Biotech
AI Nakatakdang Maging Mahalaga sa Medikal na Pagsusuri
Idagdag ang Securities.io sa mga gusto mong mapagkunan sa Google
Mga Bagong Kasangkapan para sa Lumang Pagsusuri
Mula pa noong unang panahon ng medisina, maraming diagnostic ang umaasa sa visual na inspeksyon ng pasyente. Totoo pa rin ito para sa impeksyon sa tainga, na karaniwang nangangailangan ng isang karanasang kliniko upang maayos na matukoy.
Sa partikular na kasong ito, napakalaki ng kahalagahan ng karanasan at kasanayan ng doktor, tulad ng mga naunang pag-aaral ng mga kliniko na nag-ulat ng diagnostic accuracy ng AOM mula 30% hanggang 84%, depende sa uri ng tagapagbigay ng pangangalagang pangkalusugan, antas ng pagsasanay, at edad ng mga batang sinusuri.
Bilang resulta, maraming impeksyon sa tainga ang maling nasusuri bilang otitis media with effusion, o likido sa likod ng tainga, isang kondisyon na karaniwang hindi naglalaman ng bakterya at hindi nakikinabang sa antimicrobial na paggamot.
Ngunit isang bagong kasangkapan ang ngayon binuo upang tulungan ang mga doktor, na umaasa sa pag-usbong ng AI machine vision, kasama ang laganap na paggamit ng mga smartphone. At maaari itong makatulong na mabawasan ang hindi kinakailangang paggamit ng mga antibiotiko, na nagdudulot ng problematikong pag-usbong ng resistensya sa antibiotiko.
“Ang underdiagnosis ay nagreresulta sa hindi sapat na pangangalaga at ang overdiagnosis ay nagreresulta sa hindi kinakailangang paggamot ng antibiotiko, na maaaring magpahina sa bisa ng kasalukuyang magagamit na mga antibiotiko. Ang aming kasangkapan ay tumutulong upang makuha ang tamang diagnosis at gabayan ang wastong paggamot.”
Alejandro Hoberman, M.D., Propesor ng pediatrics at direktor ng Division of General Academic Pediatrics sa School of Medicine.
Pinagmulan: UPMC
Ito rin ay isang napakakaraniwang problema, kung saan 70% ng mga bata ay nagkakaroon ng impeksyon sa tainga sa kanilang unang taon ng buhay.
Diagnostikong AI
Nakipagtulungan si Pr Hoberman sa mga mananaliksik sa Tandon School of Engineering sa NY, Bosch Center for Artificial Intelligence sa Pittsburgh, at Dcipher Analytics sa Stockholm, Sweden upang bumuo ng isang AI na kasangkapan para sa pagtuklas ng impeksyon sa tainga.
Inilathala nila ang kanilang mga natuklasan sa JAMA Pediatrics, sa pamagat na “Development and Validation of an Automated Classifier to Diagnose Acute Otitis Media in Children.”
Ang nagresultang AI na kasangkapan ay nangangailangan lamang ng otoscope na nakakonekta sa kamera ng smartphone.
Nilikha nila ang dalawang magkaibang AI model at gumamit ng database ng 1,151 na video ng tympanic membrane mula sa 635 na bata. Pagkatapos, hiningi nila sa mga eksperto na manu-manong i-annotate ang bawat video kung ito ay tumutugma sa impeksyon sa tainga o hindi.
921 na video ang ginamit para sa pagsasanay ng AI, at ang natitirang 230 na video ay ginamit bilang pagsusulit upang tasahin ang katumpakan ng AI.
Kabilang sa mga parametron na sinukat para sa tamang diagnostic ay ang hugis, kulay, posisyon, at translucency ng eardrum.
Pinagmulan: UPMC
Mas Mataas na Resulta Medikal
Ang parehong modelo ay lubos na tumpak, na nagbigay ng sensitivity na 9.38% at specificity na 93.5%. Ibig sabihin, hindi lamang tumpak na natuklasan ng AI ang impeksyon, kundi mayroon din itong napakababang antas ng false negatives at false positives.
Mahalaga ring pansinin na ito ay mas mataas na katumpakan kaysa kahit sa pinakamahusay na resulta na nakuha sa pamamagitan ng visual na pagkilala ng mga doktor, at mas mataas pa kaysa sa mga resulta na nakuha sa hindi kanais-nais na kondisyon (mas batang mga bata, hindi sinanay na mga doktor, atbp.).
Ang video ay maaaring i-record at i-archive. Ang una ay maaaring magamit upang ipaliwanag ang diagnosis sa pasyente o sa mga magulang ng pasyente at i-archive sa file ng pasyente. Ang mga na-record na video ay maaari ring magamit upang sanayin ang mga mag-aaral ng medisina o residente at magbigay ng mahalagang kasangkapan sa pagtuturo para sa mga ospital at medikal na praktis.
