AI เตรียมกลายเป็นเครื่องมือวินิจฉัยทางการแพทย์อันล้ำค่า

เครื่องมือใหม่สำหรับการวินิจฉัยแบบเก่า

นับตั้งแต่รุ่งอรุณของการแพทย์ การวินิจฉัยหลายอย่างต้องอาศัยการตรวจด้วยสายตาของผู้ป่วย กรณีนี้ยังคงเป็นจริงสำหรับการติดเชื้อที่หู โดยมักจะต้องได้รับการวินิจฉัยจากแพทย์ผู้มีประสบการณ์อย่างเหมาะสม

ในกรณีนี้ ประสบการณ์และทักษะของแพทย์มีความสำคัญอย่างมาก เนื่องจากการศึกษาก่อนหน้านี้ของแพทย์ได้รายงานความแม่นยำในการวินิจฉัยของ AOM อยู่ระหว่าง 30% ถึง 84%ขึ้นอยู่กับประเภทของผู้ให้บริการด้านสุขภาพ ระดับการฝึกอบรม และอายุของเด็กที่จะเข้ารับการตรวจ

เป็นผลให้การติดเชื้อในหูจำนวนมากได้รับการวินิจฉัยผิดพลาดเนื่องจากหูชั้นกลางอักเสบที่มีน้ำไหลออกมาหรือมีของเหลวอยู่หลังใบหู ซึ่งเป็นภาวะที่โดยทั่วไปไม่เกี่ยวข้องกับแบคทีเรียและไม่ได้รับประโยชน์จากการรักษาด้วยยาต้านจุลชีพ

แต่ปัจจุบันมีการพัฒนาเครื่องมือใหม่เพื่อช่วยแพทย์โดยอาศัยการเกิดขึ้นของแมชชีนวิชัน AI ควบคู่ไปกับการมีอยู่ทั่วไปทุกหนทุกแห่งของสมาร์ทโฟน และอาจช่วยลดการใช้ยาปฏิชีวนะโดยไม่จำเป็น ซึ่งนำไปสู่ปัญหาการดื้อยาปฏิชีวนะ

“การวินิจฉัยที่ต่ำกว่าส่งผลให้เกิดการดูแลที่ไม่เพียงพอ และการวินิจฉัยมากเกินไปส่งผลให้เกิดการรักษาด้วยยาปฏิชีวนะโดยไม่จำเป็น ซึ่งอาจส่งผลต่อประสิทธิภาพของยาปฏิชีวนะที่มีอยู่ในปัจจุบัน เครื่องมือของเราช่วยให้ได้รับการวินิจฉัยที่ถูกต้องและชี้แนะการรักษาที่เหมาะสม”

อเลฮานโดร โฮเบอร์แมน นพ. กุมารเวชศาสตร์และผู้อำนวยการ กองกุมารเวชศาสตร์ทั่วไป ที่บ้านพิตต์ คณะแพทยศาสตร์

ที่มา: UPMC

นอกจากนี้ยังเป็นปัญหาที่พบบ่อยมาก โดยเด็ก 70% ติดเชื้อที่หูในปีแรกของชีวิต

AI การวินิจฉัย

Pr Hoberman ร่วมมือกับนักวิจัยที่ Tandon School of Engineering ในนิวยอร์ก, Bosch Center for Artificial Intelligence ในพิตส์เบิร์ก และ Dcipher Analytics ในสตอกโฮล์ม ประเทศสวีเดน เพื่อพัฒนาเครื่องมือ AI สำหรับการตรวจหาการติดเชื้อในหู

พวกเขาเผยแพร่การค้นพบของพวกเขาใน กุมาร JAMAภายใต้ชื่อ “การพัฒนาและการตรวจสอบความถูกต้องของลักษณนามอัตโนมัติเพื่อวินิจฉัยโรคหูชั้นกลางอักเสบเฉียบพลันในเด็ก.

