12 manieroj por AI influi sanindustrion

Oni atendas, ke artefarita inteligento fariĝos transforma forto en la kampo de sanservo. Do kiel kuracistoj kaj pacientoj profitas de la efiko de AI-iloj?
La hodiaŭa sanindustrio estas tre matura kaj povas fari iujn gravajn ŝanĝojn. De kronikaj malsanoj kaj kancero ĝis radiologio kaj riska takso, la sanitara industrio ŝajnas havi sennombrajn ŝancojn uzi teknologion por disfaldi pli precizajn, efikajn kaj efikajn intervenojn en pacienca prizorgado.
Kun la disvolviĝo de teknologio, pacientoj havas pli kaj pli altajn postulojn por kuracistoj, kaj la nombro de disponeblaj datumoj daŭre kreskas kun timiga 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 lerna algoritmo interagas kun la trejnaj datumoj, ĝi povas fariĝi pli preciza, ebligante kuracistojn akiri senprecedencajn komprenojn pri diagnozo, flega procezo, traktado-ŝanĝebleco kaj pacientaj rezultoj.
Ĉe la monda artefarita inteligenteco (2018) medicina noviga forumo (wmif) okazigita de Partners Healthcare, medicinaj esploristoj kaj klinikaj spertuloj ellaboris la teknologiojn kaj kampojn de la medicina industrio, kiuj plej probable efikas grave al la adopto de artefarita inteligenteco en la sekva. 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 "subfosado" alportita al ĉiu industria areo havas la eblon alporti signifajn avantaĝojn al pacientoj kaj havas larĝan komerca sukcesa potencialo.
Kun la helpo de spertuloj de kompanianoj pri kuracado, inkluzive de d-ro Keith Dreyer, profesoro pri Harvard Medical School (HMS), ĉefdirektoro pri kompanianoj pri datumoj, kaj d-ro Katherine andreole, direktoro pri esplora strategio kaj operacioj ĉe Masaĉuseca Ĝenerala Hospitalo (MGH) , proponis 12 manierojn, ke AI revolucios kuracajn 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 lima esplorkampo, kiu havas gravan aplikon por iuj pacientoj.
Nervosistemaj malsanoj kaj traŭmato povas igi iujn pacientojn perdi la kapablon de signifa konversacio, movado kaj interagado kun aliaj kaj ilia medio. Cerba komputila interfaco (BCI) subtenata de artefarita inteligenteco povas restarigi tiujn bazajn spertojn por pacientoj, kiuj maltrankvilas 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 pri neŭroteknologio kaj neŭrehabilitado ĉe Masaĉuseca Ĝenerala Hospitalo (MGH). Uzante cerban komputilan interfacon (BCI) kaj artefaritan inteligentecon, ni povas aktivigi la nervojn rilatajn al mana movado, kaj ni devas povi igi la pacienton komuniki kun aliaj almenaŭ kvin fojojn dum la tuta agado, kiel ekzemple uzi ĉieajn komunikajn teknologiojn kiel ekzemple kiel tablojdaj komputiloj aŭ poŝtelefonoj. "
Cerba komputila interfaco povas multe plibonigi la vivokvaliton de pacientoj kun amiotrofa flanka sklerozo (ALS), streko aŭ atrezia sindromo, kaj ankaŭ 500000 pacientojn kun mjelotraŭmo tutmonde ĉiujare.
2. Disvolvi la sekvan generacion de radiaj iloj

