Mga Modelong Paghula na Pinapagana ng AI ay Magdadala ng Malaking Pag-unlad sa Pangangalagang Pangkalusugan

Layunin ng AI na pahintulutan ang mga makina na tularan ang pag-iisip at pag-uugali ng tao, kabilang ang pagkatuto, pangangatwiran, at paghula. Sa gitna ng pagsisikap na ito ay ang pagmomodelong batay sa AI, na nagsisilbing pundasyon para sa paglikha ng mga awtomatiko at matatalinong sistema.

Upang makabuo ng mga ganitong modelo, iba’t ibang teknik ang ginagamit, na mahalaga para sa paglikha ng mga matatalinong sistema na maaaring ilapat sa iba’t ibang tunay na sektor, kabilang ang pananalapi, pangangalagang pangkalusugan, agrikultura, cybersecurity, at iba pa.

Ang pag-unlad ng mga modelong ito ay kadalasang gumagamit ng iba’t ibang uri ng analytics—deskriptibo, diagnostiko, prediktibo, at preskriptibo—batay sa kalikasan ng problema at mga pangangailangan ng solusyon.

Sa ngayon, nakatuon kami sa predictive analytics, na nagsusuri ng datos upang hulaan kung ano ang mangyayari sa hinaharap. Sa pamamagitan ng paggamit ng napakalaking dami ng datos, binibigyang-kahulugan ng modelo ang mga kilalang pattern, na nagpapadali ng tumpak na mga hula at tumutulong sa paggawa ng mga may-kabatirang desisyon. 

I-click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artificial intelligence.

Hindi Matatawarang Kakayahan ng AI na Kilalanin ang mga Trend

May ganitong hindi matatawarang kakayahan ang AI na kilalanin ang mga trend sa loob ng isang hanay ng mga variable. Ito ay dahil, hindi tulad ng mga tao, ang teknolohiya ay kayang magproseso ng napakalaking dami ng datos nang mabilis, pagkatapos ay tuklasin ang mga pattern at trend at alamin kung ano ang ibig sabihin ng mga ito. 

Sa pamamagitan ng mga algorithm ng machine learning ginagawa ng modelong AI ang tungkulin nito, na magpahiwatig ng output batay sa ibinigay na datos.

Kapag sinusuri ang isang trend, karaniwang ginagamit ang mga neural network na inspirasyon ng pag-andar ng utak ng tao dahil sa kanilang kakayahang matuto at mag-adapt. Ang iba pang mga algorithm ng machine learning na mahalaga sa pagsusuri ng trend ay ang Support Vector Machines (SVM), na nagkakategorya ng datos sa magkakahiwalay na klase, at Random Forests, na nag-iiisa ng maraming decision tree para sa makapangyarihang mga modelong prediktibo. Ang Bayesian network ay isa pang halimbawa na gumagamit ng probabilistic graphical models upang ipakita ang mga estadistikal na ugnayan sa pagitan ng hanay ng mga variable.

Sa pangangalagang pangkalusugan, ang paggamit ng mga algorithm ng machine learning upang bumuo ng mga AI-powered na modelong panghula ay nagbibigay-daan sa mas mahusay at mas nakaayon na indibidwal na pangangalaga at mga plano ng paggamot.

Para dito, sinusuri ng AI ang iba’t ibang datos sa pangangalagang pangkalusugan upang ipakita ang mga umuusbong na trend sa pag-usbong ng sakit. Pinahihintulutan nito ang mga propesyonal sa medisina na maagap na tugunan ang mga isyu sa kalusugan at iangkop ang mga estratehiya sa paggamot, na muling binabago ang pangangalaga sa pasyente.

Ang Potensyal ng Kakayahan ng AI na Tuklasin ang mga Pattern sa Pangangalagang Pangkalusugan

Ngayon, tingnan natin ang totoong paggamit ng kakayahan ng teknolohiya na kilalanin ang mga trend sa loob ng isang hanay ng mga variable.

Kasangkapang Pagsubaybay ng AI para Matukoy ang Sepsis Bago Lumitaw ang Sintomas

Sa isang kamakailang pag-aaral, natuklasan ng mga mananaliksik na maaari nilang matagumpay na hulaan ang impeksyon ng sepsis sa mga pasyenteng mataas ang panganib at makapagligtas ng buhay sa pamamagitan ng paggamit ng isang bagong algorithm ng AI. 