เครื่องมือ AI ที่ได้ผลลัพธ์นั้นต้องใช้เพียงกล้องตรวจหูที่เชื่อมต่อกับกล้องสมาร์ทโฟนเท่านั้น

พวกเขาสร้างแบบจำลอง AI สองแบบที่แตกต่างกัน และใช้ฐานข้อมูลวิดีโอเกี่ยวกับแก้วหูจำนวน 1,151 รายการจากเด็ก 635 คน จากนั้นพวกเขาขอให้ผู้เชี่ยวชาญใส่คำอธิบายประกอบวิดีโอแต่ละรายการด้วยตนเองว่าเกี่ยวข้องกับการติดเชื้อในหูหรือไม่

มีการใช้วิดีโอจำนวน 921 วิดีโอเพื่อฝึก AI และวิดีโอที่เหลืออีก 230 วิดีโอถูกใช้เป็นการทดสอบเพื่อประเมินความแม่นยำของ AI

พารามิเตอร์ที่วัดเพื่อการวินิจฉัยที่ถูกต้อง ได้แก่ รูปร่าง สี ตำแหน่ง และความโปร่งแสงของแก้วหู

ที่มา: UPMC

ผลลัพธ์ทางการแพทย์ที่เหนือกว่า

ทั้งสองรุ่นมีความแม่นยำสูง โดยให้ความไว 9.38% และความจำเพาะ 93.5% ซึ่งหมายความว่า AI ไม่เพียงแต่ตรวจพบการติดเชื้อได้อย่างแม่นยำเท่านั้น แต่ยังมีอัตราผลบวกลวงและผลบวกลวงที่ต่ำมากอีกด้วย

นอกจากนี้ยังเป็นที่น่าสังเกตว่านี่เป็นความแม่นยำที่ดีกว่าผลลัพธ์ที่ดีที่สุดที่ได้จากการระบุด้วยสายตาโดยแพทย์ และสูงกว่าผลลัพธ์ที่ได้รับในสภาวะที่ไม่เหมาะ (เด็กเล็ก แพทย์ที่ไม่ได้รับการฝึกอบรม ฯลฯ)

สามารถบันทึกและจัดเก็บวิดีโอได้ วิดีโอนี้สามารถใช้เพื่ออธิบายการวินิจฉัยให้ผู้ป่วยหรือผู้ปกครองของผู้ป่วยฟัง และเก็บไว้ในแฟ้มข้อมูลของผู้ป่วยได้ วิดีโอที่บันทึกไว้ยังสามารถนำไปใช้ฝึกอบรมนักศึกษาแพทย์หรือแพทย์ประจำบ้าน และเป็นเครื่องมือการสอนที่มีคุณค่าสำหรับโรงพยาบาลและสถานพยาบาล

นอกจากนี้ยังควรช่วยให้แพทย์ประจำครอบครัวทำการวินิจฉัยที่ถูกต้องและลดการสั่งยาปฏิชีวนะมากเกินไป

ความเรียบง่ายของการนำเครื่องมือนี้ไปใช้ โดยใช้เพียงสมาร์ทโฟนของแพทย์และกล้องตรวจหู ควรจะช่วยให้ใช้งานได้อย่างรวดเร็วและง่ายดาย

บริษัทวินิจฉัย AI

เป็นเวลานานแล้วที่การนำ AI ไปใช้ในสภาพแวดล้อมที่ซับซ้อน เช่น ร่างกายมนุษย์ไม่ได้ผล เนื่องจากต้องดิ้นรนเพื่อจัดการกับ “ความยุ่งเหยิง” ของข้อมูลที่ให้ไว้

เทคโนโลยีใหม่ๆ เช่น โครงข่ายประสาทเทียมได้เปลี่ยนแปลงสิ่งนี้ โดยทำให้เกิด "การมองเห็นเครื่องจักร" ซึ่งแอปพลิเคชันที่รู้จักกันดีบางส่วนเป็นรถยนต์ที่ขับเคลื่อนด้วยตนเอง

การวินิจฉัยทางการแพทย์จำนวนมากในปัจจุบันยังคงขึ้นอยู่กับความคิดเห็นของแพทย์และความเชี่ยวชาญที่มาจากการศึกษาภาพสแกนเนอร์, RMI และแก้วหูด้วยตนเองหลายพันภาพ ถ้าตอนนี้ AI สามารถระบุได้ว่านักปั่นจักรยานอยู่จุดไหนบนท้องถนน พวกเขาก็จะตรวจพบการติดเชื้อ เนื้องอก และปัญหาทางการแพทย์อื่นๆ ได้ดีขึ้น (แต่ไม่ดีกว่ามนุษย์) อีกด้วย

บริษัทขนาดใหญ่หลายแห่งกำลังรวม AI เข้ากับระบบการถ่ายภาพของตน เช่น GE Healthcare, Sคือผู้ดูแลสุขภาพ, แคนนอน เมดิคอลและ ฟิลิปส์- อย่างไรก็ตาม เนื่องจากขนาดของบริษัท พวกเขาจึงแทบจะไม่ใช่ผู้เล่นที่แท้จริงในการวินิจฉัยทางการแพทย์ด้วย AI