Radiaj bildoj akiritaj per magneta resonanca bildigo (MRI), CT-skaniloj kaj ikso-radioj provizas ne-invadan videblecon en la internon de la homa korpo. Tamen multaj diagnozaj proceduroj ankoraŭ dependas de fizikaj histaj specimenoj akiritaj per biopsio, kiu havas la riskon de infekto.
Fakuloj antaŭdiras, ke en iuj kazoj artefarita inteligenteco ebligos al la sekva generacio de Radiologiaj iloj esti sufiĉe preciza kaj detala por anstataŭigi la postulon de vivaj histaj specimenoj.
Alexandra golby, MD, direktoro pri bildo-gvidita neŭrourgirurgio en Virina Hospitalo de Brigham (BWh), diris, "ni volas kunigi la diagnozan bildan teamon kune kun kirurgoj aŭ intervenaj radiologoj kaj patologiistoj, sed ĝi estas grandega defio por malsamaj teamoj atingi kunlaboron. kaj konsekvenco de celoj. Se ni volas, ke radiologio provizas la informojn nuntempe haveblajn de histaj specimenoj, tiam ni devos povi atingi tre proksimajn normojn por scii la bazajn faktojn de iu ajn pikselo. "
Sukceso en ĉi tiu procezo povas ebligi klinikistojn pli precize kompreni la ĝeneralan agadon de la tumoro, anstataŭ fari kuracajn decidojn bazitajn sur malgranda parto de la atributoj de la maligna tumoro.
AI ankaŭ povas pli bone difini la invadon de kancero, kaj pli taŭge determini la kuracan celon. Krome artefarita inteligenteco helpas realigi "virtualan biopsion" kaj antaŭenigas novigadon en la kampo de Radiologio, kiu celas uzi bild-bazitajn algoritmojn por karakterizi la fenotipajn kaj genetikajn karakterizaĵojn de tumoroj.
3. Vastigi kuracajn servojn en nesufiĉe servataj aŭ evoluantaj areoj

La manko de edukitaj sanprovizantoj en evolulandoj, inkluzive de ultrasonaj teknikistoj kaj radiologoj, multe reduktos la ŝancojn uzi kuracajn servojn por savi la vivojn de pacientoj.
La kunveno montris, ke pli da radiologoj laboras en ses hospitaloj en Bostono kun la fama avenuo Longwood ol en ĉiuj hospitaloj en okcidenta Afriko.
Artefarita inteligenteco povas helpi mildigi la efikon de kritika manko de klinikistoj transprenante iujn el la diagnozaj respondecoj kutime atribuitaj al homoj.
Ekzemple, AI-bilda ilo povas uzi torakajn Rentgenradiojn por ekzameni la simptomojn de tuberkulozo, kutime kun la sama precizeco kiel kuracisto. Ĉi tiu funkcio povas esti deplojita per apliko por provizantoj en rimedaj malriĉaj lokoj, reduktante la bezonon de spertaj diagnozaj radiologoj.
"Ĉi tiu teknologio havas grandan potencialon plibonigi kuracadon", diris doktoro Jayashree Kalpathy Cramer, helpa neŭroscienco kaj asociita profesoro pri Radiologio ĉe Masaĉuseca Ĝenerala Hospitalo (MGH)
Tamen, AI-algoritmaj programistoj devas atente konsideri la fakton, ke homoj de diversaj naciecoj aŭ regionoj povas havi unikajn fiziologiajn kaj mediajn faktorojn, kiuj povas influi la agadon de la malsano.
"Ekzemple, la loĝantaro trafita de malsanoj 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 malsanan prezenton kaj la diversecon de la loĝantaro. Ni povas ne nur disvolvi algoritmojn bazitajn sur unu sola loĝantaro, sed ankaŭ esperi, ke ĝi povas roli en aliaj loĝantaroj. "
4. Redukti la uzan ŝarĝon de elektronikaj sanaj registroj