Dapat din itong makatulong sa mga family doctor na makagawa ng tamang diagnosis at mabawasan ang labis na reskripsyon ng mga antibiotiko.
Ang kasimplihan ng pagpapatupad ng kasangkapang ito, gamit lamang ang smartphone ng doktor at isang otoscope, ay dapat magbigay-daan sa napakabilis na pag-deploy at madaling pag-aampon.
Mga Kumpanya ng AI Diagnostic
Sa mahabang panahon, ang paglalapat ng AI sa mga kumplikadong kapaligiran tulad ng katawan ng tao ay hindi nagtagumpay, dahil nahirapan itong harapin ang “kaguluhan” ng ibinigay na datos.
Ang mga bagong teknolohiya tulad ng neural networks ay nagbago nito, na lumikha ng “machine vision” kung saan ilan sa mga kilalang aplikasyon ay ang mga self-driving na sasakyan.
Maraming medikal na diagnosis ngayon ang nakasalalay pa rin sa opinyon ng mga doktor at sa kadalubhasaan na nagmumula sa manu-manong pag-aaral ng libu-libong imahe ng mga scanner, RMI, at pati na rin ng mga eardrum. Kung kaya na ngayong matukoy ng AI kung nasaan ang mga siklista sa kalsada, mas gumaganda rin ito, kung hindi man ay mas mahusay kaysa sa tao, sa pagtuklas ng mga impeksyon, tumor, at iba pang medikal na isyu.
Maraming malalaking kumpanya ang nag-iintegrate ng AI sa kanilang mga imaging system, tulad ng GE Healthcare, Siemens Healthineers, Canon Medical, at Philips. Gayunpaman, dahil sa laki ng mga korporasyon, halos hindi sila purong manlalaro sa AI medikal na diagnostic.
Ang iba pang mas nakatutok na startup ay pribadong nakalista, tulad ng PathAI at Viz.AI halimbawa. Kaya nagtuon kami sa mga pampublikong nakalistang stock.
1. Butterfly Network
BFLY Tsart ng Presyo
Ang Butterfly ay parehong developer ng isang advanced na ultra-portable ultrasound diagnosis tool at isang integrated na software na gumagamit ng AI upang tumulong sa diagnosis, na tinatawag na “Compass”.
Pinagmulan: Butterfly Network [securities_stock_price_tag symbol="BFLY" exchange="NYSE"]
Ang kumpanya ay ngayon nasa ikatlong henerasyon (rd) ng ultrasound probe, na may paglabas noong 2024 ng iQ3, na may mas mataas na data transfer rate at 2x na processing power kumpara sa naunang bersyon. Tulad ng lahat ng nakaraang Butterfly ultrasound probe, ito ay umaasa sa superior na semiconductor “ultrasound-on-chip” na teknolohiya sa halip na tradisyunal na piezoelectric sensors.
Nag-aalok ang iQ3 ng mas mahusay na karanasan sa gumagamit, kabilang ang posibilidad na makita sabay-sabay ang 3D at multi-planes, integrated cloud software, at mabilis na pagsisimula, lahat sa mas murang presyo.
Gumagamit ang kumpanya ng AI upang mapabuti ang mga imahe, awtomatikong lumikha ng mga sukat na may kaugnayan sa diagnosis, pati na rin magbigay ng pagsasanay/pagpapraktis sa pagtuturo.
Pinagmulan: Butterfly Network
Mabilis na lumalawak ang Butterfly sa mga bagong merkado sa Asya (Singapore, Indonesia, Pilipinas, atbp.), at pati na rin sa mga pamilihan ng beterinaryo, halimbawa, sinusuri ang kalusugan ng mga baka sa feedlot, gamit ang ultra-portability ng kanilang ultrasound tool.
2. Enlitic (ENL.AX)
Nakabuo ang Enlitic ng isang AI system upang suriin ang mga radiology image at awtomatikong lumikha ng standardized na paglalarawan ng mga imahe. Kaya’t ito ay kumakatawan sa susunod na hakbang sa malaking datos ng mga radiology image, kasunod ng pag-aampon ng mga teknikal na pamantayan tulad ng DICOM o HL7.
Upang magawa ito, ginagamit ng teknolohiya ng Enlitic ang computer vision at natural language processing upang suriin ang mga DICOM image, tinutukoy ang iba’t ibang parametron tulad ng bahagi ng katawan, orientasyon, contrast, at kapal ng slice para sa mga CT, MR, at X-ray na imahe.
Pinagmulan: Enlitic
Ang ganitong uri ng standardisasyon ay kakailanganin para sa pag-unlad ng AI sa radiology, pati na rin sa telemedicine at automation. Magbibigay ito ng interoperability sa pagitan ng mga sistema, na nakasalalay sa isang maaasahang labeling system.
Dapat din itong makatulong sa monetization ng datos na ito ng mga ospital at radiology center, upang magbigay ng anonymized at standardized na datos para sa iba pang pagsasanay ng AI.
