12 manieroj por AI influi sanindustrion

Artefarita inteligenteco estas atendita iĝi transforma forto en la kampo de sanservo.Do kiel kuracistoj kaj pacientoj profitas el la efiko de iloj pelitaj de AI?
La hodiaŭa sanindustrio estas tre matura kaj povas fari iujn gravajn ŝanĝojn.De kronikaj malsanoj kaj kancero ĝis radiologio kaj riska taksado, la sanindustrio ŝajnas havi sennombrajn ŝancojn uzi teknologion por deploji pli precizajn, efikajn kaj efikajn intervenojn en pacientoprizorgo.
Kun la disvolviĝo de teknologio, pacientoj havas pli kaj pli altajn postulojn por kuracistoj, kaj la nombro da disponeblaj datumoj daŭre kreskas kun alarma rapideco.Artefarita inteligenteco fariĝos motoro por antaŭenigi la kontinuan plibonigon de medicina prizorgo.
Kompare kun tradicia analizo kaj klinika decida teknologio, artefarita inteligenteco havas multajn avantaĝojn.Kiam la lernalgoritmo interagas kun la trejnaj datumoj, ĝi povas fariĝi pli preciza, ebligante kuracistojn akiri senprecedencajn komprenojn pri diagnozo, flega procezo, traktado-ŝanĝebleco kaj paciencaj rezultoj.
En la 2018-datita Monda forumo pri medicina novigado pri artefarita inteligenteco (wmif) okazigita de Partners Healthcare, medicinaj esploristoj kaj klinikaj fakuloj ellaboris pri la teknologioj kaj kampoj de la medicina industrio, kiuj plej verŝajne havos signifan efikon al la adopto de artefarita inteligenteco en la venonta. jardeko.
Anne kiblanksi, MD, CO-prezidanto de wmif en 2018, kaj Gregg Meyer, MD, ĉefa akademia oficisto de Partners Healthcare, diris, ke ĉi tiu speco de "subversio" alportita al ĉiu industria areo havas la eblecon alporti signifajn avantaĝojn al pacientoj kaj havas larĝan. komerca sukceso potencialo.
Kun la helpo de fakuloj de partneroj sanservo, inkluzive de D-ro Keith Dreyer, Profesoro de Harvard Medical School (HMS), ĉefa datuma scienca oficiro de partneroj, kaj D-ro Katherine andreole, direktoro de esplorstrategio kaj operacioj ĉe Masaĉuseca Ĝenerala Hospitalo (MGH) , proponis 12 manierojn, ke AI revolucios medicinajn servojn kaj sciencon.
1.Unuigu pensadon kaj maŝinon per cerba komputila interfaco

Uzi komputilon por komuniki ne estas nova ideo, sed krei rektan interfacon inter teknologio kaj homa pensado sen klavaro, muso kaj ekrano estas landlima esplorkampo, kiu havas gravan aplikon por iuj pacientoj.
Nervosistemaj malsanoj kaj traŭmato povas igi iujn pacientojn perdi la kapablon de signifa konversacio, movado kaj interago kun aliaj kaj ilia medio.Cerba komputila interfaco (BCI) subtenata de artefarita inteligenteco povas restarigi tiujn bazajn spertojn por pacientoj, kiuj zorgas pri perdo de ĉi tiuj funkcioj por ĉiam.
"Se mi vidas pacienton en la neŭrologia intenskuracejo, kiu subite perdas la kapablon agi aŭ paroli, mi esperas restarigi sian kapablon komuniki la sekvan tagon," diris Leigh Hochberg, MD, direktoro de la centro por neŭroteknologio kaj neŭrorehabilitado ĉe. Masaĉuseca Ĝenerala Hospitalo (MGH).Per uzado de cerba komputila interfaco (BCI) kaj artefarita inteligenteco, ni povas aktivigi la nervojn rilatajn al manmovado, kaj ni devus povi igi la pacienton komuniki kun aliaj almenaŭ kvin fojojn dum la tuta agado, kiel uzi ĉieajn komunikajn teknologiojn tiajn. kiel tabulkomputiloj aŭ poŝtelefonoj."
Cerba komputila interfaco povas multe plibonigi la vivokvaliton de pacientoj kun amiotrofa laterala sklerozo (ALS), apopleksio aŭ atrezia sindromo, same kiel 500000 pacientoj kun mjelo vundo tutmonde ĉiujare.
2. Evoluigi la sekvan generacion de radiadaj iloj