Elektronika sanhistorio (ŝia) ludis gravan rolon en la cifereca vojaĝo de sanindustrio, sed ĉi tiu transformo alportis multajn problemojn rilate al kogna superŝarĝo, senfinaj dokumentoj kaj laceco de uzanto.
Programistoj pri elektronikaj sanhistorioj nun uzas artefaritan inteligentecon por krei pli intuician interfacon kaj aŭtomatigi rutinojn, kiuj bezonas multan tempon.
D-ro Adam Landman, vicprezidanto kaj ĉefa informoficisto de Brigham-sano, diris, ke uzantoj pasigas la plej grandan parton de sia tempo en tri taskoj: klinika dokumentado, mendo-eniro kaj ordigado de siaj leterkestoj. Parola rekono 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 pripensi iujn ŝanĝojn, kiel uzi video-registradon por klinika kuracado, same kiel polico portanta fotilojn," diris Landman. Artefarita inteligenteco kaj maŝina lernado tiam povas esti uzataj por indeksi ĉi tiujn filmetojn por estonta retrovo. Samkiel Siri kaj Alexa, kiuj uzas asistantojn de artefarita inteligenteco hejme, virtualaj asistantoj estos alportitaj al la lito de pacientoj en la estonteco, permesante al klinikistoj uzi enkonstruitan inteligentecon por enmeti medicinajn mendojn. "

AI ankaŭ povas helpi trakti rutinajn petojn de enirkestoj, kiel drogaj suplementoj kaj sciigo de rezultoj. Eble ankaŭ helpos prioritatigi taskojn, kiuj vere bezonas atenton de klinikistoj, faciligante al pacientoj prilabori siajn farendaĵojn, aldonis Landman.
5. Risko de kontraŭantibiotika rezisto

Antibiotika rezisto estas kreskanta minaco por homoj, ĉar trouzo de ĉi tiuj ŝlosilaj drogoj povas konduki al evoluo de superbakterioj, kiuj ne plu respondas al kuracado. Multi-rezistemaj bakterioj povas kaŭzi gravajn damaĝojn en la hospitalo-medio, mortigante dekmilojn da pacientoj ĉiujare. Clostridium difficile sole kostas ĉirkaŭ 5 miliardojn da dolaroj jare al la usona sansistemo kaj kaŭzas pli ol 30000 mortojn.
La EHR-datumoj helpas identigi infektajn ŝablonojn kaj reliefigi la riskon antaŭ ol la paciento komencas montri simptomojn. Uzi maŝinlernadon kaj artefaritajn inteligentecajn ilojn por stiri ĉi tiujn analizojn povas plibonigi ilian precizecon kaj krei pli rapidajn kaj pli precizajn atentigojn por kuracistoj.
"Iloj de artefarita inteligenteco povas plenumi atendojn pri infektokontrolo kaj kontraŭantibiotika rezisto", diris doktoro Erica Shenoy, vicdirektoro pri infektokontrolo ĉe Masaĉuseca Ĝenerala Hospitalo (MGH). Se ne, tiam ĉiuj malsukcesos. Ĉar hospitaloj havas multajn EHR-datumojn, se ili ne plenuzas ilin, se ili ne kreas industriojn pli inteligentajn kaj pli rapidajn en projektado de klinikaj provoj, kaj se ili ne uzas EHR-ojn, kiuj kreas ĉi tiujn datumojn, ili alfrontos malsukceson. "
6. Krei pli precizan analizon por patologiaj bildoj

D-ro Jeffrey Golden, estro de patologia fako en Brigham-virina hospitalo (BWh) kaj profesoro pri patologio ĉe HMS, diris, ke patologiistoj provizas unu el la plej gravaj fontoj de diagnozaj datumoj por plena gamo de kuracaj servaj provizantoj.
"70% de sanaj decidoj baziĝas sur patologiaj rezultoj, kaj inter 70% kaj 75% de ĉiuj datumoj en EHRs devenas de patologiaj rezultoj," li diris. Kaj ju pli precizaj estas la rezultoj, des pli baldaŭ fariĝos la ĝusta diagnozo. Jen la celo, kiun cifereca patologio kaj artefarita inteligenteco havas ŝancon atingi. "
Profunda piksela nivelo-analizo pri grandaj ciferecaj bildoj ebligas kuracistojn rekoni subtilajn diferencojn, kiuj povas eskapi homajn okulojn.
"Ni nun alvenis al la punkto, ke ni povas pli bone taksi ĉu kancero disvolviĝos rapide aŭ malrapide, kaj kiel ŝanĝi la kuracadon de pacientoj surbaze de algoritmoj anstataŭ klinikaj stadioj aŭ histopatologia gradigo", diris Golden. Ĝi estos grandega paŝo antaŭen. "
Li aldonis, "AI ankaŭ povas plibonigi produktivecon per identigado de interesaj trajtoj en lumbildoj antaŭ ol klinikistoj revizias la datumojn. AI povas filtri tra lumbildoj kaj gvidi nin vidi la taŭgan enhavon, por ke ni povu taksi kio gravas kaj kio ne. Ĉi tio plibonigas la efikeco de la uzo de patologiistoj kaj pliigas la valoron de ilia studo de ĉiu kazo. "
Alportu inteligentecon al medicinaj aparatoj kaj maŝinoj

