόσθεσε.

Εταιρείες που Μπορούν να Επωφεληθούν από Μοντέλα Πρόβλεψης με Τεχνητή Νοημοσύνη

Με τα μοντέλα AI να δείχνουν μεγάλη υπόσχεση, ας δούμε τώρα ποιες εταιρείες θα ωφεληθούν περισσότερο από αυτά:

1. Google DeepMind

Είναι θυγατρική της τεχνολογικής γιγαντιαίας Google που στοχεύει να λύσει την ευφυΐα προκειμένου να «προωθήσει την επιστήμη και να ωφελήσει την ανθρωπότητα».

Πρόσφατα, οι ερευνητές του Google DeepMind αποκάλυψαν ότι ανέπτυξαν έναν βοηθό AI για γιατρούς με την ονομασία Articulate Medical Intelligence Explorer (AMIE) που μπορεί να βοηθήσει στη διάγνωση των ασθενών. Ένα άλλο έγγραφο από τον οργανισμό πρότεινε το WARM για την αντιμετώπιση του reward hacking στα μεγάλα γλωσσικά μοντέλα (LLMs).

Με τις μετοχές του να διαπραγματεύονται στα $152,59, με άνοδο 8,94% από την αρχή του έτους, τη στιγμή της συγγραφής, η Google (GOOGL) έχει κεφαλαιοποίηση αγοράς $1,9 τρισεκατομμυρίων. Η εταιρεία παρουσίασε έσοδα (TTM) $297 δισεκατομμύρια, ενώ το EPS (TTM) ήταν 5,21 και το P/E (TTM) 29,19.

2. Siemens Healthineers

Η κορυφαία εταιρεία υγειονομικής περίθαλψης έχει επενδύσει στην τεχνητή νοημοσύνη για να μετασχηματίσει τη βιομηχανία. Η Siemens Healthineers (SHL.SW ) (SHL.DE ) έχει αναπτύξει 84 προϊόντα υποστηριζόμενα από AI έως τον Νοέμβριο 2023 και κατέχει πάνω από 800 διπλώματα ευρεσιτεχνίας σχετιζόμενα με την τεχνολογία.

Αποσπασμένη από τη μητρική της εταιρεία Siemens, ο πάροχος λύσεων υγείας έχει κεφαλαιοποίηση αγοράς $63 δισεκατομμύρια, με τις μετοχές του να διαπραγματεύονται στα $51,68. Η Siemens Healthineers έχει EPS (TTM) 1,35 και P/E (TTM) 38,28.

Τελική Σκέψη

Όπως είδαμε, η τεχνητή νοημοσύνη έχει τεράστια υπόσχεση στην ανάλυση τάσεων, και καθώς η τεχνολογία προοδεύει, θα δούμε ακόμη πιο ακριβείς και εφαρμόσιμες πληροφορίες καθώς και καινοτομίες σε διάφορους τομείς. Στην υγειονομική περίθαλψη, τα μοντέλα πρόβλεψης που βασίζονται στην AI συνθέτουν δεδομένα, πληροφορίες και παρεμβάσεις για την εξατομίκευση της υγειονομικής περίθαλψης και τη βελτιστοποίηση των αποτελεσμάτων.

Κάντε κλικ εδώ για να μάθετε για τη αυξανόμενη συνέργεια μεταξύ AI & νευροεπιστήμης.