Radiaj bildoj akiritaj per magneta resonanca bildigo (MRI), CT-skaniloj kaj Rentgenradioj disponigas ne-invasivan videblecon en la internon de la homa korpo.Tamen, multaj diagnozaj proceduroj daŭre dependas de fizikaj histoprovaĵoj akiritaj per biopsio, kiu havas la riskon de infekto.
Fakuloj antaŭdiras, ke en iuj kazoj, artefarita inteligenteco ebligos la venontan generacion de Radiologiaj iloj esti sufiĉe preciza kaj detala por anstataŭigi la postulon je vivantaj histoprovaĵoj.
Alexandra Golby, MD, direktoro de bild-gvidita neŭroĥirurgio ĉe Brigham-Virina Hospitalo (BWh), diris, "ni volas kunigi la diagnozan bildigan teamon kun kirurgoj aŭ intervenaj radiologoj kaj patologoj, sed estas grandega defio por malsamaj teamoj atingi kunlaboron. kaj konsistenco de celoj. Se ni volas, ke radiologio disponigu la informojn nuntempe haveblajn de histoprovaĵoj, tiam ni devos povi atingi tre proksimajn normojn por scii la bazajn faktojn de iu ajn pikselo."
Sukceso en ĉi tiu procezo povas ebligi al klinikistoj pli precize kompreni la totalan agadon de la tumoro, prefere ol fari terapiodecidojn bazitajn sur malgranda parto de la atributoj de la maligna tumoro.
AI ankaŭ povas pli bone difini la enpenetrecon de kancero, kaj pli taŭge determini la traktan celon.Krome, artefarita inteligenteco helpas realigi "virtuala biopsio" kaj antaŭenigi novigon en la kampo de Radiologio, kiu kompromitas uzi bild-bazitajn algoritmojn por karakterizi la fenotipaj kaj genetikajn trajtojn de tumoroj.
3.Pligrandigu medicinajn servojn en nesufiĉe servitaj aŭ evoluantaj areoj

La manko de edukitaj sanprovizantoj en evolulandoj, inkluzive de ultrasonteknikistoj kaj radiologoj, multe reduktos la eblecojn uzi medicinajn servojn por savi la vivojn de pacientoj.
La kunveno atentigis, ke estas pli da radiologoj laborantaj en ses hospitaloj en Bostono kun la fama Longwood Avenue ol en ĉiuj hospitaloj en Okcidenta Afriko.
Artefarita inteligenteco povas helpi mildigi la efikon de kritika manko de klinikistoj transprenante kelkajn el la diagnozaj respondecoj normale asignitaj al homoj.
Ekzemple, AI-bildilo povas uzi torak-radiojn por ekzameni la simptomojn de tuberkulozo, kutime kun la sama precizeco kiel kuracisto.Ĉi tiu funkcio povas esti deplojita per aplikaĵo por provizantoj en rimedoj malriĉaj lokoj, reduktante la bezonon de spertaj diagnozaj radiologoj.
"Ĉi tiu teknologio havas grandan eblon plibonigi sanservon," diris D-ro jayashree kalpathy Cramer, asistanto neŭroscienco kaj asociita profesoro pri Radiologio ĉe Masaĉuseca Ĝenerala Hospitalo (MGH)
Tamen, programistoj de algoritmoj de AI devas zorge konsideri la fakton, ke homoj de malsamaj naciecoj aŭ regionoj povas havi unikajn fiziologiajn kaj mediajn faktorojn, kiuj povas influi la agadon de la malsano.
"Ekzemple, la loĝantaro trafita de malsano en Barato povas esti tre malsama ol tiu en Usono," ŝi diris.Kiam ni disvolvas ĉi tiujn algoritmojn, estas tre grave certigi, ke la datumoj reprezentas la prezenton de la malsano kaj la diversecon de la loĝantaro.Ni povas ne nur evoluigi algoritmojn bazitajn sur ununura populacio, sed ankaŭ esperi, ke ĝi povas ludi rolon en aliaj populacioj."
4. Redukti la uzan ŝarĝon de elektronikaj sanaj registroj

