Maaaring Mabilis na Magbago ang Pangangalagang Pangkalusugan Habang Nagbubukas ang AI ng mga Bagong Posibilidad

Lumilikha ang AI ng mga bagong posibilidad sa pangangalagang pangkalusugan, mula sa pagsusuri ng larawan hanggang sa pagsubaybay sa paggamot. Ngunit magkakaiba ang antas ng katibayan ng mga teknolohiyang ito. Narito ang ilang halimbawa ng pananaliksik at posibleng gamit, kasama ang mahahalagang limitasyon.

Artipisyal na Intelihensiya

Maaaring makatulong ang AI sa mas mahusay na paggamit ng oras at datos sa pangangalaga. Hindi nito awtomatikong pinabababa ang gastos o ginagawang pantay ang access; nakasalalay ang mga resulta sa disenyo, pagpapatupad at mga pasyenteng pinaglilingkuran.

Maraming uri ng AI. Natututo ang ilang modelo ng mga pattern mula sa datos, ngunit hindi ito katumbas ng pag-iisip ng utak ng tao. Ang pagiging mabilis o mahusay sa isang test ay hindi garantiya ng kaligtasan sa lahat ng klinikal na sitwasyon.

AI na Nagpapabuti ng Diagnosis

Isa sa mga pinag-aaralang gamit ang pagtulong sa diagnosis. Maaaring ihambing ng mga modelo ang bagong datos sa mga pattern na natutuhan sa pagsasanay. Ang ugnayang nakikita sa datos ay hindi laging sanhi ng sakit, kaya mahalaga ang klinikal na pagsusuri at hiwalay na validation.

AI Diagnosis sa Pangangalaga ng Mata

Isang halimbawa ang meta-analysis na inilathala sa eClinicalMedicine. Ang pag-aaral¹ na pinangunahan ni Dr. Darren Ting ng University of Birmingham ay nagsuri ng mga deep-learning model para sa infectious keratitis. Hindi ito isang bagong proprietary algorithm na sila mismo ang sinanay at ipinakitang handa nang gamitin sa lahat ng pasyente.

Ang infectious keratitis ay impeksiyon ng kornea na maaaring magdulot ng pagkakapilat, pagkawala ng paningin at pagkabulag. Isa ito sa mahahalagang sanhi ng corneal blindness. Hindi lahat ng keratitis ay corneal ulcer o bacterial infection; mahalaga ang tamang pagkilala sa sanhi at maagap na paggamot.

Pinagmulan – Webeye Cornea Scan

Pinagsama ng pagsusuri ang 35 pag-aaral na gumamit ng mahigit 136,000 larawan ng kornea sa kabuuan. Hindi ibig sabihin nito na isang bagong modelong ginawa ng pangkat ang sinanay sa lahat ng larawang iyon.

Ang pinagsamang sensitivity ng mga AI model ay 89.2% at specificity ay 93.2%; sa mga ophthalmologist, 82.2% at 89.6% ang mga katumbas na pagtataya. Hindi dapat tawaging pangkalahatang “accuracy” ang sensitivity. May pagkakaiba rin sa mga dataset at disenyo ng mga pag-aaral.

Ipinapakita ng resulta ang potensiyal ng AI bilang tulong sa pagsusuri, lalo na kung limitado ang access sa espesyalista. Hindi nito pinatutunayang mas mainam ang AI sa bawat sitwasyon. Kailangan pa ng mas sari-saring datos at panlabas na validation bago malawakang klinikal na paggamit.

Diagnosis ng Kanser sa Baga

Malaking suliraning pangkalusugan ang kanser sa baga. Ang pag-aaral ng mga mananaliksik sa Cologne na “Bagong henerasyon ng patolohiya sa kanser sa baga: pagbuo at pagpapatunay ng mga algorithm para sa diagnosis at prognosis” ay gumamit ng AI upang suriin ang mga larawan ng tissue section. Hindi ito pagsusuring walang pagkuha ng tissue o isang non-invasive na kapalit ng biopsy.

Sinuri ng sistema ang mga katangian ng digital pathology slides upang tulungan ang pag-uuri at pagtataya ng sakit. Hindi ito isang portable na aparatong awtomatikong nagdi-diagnose ng sinumang pasyente. Ang 89% na binanggit sa orihinal na teksto ay hindi sapat upang ibuod ang lahat ng gawain at dataset ng platform.