Ang sepsis ay isang pangunahing sanhi ng kamatayan at karamdaman sa buong mundo. Sa kundisyong ito, ang immune system ng katawan ay tumutugon nang labis sa impeksyon, na nagdudulot ng pinsala sa sarili nitong mga tisyu at organ.

Sa US, bawat taon, hindi bababa sa 1.7 milyong na matatanda ang nagkakaroon ng sepsis, at humigit-kumulang 350,000 ang namamatay dahil sa mapanganib na impeksyon sa dugo na ito. Samantala, tinatayang 48.9 milyong tao ang apektado bawat taon sa buong mundo, kung saan humigit-kumulang 11 milyong namamatay.

Gayunpaman, ang mga mananaliksik mula sa University of California San Diego School of Medicine ay handang baguhin ang mga bilang na ito sa pamamagitan ng paggamit ng AI.

Ayon sa pag-aaral na inilathala sa online na edisyon ng Digital Medicine, nakabuo ang mga mananaliksik ng isang AI algorithm na tinatawag na COMPOSER. Ginagamit nito ang datos sa real-time upang maipabatid nang maaga kung ang pasyente ay may kondisyon bago pa man lumitaw ang mga klinikal na senyales, sa pamamagitan ng pagtatrabaho nang ‘mahina at ligtas sa likod ng mga eksena.’ 

Patuloy na sinusuri ng modelo ang bawat pasyente para sa anumang senyales ng sepsis, ayon kay Gabriel Wardi, MD, co-author ng pag-aaral at pinuno ng Dibisyon ng Critical Care sa UC San Diego (UCSD) Department of Emergency Medicine.

Mahalaga ang maagang pagkilala sa sepsis dahil mas malaki ang benepisyo ng mga interbensyon kapag ito ay ipinatupad nang mas maaga sa takbo ng sakit.

Ginamit ang modelo sa mga emergency department ng UC San Diego Health, ang tanging akademikong sistemang medikal sa rehiyon, upang tukuyin ang mga pasyenteng may panganib sa impeksyon ng sepsis at nakabawas ng kamatayan ng 17%.

Ang paraan ng pag-andar nito ay pagkatapos mag-check in ang pasyente sa emergency department, sinimulan ng COMPOSER na subaybayan ang higit sa 150 iba’t ibang variable ng pasyente na maaaring may kaugnayan sa sepsis. Kabilang sa mga variable na ito ang demograpiko, kasaysayan ng medikal, mga vital sign, at mga resulta ng laboratoryo.

Kung natuklasan na ang isang pasyente ay may maraming variable, na nagreresulta sa mataas na panganib ng impeksyon ng sepsis, ipinapaalam ng algorithm ang nursing staff sa pamamagitan ng electronic health record ng ospital. Pagkatapos, nire-review ng staff kasama ang doktor para sa kumpirmasyon at upang matukoy ang angkop na plano ng paggamot para sa pasyente. 

“Ang mga advanced na AI algorithm na ito ay maaaring matuklasan ang mga pattern na hindi agad halata sa mata ng tao.” 

– Shamim Nemati, Ph.D., co-author ng pag-aaral at direktor ng predictive analytics at associate professor ng biomedical informatics sa UC San Diego School of Medicine

Idinagdag pa niya:

“Ang sistema ay maaaring tingnan ang mga risk factor na ito at makabuo ng napakatingkad na hula ng sepsis.”

Ang pag-aaral, na pinondohan ng National Institutes of Health, National Library of Medicine, at Joan and Irwin Jacobs Center for Health Innovation sa UC San Diego Health, ay sinuri ang mahigit 6,200 na pagpasok ng pasyente bago at pagkatapos i-deploy ang AI algorithm sa mga emergency department ng ospital.

Ito ang unang pag-aaral na gumamit ng AI deep-learning model at nag-ulat ng pagbuti sa mga kinalabasan ng pasyente. Ang modelo ay gumagamit ng artificial neural networks upang tumpak at ligtas na matukoy ang kumplikado at maraming risk factor sa mga pasyente. Ayon kay Wardi:

“Dahil sa modelong AI na ito, ang aming mga koponan ay makapagbigay ng mabilis na life-saving therapy para sa mga pasyente.”