Elektronika sano-arkivo (ŝi) ludis gravan rolon en la cifereca vojaĝo de sanindustrio, sed ĉi tiu transformo alportis multajn problemojn ligitajn al kogna troŝarĝo, senfinaj dokumentoj kaj laceco de la uzantoj.
Elektronikaj sanrekordoj (ŝiaj) programistoj nun uzas artefaritan inteligentecon por krei pli intuician interfacon kaj aŭtomatigi rutinojn kiuj prenas multan uzantan tempon.
D-ro Adam Landman, vicprezidanto kaj ĉefo pri informado de Brigham-sano, diris, ke uzantoj pasigas la plej grandan parton de sia tempo por tri taskoj: klinika dokumentado, mendo-eniro kaj ordigo de siaj enirkestoj.Parolrekono kaj diktado povas helpi plibonigi klinikan dokumentan prilaboradon, sed iloj pri naturlingva prilaborado (NLP) eble ne sufiĉas.
"Mi pensas, ke eble necesas esti pli aŭdaca kaj konsideri iujn ŝanĝojn, kiel uzi videoregistradon por klinika traktado, same kiel polico portanta fotilojn," diris Landman.Artefarita inteligenteco kaj maŝinlernado povas tiam esti uzataj por indeksi ĉi tiujn filmetojn por estonta rehavigo.Same kiel Siri kaj Alexa, kiuj uzas artefaritinteligentajn asistantojn hejme, virtualaj asistantoj estos alportitaj al la lito de pacientoj estonte, permesante al klinikistoj uzi enigitan inteligentecon por enmeti medicinajn ordonojn."

AI ankaŭ povas helpi pritrakti rutinajn petojn de enirkestoj, kiel ekzemple medikamentaj suplementoj kaj sciigo pri rezultoj.Ĝi ankaŭ povas helpi prioritatigi taskojn, kiuj vere bezonas atenton de klinikistoj, faciligante al pacientoj prilabori siajn farolistojn, aldonis Landman.
5.Risko de antibiotika rezisto

Antibiotika rezisto estas kreskanta minaco al homoj, ĉar troa uzo de ĉi tiuj ŝlosilaj drogoj povas konduki al la evoluo de superbakterioj, kiuj ne plu respondas al kuracado.Plurrezistaj bakterioj povas kaŭzi gravan damaĝon en la hospitala medio, mortigante dekojn da miloj da pacientoj ĉiujare.Clostridium difficile sole kostas ĉirkaŭ 5 miliardojn USD jare al la usona sansistemo kaj kaŭzas pli ol 30000 mortojn.
La datumoj de EHR helpas identigi infektajn ŝablonojn kaj reliefigi la riskon antaŭ ol la paciento komencas montri simptomojn.Uzado de maŝinlernado kaj artefarita inteligenteco iloj por funkciigi ĉi tiujn analizojn povas plibonigi ilian precizecon kaj krei pli rapidajn kaj precizajn atentigojn por sanprovizantoj.
"Iloj de artefarita inteligenteco povas renkonti atendojn pri infektokontrolo kaj antibiotika rezisto," diris D-ro Erica Shenoy, vicdirektoro pri infektokontrolo ĉe Masaĉuseca Ĝenerala Hospitalo (MGH).Se ili ne faros, tiam ĉiuj malsukcesos.Ĉar hospitaloj havas multajn EHR-datumojn, se ili ne plene uzas ilin, se ili ne kreas industriojn pli inteligentajn kaj rapidajn en klinika prova dezajno, kaj se ili ne uzas EHR-ojn, kiuj kreas ĉi tiujn datumojn, ili alfrontos fiaskon."
6.Kreu pli precizan analizon por patologiaj bildoj

D-ro Jeffrey Golden, estro de patologio-sekcio ĉe Brigham-Virina Hospitalo (BWh) kaj profesoro pri patologio ĉe HMS, diris, ke patologoj provizas unu el la plej gravaj fontoj de diagnozaj datumoj por plena gamo de provizantoj de kuracaj servoj.
"70% de sanaj decidoj baziĝas sur patologiaj rezultoj, kaj inter 70% kaj 75% de ĉiuj datumoj en EHRoj venas de patologiaj rezultoj," li diris.Kaj ju pli precizaj la rezultoj estas, des pli frue la ĝusta diagnozo estos farita.Ĉi tiu estas la celo, kiun cifereca patologio kaj artefarita inteligenteco havas ŝancon atingi."
Profunda pikselnivela analizo sur grandaj ciferecaj bildoj ebligas kuracistojn rekoni subtilajn diferencojn, kiuj povas eviti homajn okulojn.
"Ni nun venis al la punkto, kie ni povas pli bone taksi ĉu kancero disvolviĝos rapide aŭ malrapide, kaj kiel ŝanĝi la traktadon de pacientoj surbaze de algoritmoj prefere ol klinikaj stadioj aŭ histopatologia gradado," diris Golden.Ĝi estos grandega paŝo antaŭen."
Li aldonis, "AI ankaŭ povas plibonigi produktivecon identigante ecojn de intereso en lumbildoj antaŭ ol kuracistoj revizias la datumojn. AI povas filtri tra lumbildoj kaj gvidi nin por vidi la ĝustan enhavon por ke ni povu taksi kio estas grava kaj kio ne estas. Ĉi tio plibonigas. la efikeco de la uzo de patologoj kaj pliigas la valoron de ilia studo de ĉiu kazo."
Alportu inteligentecon al medicinaj aparatoj kaj maŝinoj