Pag-detect ng mga Error sa Medisina

Ang mga pagkakamali sa gamot ay maaaring magdulot ng hindi epektibong paggamot o pinsala. Mahalagang panganib ito sa anestesya, ngunit walang sapat na batayan dito upang sabihing ito ang pinakakaraniwang uri ng pagkakamali sa lahat ng pangangalaga.

Minsan ay kailangang maghanda ng gamot sa ilalim ng matinding presyon sa oras at pabagu-bagong kondisyon. Ang karagdagang pagsusuri ay maaaring makatulong, ngunit hindi dapat ipalagay na ang isang laboratoryong resulta ay napatunayan na rin sa mga war zone o lahat ng emergency.

Nag-aral ang pangkat sa University of Washington ng naisusuot na kamera at AI para makilala ang posibleng pagkakamali kapag kumukuha ng gamot mula sa vial papunta sa syringe. Layunin nitong magbigay ng karagdagang pag-check, hindi palitan ang lahat ng proseso sa kaligtasan ng gamot.

AI Pangangalagang Pangkalusugan

Sinusuri ng sistema ang mga palatandaan tulad ng hugis at laki ng vial at syringe, kulay ng takip at mga nakasulat sa label. Dinisenyo itong tumuon sa kasalukuyang paghahanda at hindi sa mga gamot sa background.

Sinuri ang 4K video ng 418 paghahanda ng gamot ng 13 anesthesia provider, mula sa karaniwang pangangalaga at kontroladong kapaligiran. Sa pagtukoy sa vial-swap errors, iniulat ang 99.6% sensitivity at 98.8% specificity. Magkaibang sukatan ang mga ito at hindi nangangahulugang wala nang pagkakamali.

Maaaring maging ikalawang pagsusuri ang sistemang ito bago maibigay ang maling gamot. Gayunman, kailangang patunayan ang pagiging maaasahan sa mas maraming lugar at kondisyon. Hindi pa ipinakita ng pag-aaral na ligtas nang awtomatikong ipagawa sa AI ang buong proseso o na nabawasan na ang pagkamatay ng pasyente.

Subaybayan ang Bisa ng Paggamot

Maaari ring tumulong ang AI sa pagsusuri ng tugon sa paggamot. Ang mga modelong gumagamit ng kasaysayang medikal, pamilya at kapaligiran ay kailangang gumamit ng maaasahan at angkop na datos, at hindi awtomatikong nagrereseta nang mas tama kaysa sa clinician.

Maaaring suriin ang datos pagkatapos ng paggamot upang maghanap ng pattern sa bisa at masamang epekto. Makakatulong ang simulation sa pagbuo ng hypothesis at pagpaplano, ngunit hindi nito inaalis ang pangangailangan sa klinikal na pagsubok at kaligtasan ng tao.

Mga Naisusuot na Aparatong may AI

Lumalaki ang interes sa mga naisusuot na aparato, mula sa relo para sa aktibidad at pagtulog hanggang sa espesyal na biosensor. Ang kaginhawahan, halaga at katumpakan ay depende sa produkto at gamit.

Maaaring patakbuhin ang ilang AI function sa mismong aparato, habang ang iba ay umaasa sa cloud o koneksiyon sa internet. Hindi lahat ng wearable ay nangangailangan ng network para sa bawat gawain.

Pinagmulan – Scnsoft

Ang lokal na pagproseso ay maaaring magpabilis ng tugon at mabawasan ang pagpapadala ng datos. Gayunman, hindi lahat ng sukatan ng wearable ay klinikal na diagnosis. Ang mga language model ay maaaring magbigay ng voice o text interface, ngunit hindi sila ang dahilan ng lahat ng pagliit at pagiging nababanat ng hardware.

AI Pangangalagang Pangkalusugan

Isang pag-aaral sa Nature Electronics na pinamagatang “Isang naisusuot na platform ng pagkompyut sa sensor gamit ang nababanat na organic electrochemical transistor” ang nagpakita ng pagsasama ng sensing at computation sa nababanat na electronics. Isa itong pananaliksik sa aparato, hindi patunay na lahat ng ganitong produkto ay mas mura o mas matibay sa aktuwal na paggamit.

Gumawa ang mga mananaliksik ng flexible platform para sa pagkuha at pagproseso ng electrophysiological signal. Ang demonstrasyon ay hakbang tungo sa mga naisusuot na sistema; kailangan pa ng karagdagang pagsusuri para sa partikular na medikal na aplikasyon.