Ang COMPOSER ay unang inaktibo mahigit isang taon na ang nakalipas, noong Dis. 2022. Sa kasalukuyan, ito ay ginagamit sa maraming inpatient unit ng ospital sa buong UC San Diego Health, at sa hinaharap, sisimulan din itong gamitin ng UC San Diego Health East Campus.

Kamakailan, inanunsyo ng Health Care Center ang kanilang unang chief health AI officer. Naglunsad din ito ng pilot kung saan ang cloud-based na mga sistema ng electronic health record na Epic at ChatGPT ay awtomatikong gumagawa ng mas mahabaging mga tugon sa mensahe upang ang mga doktor at tagapag-alaga ay makapagpokus sa pangangalaga sa pasyente.

“Ang integrasyon ng teknolohiyang AI sa electronic health record ay tumutulong upang matupad ang pangako ng digital health.”

– Christopher Longhurst, co-author ng pag-aaral at executive director ng Jacobs Center for Health Innovation at chief medical officer at chief digital officer sa UC San Diego Health

Software para Suriin ang Genomic Data upang Mahulaan ang Sakit nang May Katumpakan

Isa pang halimbawa ng mga AI-powered na modelong panghula na tumutulong sa sektor ng pangangalagang pangkalusugan ay makikita sa isang pag-aaral na inilathala noong nakaraang linggo. Nilikha sa Rutgers Health, ang kauna-unahang software na tinatawag na IntelliGenes ay pinagsasama ang AI at machine learning upang makatulong sa paghula ng mga sakit sa mga indibidwal. Sinusuri ng modelo ang genomic data upang mahanap ang mga health-related biomarker upang makabuo ng mga personalized na hula para sa pasyente pati na rin ng visual na representasyon ng mga ito.

Ang multi-genomic data ay nagbibigay impormasyon tungkol sa likas na genetic makeup ng isang pasyente at may potensyal na matuklasan ang mga bagong biomarker batay sa kanilang panganib sa sakit. Binanggit ng pag-aaral:

“Naniniwala kami na ang sinerhikong paggamit ng maraming AI algorithm ay nagbibigay ng mas tumpak na resulta, nagbubuo ng mga makabuluhang konklusyon, at eksaktong mga hula tungkol sa mga totoong problema kumpara sa isang AI algorithm lamang.”

Natuklasan din na ang Support Vector Machine (SVM) at Random Forest (RF) ay ang pinakaepektibong mga algorithm ng machine learning na ginagamit upang gumawa ng mga hula na may mataas na katumpakan at lutasin ang mga problema ng regression at classification.

Sa kasalukuyan, walang AI tools na magagamit upang siyasatin at intindihin ang buong human genome, lalo na para sa mga indibidwal na hindi eksperto sa larangan. Dahil dito, nag-develop ang mga mananaliksik ng IntelliGenes, na maaaring magamit ng sinuman, kabilang ang mga walang gaanong kaalaman sa mga teknik ng bioinformatics o walang access sa mga high-performing na computer.

Sa pamamagitan ng kombinasyon ng mga algorithm ng machine learning, layunin ng mga mananaliksik ng Rutgers Health na matuklasan ang impormasyong karaniwang hindi napapansin ng klasikong estadistika at tradisyunal na teknik ng bioinformatics.

Pagkatapos, inilapat ng mga mananaliksik ang IntelliGenes sa isa pang pag-aaral upang matuklasan ang mga bagong biomarker at hulaan ang cardiovascular disease (CVDs) nang may mataas na katumpakan.

Ayon sa pag-aaral, ang wastong paggamit ng AI at ML methodologies ay maaaring magbigay sa atin ng mga bagong pananaw at pag-unawa sa mga cardiovascular disease. Ito ay magbibigay-daan sa mas mahusay na personalized na mga paggamot.

Sinimulan ang pag-aaral sa masigasig na pre-processing ng gene expression data at pagkatapos ay gumamit ng tatlong statistical tests upang suriin ang mga pagkakaiba sa transcriptomic (pag-aaral ng kumpletong hanay ng RNA) expression at ang pagkakaiba sa mga klinikal na katangian ng mga pasyenteng may CVD at ng mga malusog na indibidwal.

Sa kanilang pananaliksik, natuklasan ng koponan ang 18 transcriptomic biomarkers na lubos na mahalaga sa populasyon ng CVD. Ginamit ang mga ito upang hulaan ang sakit na may hanggang 96% na katumpakan. Ang mga resulta ay sinuri rin sa pamamagitan ng cross-validation gamit ang mga klinikal na rekord na nakolekta mula sa mga pasyente sa cohort.