บริษัทสตาร์ทอัพที่มุ่งเน้นอื่นๆ จะมีการจดทะเบียนแบบส่วนตัว เช่น พาธไอ และ กล่าวคือ AI ตัวอย่างเช่น. ดังนั้นเราจึงมุ่งเน้นไปที่หุ้นที่ซื้อขายในตลาดหลักทรัพย์แทน

1. เครือข่ายผีเสื้อ

Butterfly เป็นทั้งผู้พัฒนาเครื่องมือวินิจฉัยอัลตราซาวนด์แบบพกพาขั้นสูงและซอฟต์แวร์บูรณาการที่ใช้ AI ช่วยวินิจฉัยที่เรียกว่า “เข็มทิศ"

ที่มา: เครือข่ายผีเสื้อ

ขณะนี้บริษัทอยู่ม.3^rd การสร้างโพรบอัลตราซาวนด์ ด้วยการเปิดตัว iQ2024 ในปี 3ด้วยอัตราการถ่ายโอนข้อมูลที่สูงกว่าและพลังการประมวลผล 2 เท่าของรุ่นก่อนหน้า เช่นเดียวกับหัวอัลตราซาวนด์ Butterfly รุ่นก่อนๆ ทั้งหมด ต้องใช้เทคโนโลยี "อัลตราซาวนด์บนชิป" ของเซมิคอนดักเตอร์ที่เหนือกว่า แทนเซ็นเซอร์เพียโซอิเล็กทริกแบบคลาสสิก

iQ3 มอบประสบการณ์การใช้งานที่เหนือกว่า ได้แก่ ความเป็นไปได้ในการแสดงภาพทั้ง 3 มิติและหลายระนาบพร้อมกัน ซอฟต์แวร์คลาวด์ในตัว และการเริ่มต้นอย่างรวดเร็ว ทั้งหมดนี้ในราคาที่ถูกกว่า.

บริษัทใช้ AI เพื่อปรับปรุงภาพ สร้างการวัดที่เกี่ยวข้องกับการวินิจฉัยโดยอัตโนมัติ ตลอดจนจัดให้มีการฝึกอบรม/การสอน

ที่มา: เครือข่ายผีเสื้อ

Butterfly กำลังขยายอย่างรวดเร็วสู่ตลาดใหม่ในเอเชีย (สิงคโปร์ อินโดนีเซีย ฟิลิปปินส์ ฯลฯ) และในตลาดสัตวแพทย์ด้วย เช่น การตรวจสอบสุขภาพโคอาหารสัตว์ โดยใช้ประโยชน์จากความสามารถในการพกพาเป็นพิเศษของเครื่องมืออัลตราซาวนด์

2. เอนลิติก (ENL.AX)

Enlitic ได้พัฒนาระบบ AI เพื่อวิเคราะห์ภาพรังสีวิทยาและสร้างคำอธิบายภาพที่ได้มาตรฐานโดยอัตโนมัติ นี่จึงเป็นก้าวต่อไปในข้อมูลขนาดใหญ่ของภาพรังสีวิทยา ภายหลังการนำมาตรฐานทางเทคนิค เช่น DICOM หรือ HL7 มาใช้

เพื่อดำเนินการดังกล่าว เทคโนโลยีของ Enlitic จะใช้การประมวลผลภาพคอมพิวเตอร์และภาษาธรรมชาติเพื่อวิเคราะห์ภาพ DICOM โดยระบุพารามิเตอร์ต่างๆ เช่น ส่วนต่างๆ ของร่างกาย ทิศทาง ความคมชัด และความหนาของชิ้นสำหรับภาพ CT, MR และเอกซเรย์

ที่มา: เอนลิติก

การกำหนดมาตรฐานประเภทนี้จำเป็นต่อความก้าวหน้าของ AI ในด้านรังสีวิทยา รวมถึงการแพทย์ทางไกลและระบบอัตโนมัติ โดยจะให้ความสามารถในการทำงานร่วมกันระหว่างระบบ โดยขึ้นอยู่กับระบบการติดฉลากที่เชื่อถือได้

นอกจากนี้ยังควรช่วยสร้างรายได้จากข้อมูลนี้โดยโรงพยาบาลและศูนย์รังสีวิทยา เพื่อให้ข้อมูลที่ไม่ระบุชื่อและเป็นมาตรฐานสำหรับการฝึกอบรม AI อื่นๆ