Inteligentaj aparatoj transprenas konsumantajn mediojn kaj provizas aparatojn de realtempa video en la fridujo ĝis aŭtoj, kiuj detektas ŝoforan distraĵon.
En medicina medio, inteligentaj aparatoj estas esencaj por monitori pacientojn en ICU-oj kaj aliloke.La uzo de artefarita inteligenteco por plibonigi la kapablon identigi plimalboniĝon de la kondiĉo, kiel ekzemple indikado, ke sepso disvolviĝas, aŭ la percepto de komplikaĵoj povas signife plibonigi rezultojn kaj povas redukti kurackostojn.
"Kiam ni parolas pri integriĝo de malsamaj datumoj tra la sansistemo, ni devas integri kaj atentigi kuracistojn de ICU por interveni kiel eble plej frue, kaj ke la agregado de ĉi tiuj datumoj ne estas bona afero, kiun homaj kuracistoj povas fari," diris Mark Michalski. , administra direktoro de la klinika datuma Scienca Centro ĉe BWh.Enmeti inteligentajn algoritmojn en ĉi tiujn aparatojn reduktas la kognan ŝarĝon sur kuracistoj kaj certigas, ke pacientoj estas traktataj kiel eble plej rapide."
8.promoting imunoterapio por kancero-traktado

Imunoterapio estas unu el la plej promesplenaj manieroj trakti kanceron.Uzante la propran imunsistemon de la korpo por ataki malignajn tumorojn, pacientoj eble povas venki obstinajn tumorojn.Tamen, nur kelkaj pacientoj respondas al la nuna imunoterapia reĝimo, kaj onkologoj ankoraŭ ne havas precizan kaj fidindan metodon por determini kiuj pacientoj profitos de la reĝimo.
Maŝinlernado-algoritmoj kaj ilia kapablo sintezi tre kompleksajn datumseriojn eble povas pliklarigi la unikan genkonsiston de individuoj kaj disponigi novajn opciojn por laŭcela terapio.
"Lastatempe, la plej ekscita evoluo estis kontrolpunkto-inhibidores, kiuj blokas proteinojn produktitajn de certaj imunĉeloj," klarigas D-ro long Le, direktoro pri komputila patologio kaj teknologio-disvolviĝo ĉe la ampleksa diagnoza centro de Masaĉuseca Ĝenerala Hospitalo (MGH).Sed ni ankoraŭ ne komprenas ĉiujn problemojn, kio estas tre komplika.Ni certe bezonas pli da paciencaj datumoj.Ĉi tiuj traktadoj estas relative novaj, do ne multaj pacientoj efektive prenas ilin.Tial, ĉu ni bezonas integri datumojn ene de organizo aŭ tra pluraj organizoj, ĝi estos ŝlosila faktoro por pliigi la nombron da pacientoj por stiri la modelan procezon."
9.Turnu elektronikajn sanajn rekordojn en fidindajn riskajn antaŭdirojn

Elektronika sano-arkivo (ŝi) estas trezoro de paciencaj datumoj, sed ĝi estas konstanta defio por provizantoj kaj programistoj ĉerpi kaj analizi grandan kvanton da informoj en preciza, ĝustatempa kaj fidinda maniero.
Problemoj pri kvalito kaj integreco de datumoj, kune kun konfuzo de datumformatoj, strukturita kaj nestrukturita enigo kaj nekompletaj rekordoj, malfaciligas homojn precize kompreni kiel efektivigi signifan riskotavoliĝon, prognozan analizon kaj klinikan decidan subtenon.
D-ro Ziad OBERMEYER, asistanto profesoro pri kriz-medicino en Brigham Women's Hospital (BWh) kaj asistanto profesoro ĉe Harvard Medical School (HMS), diris, "estas iom da laboro por fari por integri datumojn en unu lokon. Sed alia problemo estas kompreni. kion homoj ricevas kiam ili antaŭdiras malsanon en la elektronika sanarkivo (ŝi).Homoj eble aŭdas, ke artefarita inteligenteco-algoritmoj povas antaŭdiri depresion aŭ apopleksion, sed trovas ke ili efektive antaŭdiras kreskon de la kosto de apopleksio.Ĝi estas tre malsama ol la apopleksio. batu sin."