“May napakalaking potensyal sa pagsasanib ng mga dataset at sa kamangha-manghang pag-unlad ng artificial intelligence at machine learning.”

– Zeeshan Ahmed, pangunahing may-akda ng pag-aaral. Si Ahmed ay miyembro ng fakultad sa Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) at assistant professor ng medisina sa Robert Wood Johnson Medical School

Ayon sa kanya, ang modelo ay hindi lamang sumusuporta sa personalized na maagang pagtuklas ng parehong karaniwan at bihirang sakit sa mga indibidwal kundi nagbubukas din ng mga pintuan para sa mas malawak na pananaliksik na sa huli ay magdadala ng mga bagong interbensyon at paggamot.

Ang AI ay Hindi Pa Perpektong Solusyon!

Tulad ng nakita natin, ang mga modelong pinapagana ng AI ay may malaking mga kalamangan sa larangan ng pangangalagang pangkalusugan. May kakayahan itong matukoy ang mga sakit nang maaga nang may mataas na katumpakan at protektahan ang maraming buhay. Gayunpaman, hindi ito ang panghuling solusyon, hindi pa, sa ngayon. Makikita ito sa isang pag-aaral na inilathala mas maaga ngayong buwan na nagpakita na kapag inilapat ang AI sa totoong mundo, nagkakaroon ng mga pagkakamali.

Inilathala mas maaga ngayong buwan sa journal na Modern Pathology, ang pag-aaral na ito ang unang sumuri kung paanong ang kontaminasyon sa tisyu ay nakakaapekto sa mga learning model ng AI.

Sa pag-aaral na ito, sinanay ng mga mananaliksik ang tatlong AI model upang suriin ang mga microscope slide ng tisyu ng placenta, na may mga gawain kabilang ang pagtukoy ng pinsala sa daluyan ng dugo, pagtatantiya ng gestational age, at pag-uuri ng macroscopic lesions. Dagdag pa, sinanay ang ika-apat na modelo upang matuklasan ang prostate cancer sa mga tissue sample mula sa needle biopsies.

Upang subukan ang kanilang katatagan, inilantad ng mga mananaliksik ang bawat modelo sa maliliit na bahagi ng kontaminant na tisyu—tulad ng dugo at tisyu ng pantog—na random na kinuha mula sa ibang mga slide. Ang hakbang na ito ay naglalayong tularan ang mga kondisyon sa totoong mundo kung saan madalas na naroroon ang mga kontaminante.

Sa pagsusuri ng pagganap ng mga AI model, natuklasan na ang lahat ng apat na modelo ay inilipat ang kanilang pokus sa mga kontaminant na tisyu sa halip na magtuon sa kanilang pangunahing gawain. Ang pagkalihis na ito ay nagdulot ng mga kamalian sa pagtukoy ng gestational age, pag-diagnose ng prostate cancer, pagtukoy ng mga lesions, at pagsusuri ng pinsala sa daluyan ng dugo. Ito ay dahil ang mga AI ay nakakaranas ng iba’t ibang materyales sa totoong mundo na hindi nila natutunan, kumpara sa malinis na simulated environment kung saan sila sinanay.

“Ang aming mga natuklasan ay paalala na ang AI na napakagaling sa laboratoryo ay maaaring mabigo sa totoong mundo. Dapat patuloy na asahan ng mga pasyente na ang isang human expert ang huling magdedesisyon sa mga diagnosis na ginawa sa biopsies at iba pang tissue sample. Natatakot ang mga pathologist — at umaasa ang mga kumpanya ng AI — na darating ang mga computer para sa aming mga trabaho. Hindi pa.”

– Co-author Dr. Jeffery Goldstein

Hindi lamang para sa AI kundi pati na rin sa mga pathologist na masusing sinanay upang matuklasan ito, ang kontaminasyon ng tisyu ay isang pangkaraniwang isyu. Gayunpaman, binigyang-diin ng pag-aaral na ang mga doktor at mga mananaliksik na hindi pathologist ay madalas na nagugulat sa kaalaman na ito. Binanggit na sa isang araw, mula sa 80 hanggang 100 slide na sinusuri ng isang pathologist, 2-3 ang inaasahang may kontaminante, na kanilang tinatanggihan.