Inteligentaj aparatoj transprenas konsumantajn ĉirkaŭaĵojn kaj provizas aparatojn de realtempa video ene de la fridujo ĝis aŭtoj, kiuj detektas ŝoforon.
En medicina medio, inteligentaj aparatoj estas esencaj por kontroli pacientojn en ICUs kaj aliloke. La uzo de artefarita inteligenteco por plibonigi la kapablon identigi difekton de la kondiĉo, kiel ekzemple indiki ke sepso disvolviĝas, aŭ la percepto de komplikaĵoj povas signife plibonigi rezultojn kaj eble redukti kuracajn kostojn.
"Kiam ni parolas pri integrado de diversaj datumoj tra la sansistemo, ni devas integri kaj averti kuracistojn de ICU por interveni kiel eble plej frue, kaj ke la agregado de ĉi tiuj datumoj ne estas bona afero, kiun homoj povas fari," diris Mark Michalski , plenuma direktoro de la Scienca Centro pri klinikaj datumoj ĉe BWh. Enmeti inteligentajn algoritmojn en ĉi tiujn aparatojn reduktas la kognan ŝarĝon por kuracistoj kaj certigas, ke pacientoj estas traktataj kiel eble plej rapide. "
8. antaŭeniga imunoterapio por kancera kuracado

Imunoterapio estas unu el la plej esperigaj manieroj trakti kanceron. Uzante la propran imunsistemon de la korpo por ataki malignajn tumorojn, pacientoj eble povos superi obstinajn tumorojn. Tamen nur malmultaj pacientoj respondas al la nuna reĝimo de imunoterapio, kaj onkologoj ankoraŭ ne havas precizan kaj fidindan metodon por determini, kiuj pacientoj profitos de la reĝimo.
Maŝinlernaj algoritmoj kaj ilia kapablo sintezi tre kompleksajn datumseriojn eble povas pliklarigi la unikan genan konsiston de individuoj kaj provizi novajn eblojn por celita terapio.
"Lastatempe la plej ekscita evoluo estis kontrolpunktaj inhibitoroj, kiuj blokas proteinojn produktitajn de iuj imunaj ĉeloj," klarigas d-ro long Le, direktoro pri komputila patologio kaj teknologia disvolviĝo ĉe la ĝenerala 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 kuracadoj estas relative novaj, do ne multaj pacientoj efektive prenas ilin. Sekve, ĉu ni bezonas integri datumojn ene de organizo aŭ tra multaj organizoj, ĝi estos ŝlosila faktoro por pliigi la nombron de pacientoj por stiri la modeligan procezon. "
9. Transformu elektronikajn sanajn registrojn en fidindajn riskajn prognozilojn

Elektronika sanhistorio (ŝia) estas trezoro de pacientaj datumoj, sed estas konstanta defio por provizantoj kaj programistoj ĉerpi kaj analizi grandan informon laŭ ĝusta, ĝustatempa kaj fidinda maniero.
Problemoj pri kvalito kaj integreco de datumoj, kune kun konfuzo pri datuma formato, strukturita kaj senstruktura enigo kaj nekompletaj registroj, malfaciligas homojn precize kompreni kiel efektivigi signifan riskan tavoligon, prognozan analizon kaj klinikan decidan subtenon.
D-ro Ziad OBERMEYER, helpa profesoro pri kriz-medicino en Virina Hospitalo Brigham (BWh) kaj helpa profesoro en Harvard Medical School (HMS), diris, "estas iom da malfacila laboro por integri datumojn en unu lokon. Sed alia problemo estas kompreni kion homoj ricevas kiam ili antaŭdiras malsanon en la elektronika sanhistorio (ŝi). Homoj eble aŭdas, ke artefaritaj inteligentaj algoritmoj povas antaŭdiri depresion aŭ apopleksion, sed trovas, ke ili efektive antaŭdiras pliigon de la kosto de apopleksio. Ĝi tre diferencas de la batu sin mem. "