Li daŭrigis, "fidi je MRI-rezultoj ŝajnas provizi pli specifan datuman aron. Sed nun ni devas pensi pri kiu povas pagi MRI? Do la fina prognozo ne estas la atendata rezulto."
NMR-analizo produktis multajn sukcesajn riskajn poentadojn kaj tavoligajn ilojn, precipe kiam esploristoj uzas profundajn lernajn teknikojn por identigi novajn ligojn inter ŝajne senrilataj datumaj aroj.
Tamen, OBERMEYER opinias, ke certigi, ke ĉi tiuj algoritmoj ne identigas la biasojn kaŝitajn en la datumoj, estas decida por disfaldi ilojn, kiuj vere povas plibonigi klinikan prizorgon.
"La plej granda defio estas certigi, ke ni scias precize kion ni antaŭdiris antaŭ ol ni komencos malfermi la nigran skatolon kaj rigardi kiel antaŭdiri," li diris.
10.Monitorado de sano-stato per porteblaj aparatoj kaj personaj aparatoj

Preskaŭ ĉiuj konsumantoj nun povas uzi sensilojn por kolekti datumojn pri sanvaloro.De saĝtelefonoj kun paŝa spurilo ĝis porteblaj aparatoj, kiuj spuras korfrekvencon la tutan tagon, pli kaj pli da sano-rilataj datumoj povas esti generitaj iam ajn.
Kolekti kaj analizi ĉi tiujn datumojn kaj kompletigi la informojn provizitajn de pacientoj per aplikoj kaj aliaj hejmaj monitoraj aparatoj povas provizi unikan perspektivon por individua kaj homamasa sano.
AI ludos gravan rolon ĉerpi ageblajn komprenojn de ĉi tiu granda kaj diversa datumbazo.
Sed D-ro Omar Arnout, neŭroĥirurgo ĉe la Brigham-Virina Hospitalo (BWh), CO-direktoro de la centro por komputilaj neŭroscienco-rezultoj, diris, ke eble necesas plia laboro por helpi pacientojn adaptiĝi al ĉi tiu intima, daŭra monitorada datumoj.
"Ni kutimis esti tute liberaj prilabori ciferecajn datumojn," li diris.Sed ĉar datumfluoj okazas ĉe Cambridge analytics kaj Facebook, homoj estos pli kaj pli singardaj pri kiu kundividi kiajn datumojn ili dividas."
Pacientoj emas fidi siajn kuracistojn pli ol grandajn kompaniojn kiel Facebook, li aldonis, kio povus helpi mildigi la malkomforton provizi datumojn por grandskalaj esplorprogramoj.
"Verŝajne, ke porteblaj datumoj havos gravan efikon, ĉar la atento de homoj estas tre hazarda kaj la datumoj kolektitaj estas tre malglataj," diris Arnout.Senĉese kolektante grajnecajn datumojn, datumoj pli verŝajne helpas kuracistojn pli bone prizorgi pacientojn."
11.faru inteligentajn telefonojn potencan diagnozan ilon