Ayon sa pag-aaral, ang mga AI model ay gumaganap sa katulad na paraan, tulad ng kung paano sinusuri ng mga tao ang mga tisyu sa mga slide. Kapag sinusuri ang mga tisyu sa mga slide, ang mga tao ay maaaring tumingin lamang sa limitadong field sa loob ng mikroskopyo at pagkatapos ay lumipat sa bagong field at pagsamahin ang lahat ng impormasyong nakalap upang makagawa ng diagnosis.

Gayunpaman, madaling nalaman na nalilinlang ang AI ng mga kontaminante dahil kailangan nitong magpasya kung ano ang dapat pagtuunan ng pansin at kung ano ang hindi. “Iyon ay zero-sum,” sabi ni Goldstein, na direktor ng perinatal pathology at assistant professor ng perinatal pathology at autopsy sa research-intensive na Feinberg School of Medicine, Northwestern University, habang ipinaliwanag niya:

“Kung binibigyan ng pansin ang mga kontaminant na tisyu, mas kaunti ang pansin na ibinibigay sa tisyu ng pasyente na sinusuri.”

Ayon sa mga may-akda ng pag-aaral, dapat magsikap ang mga practitioner na sukatin at pagbutihin ang problema ng kakulangan ng AI model na i-encode ang mga biological impurities.

Gayunpaman, ang mga resulta ay nagbigay kay Goldstein ng “kumpiyansa na ang AI evaluations ng placenta ay magagawa,” tinawag ang pagguho ng AI na isang “speed bump.” Nangangahulugan lamang ito, “Nasa daan na tayo tungo sa mas mahusay na integrasyon ng paggamit ng machine learning sa pathology,” dagdag pa niya.

Mga Kumpanyang Maaaring Makikinabang Mula sa AI-Powered na Prediction Models

Sa pagpapakita ng malaking pangako ng mga AI model, tingnan na natin kung aling mga kumpanya ang makikinabang nang husto mula sa mga ito:

1. Google DeepMind

Ito ay isang subsidiary ng tech giant na Google na naglalayong lutasin ang intelihensiya upang “paunlarin ang agham at makinabang ang sangkatauhan.” 

Kamakailan, inihayag ng mga mananaliksik ng Google DeepMind na nakabuo sila ng AI assistant para sa mga doktor na tinatawag na Articulate Medical Intelligence Explorer (AMIE) na makakatulong sa pag-diagnose ng mga pasyente. Isa pang papel mula sa organisasyon ang nagmungkahi ng WARM upang tugunan ang reward hacking sa mga LLM.

Sa kasalukuyang presyo ng kanyang mga shares na $152.59, tumaas ng 8.94% ngayong taon, sa oras ng pagsulat, ang Google (GOOGL) ay may market cap na $1.9 trilyon. Ang kumpanya ay nag-ulat ng kita (TTM) na $297 bilyon habang may EPS (TTM) na 5.21 at P/E (TTM) na 29.19.

2. Siemens Healthineers

Ang nangungunang kumpanya sa pangangalagang pangkalusugan ay naglalagay ng taya sa AI upang baguhin ang industriya ng pangangalagang pangkalusugan. Ang Siemens Healthineers (SHL.SW ) (SHL.DE ) ay nakabuo ng 84 AI-supported na produkto hanggang Nob. 2023 at may mahigit 800 na patente na may kaugnayan sa teknolohiya.

Nailipat mula sa kanyang parent company na Siemens, ang tagapagbigay ng solusyon sa pangangalagang pangkalusugan ay may market cap na $63 bilyon habang ang kanyang mga shares ay nagte-trade sa $51.68. Ang Siemens Healthineers ay may EPS (TTM) na 1.35 at P/E (TTM) na 38.28.

Pangwakas na Kaisipan

Tulad ng nakita natin, ang AI ay may napakalaking pangako sa pagsusuri ng mga trend, at habang umuunlad ang teknolohiya, makakakita tayo ng mas tumpak at magagamit na mga insight pati na rin ng inobasyon sa iba’t ibang sektor. Sa pangangalagang pangkalusugan, ang mga AI-driven na prediction model ay nagsasama ng datos, mga insight, at mga interbensyon upang i-personalize ang pangangalagang pangkalusugan at i-optimize ang mga kinalabasan. 

I-click dito upang matutunan ang lumalaking sinerhiya sa pagitan ng AI at neuroscience.