Mga Bagong Pamamaraan ng Paggamot

Pinag-aaralan din ang AI kasabay ng nanoparticles at maliliit na robotic system para sa paghahatid ng gamot. Hindi lahat ng nanoparticle ay robot: maraming sistema ang walang sariling paggalaw o kakayahang magpasya.

Maaaring makatulong ang AI sa disenyo, simulation o kontrol ng ilang delivery system. Ang kakayahang umabot sa isang target na tissue ay nakasalalay sa laki, materyal, sirkulasyon at biology. Hindi kayang garantiyahan ng nanoparticles o nanorobots na maaabot ang bawat sulok ng organ o laging mas magiging mabisa ang gamot.

Aling Mga Kumpanya ang Makikinabang sa Rebolusyon ng AI sa Pangangalagang Pangkalusugan?

Maaaring gumamit ang mga kumpanya ng AI sa diagnostic support, medical device at pagbuo ng paggamot. Ngunit hindi awtomatikong nagiging kita o magandang investment ang bawat teknikal na progreso.

Medtronic

Ang Medtronic ay isang malaking tagagawa ng medical device, na itinatag noong 1949, hindi 1940. May mahalagang ugnayan ito sa Minnesota at Ireland. Noong 1957 gumawa ito ng unang naisusuot na battery-operated pacemaker; hindi ito simpleng unang kumpanya ng lahat ng pacemaker noong dekada 1960. Nag-iiba ayon sa taon ang bilang ng empleyado.

MDT Tsart ng Presyo

Kabilang sa mga produkto ang GI Genius Intelligent Endoscopy Module, na tumutulong sa pagtukoy ng mga posibleng colorectal polyp habang colonoscopy. Ito ay tulong sa clinician, hindi kapalit ng buong pagsusuri o patolohiya.

Mayroon ding StealthStation para sa surgical navigation at Mazor X para sa robotic guidance sa spine surgery. Magkaugnay ang ilang teknolohiya, ngunit hindi pareho ang navigation system at robotic surgical assistant. Hindi nito ginagarantiya ang mas maikling paggaling o kawalan ng pagkakamali sa bawat operasyon.

Ang lawak ng produkto ng Medtronic, kabilang ang pacemaker, defibrillator, heart valve at stent, ay mga salik sa negosyo nito. Kailangan ding suriin ang presyo ng stock, gastos, kompetisyon, regulasyon at pananagutan sa produkto. Ang mga ito ay hindi sapat na dahilan upang tawagin ang MDT na tiyak na magandang bilhin.

Hinaharap ng AI Pangangalagang Pangkalusugan

Ang pagsasama ng AI sa bagong manufacturing at delivery technology ay maaaring magbukas ng mga posibilidad. Ngunit ang senaryong printer na gumagawa ng nanorobot sa pamamagitan ng balat at awtomatikong gumagamot pagkatapos ng diagnosis ay haka-haka pa, hindi isang napatunayang klinikal na sistema.

Maaaring makatulong ang AI sa mga lugar na kulang sa espesyalista, ngunit kailangan pa rin ng kagamitan, konektibidad kung kinakailangan, pagsasanay at access sa aktuwal na paggamot. Ang mas patas na pangangalaga ay layunin na nangangailangan ng patakaran at maingat na pagpapatupad, hindi awtomatikong epekto ng AI.

AI sa Pangangalagang Pangkalusugan: mga Posibilidad at Pananagutan

Mahalaga ang kalidad ng paggamit, hindi lamang ang dami ng AI system. Kailangang suriin ang bisa, kaligtasan, bias, privacy at epekto sa daloy ng trabaho. Ang mga resulta ng pananaliksik ay makatutulong sa mga propesyonal, ngunit ang klinikal na benepisyo ay kailangang patunayan sa angkop na konteksto.

Alamin ang iba pang proyektong AI dito.

Sanggunian ng Pag-aaral:

^{1. University of Birmingham. (2024, Oktubre 21). Natuklasan ng pag-aaral na maihahambing ang AI at ophthalmologist sa pag-diagnose ng impeksiyon ng kornea. https://www.birmingham.ac.uk/news/2024/ai-eye-to-eye-with-ophthalmologists-in-diagnosing-corneal-infections-study-finds}