Li daŭrigis, "fidi je rezultoj de MRI ŝajnas doni pli specifan datuman aron. Sed nun ni devas pripensi, kiu povas pagi MRI? Do la fina antaŭdiro ne estas la atendita rezulto."
NMR-analizo produktis multajn sukcesajn riskajn poentadajn kaj tavoligajn ilojn, precipe kiam esploristoj uzas profundajn lernajn teknikojn por identigi novajn ligojn inter ŝajne senrilataj datumaroj.
Tamen OBERMEYER opinias, ke certigi, ke ĉi tiuj algoritmoj ne identigas la antaŭjuĝojn kaŝitajn en la datumoj, estas kerna por disfaldi ilojn, kiuj vere povas plibonigi klinikan prizorgon.
"La plej granda defio estas certigi, ke ni scias ĝuste kion ni antaŭdiris antaŭ ol ni komencos malfermi la nigran skatolon kaj rigardi kiel antaŭdiri," li diris
10. Kontroli sanstaton per porteblaj aparatoj kaj personaj aparatoj

Preskaŭ ĉiuj konsumantoj nun povas uzi sensilojn por kolekti datumojn pri sanvaloro. De poŝtelefonoj kun paŝa spurilo ĝis porteblaj aparatoj, kiuj spuras korfrekvencon la tutan tagon, pli kaj pli da sanrilataj datumoj povas esti generitaj iam ajn.
Kolekti kaj analizi ĉi tiujn datumojn kaj kompletigi la informojn donitajn de pacientoj per aplikoj kaj aliaj hejmaj monitoraj aparatoj povas doni unikan perspektivon por individua kaj homa sano.
AI ludos gravan rolon en ĉerpado de agadaj enrigardoj de ĉi tiu granda kaj diversa datumbazo.
Sed doktoro Omar arnout, neŭrokirurgo ĉe la virina hospitalo Brigham (BWh), direktoro de la centro por komputaj neŭrosciencaj rezultoj, diris, ke eble necesas aldona laboro por helpi pacientojn adaptiĝi al ĉi tiuj intimaj daŭraj kontrolaj datumoj.
"Ni kutimis esti tute liberaj prilabori ciferecajn datumojn," li diris. Sed ĉar datumaj likoj okazas ĉe Cambridge-analitiko kaj Facebook, homoj pli kaj pli singardos pri kiuj dividi, kiujn 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 esploraj programoj.
"Estas probable, ke porteblaj datumoj havos gravan efikon, ĉar la atento de homoj estas tre hazarda kaj la kolektitaj datumoj estas tre malglataj," diris arnout. Daŭre kolektante grajnecajn datumojn, datumoj pli probable helpos kuracistojn pli bone prizorgi pacientojn. "
11. Faru lertajn telefonojn potenca diagnoza ilo