Fakuloj opinias, ke bildoj akiritaj de inteligentaj telefonoj kaj aliaj konsumnivelaj rimedoj fariĝos grava suplemento al klinika kvalita bildigo, precipe en nesufiĉe servitaj lokoj aŭ evolulandoj, per daŭre uzi la potencajn funkciojn de porteblaj aparatoj.
La kvalito de movebla fotilo pliboniĝas ĉiujare, kaj ĝi povas generi bildojn, kiuj povas esti uzataj por AI-algoritma analizo.Dermatologio kaj oftalmologio estas fruaj profitantoj de ĉi tiu tendenco.
Britaj esploristoj eĉ evoluigis ilon por identigi evoluajn malsanojn analizante bildojn de infanaj vizaĝoj.La algoritmo povas detekti diskretajn ecojn, kiel ekzemple la mandiblolinio de infanoj, la pozicio de okuloj kaj nazo, kaj aliajn atributojn kiuj povas indiki vizaĝajn anomaliojn.Nuntempe, la ilo povas kongrui kun oftaj bildoj kun pli ol 90 malsanoj por provizi klinikan decidan subtenon.
D-ro Hadi Shafiee, direktoro de la mikro/nana medicino kaj cifereca sanlaboratorio ĉe Brigham-Virina Hospitalo (BWh), diris: "La plej multaj homoj estas ekipitaj per potencaj poŝtelefonoj kun multaj malsamaj sensiloj enkonstruitaj. Ĝi estas bonega ŝanco por ni. Preskaŭ ĉiuj. industriaj ludantoj komencis konstrui Ai-programaron kaj aparataron en siaj aparatoj. Ne estas hazardo. En nia cifereca mondo, pli ol 2,5 milionoj da terabajtoj da datumoj estas generitaj ĉiutage. En la kampo de poŝtelefonoj, fabrikantoj kredas, ke ili povas uzi ĉi tion. datumoj por artefarita inteligenteco por provizi pli personigitajn, pli rapidajn kaj pli inteligentajn servojn."
Uzi inteligentajn telefonojn por kolekti bildojn de okuloj de pacientoj, haŭtaj lezoj, vundoj, infektoj, drogoj aŭ aliaj temoj povas helpi trakti la mankon de fakuloj en nesufiĉe servitaj lokoj, reduktante la tempon por diagnozi iujn plendojn.
"Povas esti iuj gravaj eventoj en la estonteco, kaj ni povas profiti ĉi tiun ŝancon por solvi iujn gravajn problemojn de malsano-administrado en la prizorga punkto," diris Shafiee.
12.Noviga klinika decidado kun litra AI

Ĉar la sanindustrio turnas sin al pago-bazitaj servoj, ĝi estas ĉiam pli for de pasiva kuracado.Antaŭzorgo antaŭ kronika malsano, akutaj malsanoj kaj subita malboniĝo estas la celo de ĉiu provizanto, kaj la kompensa strukturo finfine permesas al ili disvolvi procezojn, kiuj povas atingi aktivan kaj prognozan intervenon.
Artefarita inteligenteco provizos multajn bazajn teknologiojn por ĉi tiu evoluo, subtenante prognozan analizon kaj klinikajn decidajn helpajn ilojn, por solvi problemojn antaŭ ol provizantoj rimarkos la bezonon ekagi.Artefarita inteligenteco povas disponigi fruan averton pri epilepsio aŭ sepso, kiu kutime postulas profundan analizon de tre kompleksaj datenoj.
Brandon Westover, MD, direktoro de klinikaj datumoj ĉe Masaĉuseca Ĝenerala Hospitalo (MGH), diris, ke maŝinlernado ankaŭ povus helpi subteni la daŭran zorgadon por kritike malsanaj pacientoj, kiel tiuj en komato post korhalto.
Li klarigis, ke en normalaj cirkonstancoj, kuracistoj devas kontroli la EEG-datumojn de ĉi tiuj pacientoj.Ĉi tiu procezo estas tempopostula kaj subjektiva, kaj la rezultoj povas varii laŭ la kapabloj kaj sperto de klinikistoj.
Li diris "En ĉi tiuj pacientoj, la tendenco povas esti malrapida.Kelkfoje kiam kuracistoj volas vidi ĉu iu resaniĝas, ili povas rigardi datumojn monitoritajn unufoje ĉiujn 10 sekundojn.Tamen, vidi ĉu ĝi ŝanĝiĝis de 10 sekundoj da datumoj kolektitaj en 24 horoj estas kiel rigardi ĉu la hararo kreskis intertempe.Tamen, se oni uzas algoritmojn de artefarita inteligenteco kaj grandaj kvantoj da datumoj de multaj pacientoj, estos pli facile kongrui tion, kion homoj vidas kun longtempaj ŝablonoj, kaj iuj subtilaj plibonigoj povas esti trovitaj, kiuj influos la decidon de kuracistoj en flegado. ."
Uzi artefaritan inteligentecan teknologion por klinika decida subteno, riskopoentado kaj frua averto estas unu el la plej promesplenaj evoluaj areoj de ĉi tiu revolucia datuma analizmetodo.
Provizante potencon por nova generacio de iloj kaj sistemoj, klinikistoj povas pli bone kompreni la nuancojn de malsano, provizi flegistinojn pli efike kaj anticipe solvi problemojn.Artefarita inteligenteco enkondukos novan epokon de plibonigo de la kvalito de klinika traktado, kaj faros ekscitajn sukcesojn en pacientoprizorgo.


Afiŝtempo: Aŭg-06-2021