Fakuloj opinias, ke bildoj akiritaj de inteligentaj telefonoj kaj aliaj konsumnivelaj rimedoj fariĝos grava suplemento al klinika kvalita bildado, precipe en nesufiĉe servitaj lokoj aŭ evolulandoj, per daŭre uzi la potencajn funkciojn de porteblaj aparatoj.
La kvalito de poŝtelefona ĉambro pliboniĝas ĉiujare, kaj ĝi povas generi bildojn uzeblajn por analizo de algoritmo de AI. Dermatologio kaj oftalmologio estas fruaj profitantoj de ĉi tiu tendenco.
Britaj esploristoj eĉ ellaboris ilon por identigi evoluajn malsanojn analizante bildojn de vizaĝoj de infanoj. La algoritmo povas detekti diskretajn ecojn, kiel ekzemple mandibla linio 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 doni klinikan decidan subtenon.
D-ro Hadi shafiee, direktoro de la laboratorio de mikro / nano-medicino kaj cifereca sano en Virina Hospitalo de Brigham (BWh), diris: "plej multaj homoj estas ekipitaj per potencaj poŝtelefonoj kun multaj malsamaj sensiloj enkonstruitaj. Ĝi estas bonega okazo por ni. Preskaŭ ĉiuj industriaj ludantoj komencis konstrui Ai-programojn kaj aparataron en siaj aparatoj. Ne estas hazardo. En nia cifereca mondo, pli ol 2,5 milionoj da terabajtoj da datumoj estas generataj 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 subjektoj povas helpi trakti la mankon de spertuloj en nesufiĉe servataj areoj, reduktante la tempon diagnozi iujn plendojn.
"Eble okazos iuj gravaj eventoj en la estonteco, kaj ni povas profiti de ĉi tiu okazo por solvi iujn gravajn problemojn pri malsano-administrado en la prizorgado," diris shafiee
12. Noviga klinika decidado kun litrando AI

Dum la sanitara industrio turniĝas al pagaj bazaj servoj, ĝi ĉiam pli foras de pasiva kuracado. Preventado antaŭ kronika malsano, akraj malsanoj kaj subita difekto estas la celo de ĉiu provizanto, kaj la kompensa strukturo finfine permesas al ili disvolvi procezojn, kiuj povas realigi aktivan kaj prognozan intervenon.
Artefarita inteligenteco provizos multajn bazajn teknologiojn por ĉi tiu evoluo, subtenante antaŭdiran analizon kaj klinikajn decidajn subtenilojn, por solvi problemojn antaŭ ol provizantoj rimarkos la bezonon ekagi. Artefarita inteligenteco povas provizi fruan averton pri epilepsio aŭ sepso, kiu kutime postulas profundan analizon de tre kompleksaj datumaroj.
Brandon Westover, MD, direktoro pri klinikaj datumoj ĉe Masaĉuseca Ĝenerala Hospitalo (MGH), diris, ke maŝinlernado povus ankaŭ helpi subteni la daŭran prizorgon por grave 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 konsumas tempon kaj subjektive, kaj la rezultoj povas varii laŭ la kapabloj kaj sperto de klinikistoj.
Li diris "En ĉi tiuj pacientoj, la tendenco povas esti malrapida. Foje kiam kuracistoj volas vidi ĉu iu resaniĝas, ili eble rigardas datumojn kontrolitajn unufoje ĉiun 10 sekundojn. Tamen vidi, ĉu ĝi ŝanĝiĝis de 10 sekundoj da datumoj kolektitaj en 24 horoj, estas kiel rigardi, ĉu la haroj intertempe kreskis. Tamen, se artefaritaj inteligentecaj algoritmoj kaj grandaj kvantoj de datumoj de multaj pacientoj estas uzataj, estos pli facile egali tion, kion homoj vidas kun longtempaj ŝablonoj, kaj iuj subtilaj plibonigoj povas esti trovitaj, kiuj influos la decidojn de kuracistoj en flegado. . "
Uzi artefaritan inteligentecan teknologion por klinika decida subteno, riska poentado kaj frua averto estas unu el la plej esperigaj disvolviĝoj de ĉi tiu revolucia datuma analitika metodo.
Provizante potencon por nova generacio de iloj kaj sistemoj, kuracistoj povas pli bone kompreni la nuancojn de malsano, provizi flegajn servojn pli efike kaj solvi problemojn anticipe. Artefarita inteligenteco komencos novan eraon plibonigi la kvaliton de klinika kuracado, kaj faros ekscitajn progresojn en pacienca prizorgado.


Afiŝotempo: Aug-06-2021