Daudzas mūsdienu dzīves dimensijas arvien vairāk tiek izmantotas mākslīgā intelekta, ieskaitot dažādus veselības un labsajūtas aspektus. Cik ilgi pirms dators var pārspēt cilvēku vērstas veselības aprūpes intervences? Varbūt vēl svarīgāk, cik ilgi pirms cilvēks gribēs uzticēties ne cilvēkiem, lai ārstētu viņu vai viņas? Šie divi jautājumi varētu kļūt par galveno uzmanību diskusijās par mašīnu apmācības tehnoloģiju un robotikas potenciālu veselības aprūpes jomā.
Datori var "domāt" arvien vairāk cilvēku veidā. Neatkarīgi no tā, vai mēs esam gatavi vai ne, nesenie sasniegumi kognitīvās skaitļošanas signālos ir apliecinājuši datorizētās apmācības un veselības aprūpes vecumu.
Statistikas analīze par veselības informāciju
Nav noslēpums, ka mēs katru reizi, kad veicam pirkumu vai pārlūko Internetu, dalāmies ar visu veidu privātu un bieži vien intīmu informāciju. Spēja prognozēt veselības traucējumus, vienkārši izsekojot gadījuma uzvedību, tika izsmalcināti parādīta 2012. gadā, kad mazumtirgotājs Target parādīja pasauli, ko viņi varēja prognozēt ar neticīgu precizitāti, ja sieviete bija stāvoklī, pamatojoties uz saviem iepirkšanās paradumiem – dažreiz pat sniedzot ziņas par grūtniecību, lai iznīcinātu ģimenes locekļi.
Daudzas personiskās ziņas statistiski tiek analizētas parastā veidā, lai sniegtu plašāku ieskatu par paradumiem un īpašībām. Dažas no šīm darbībām notiek brīvprātīgi un ar pilnīgu lietotāja informētību un atbalstu, bet citas var veikt slepeni, izmantojot organizācijas un uzņēmumus.
netieši uzskaiti veicina noteiktus ētikas un sociālos jautājumus.
Daudzi cilvēki tagad brīvi dalās savā personiskās veselības informācijas dažādos veidos, skaidri izplata informāciju, izmantojot veselības apdraudējuma novērtējumu, nejauši izmantojot piederumus un dažreiz pat nejauši, izmantojot sociālo mediju ziņas un pērkot uzvedību.
Precizitāte, ar kādu šo informāciju var analizēt un interpretēt, palielinās, radot gan riskus, gan iespējas, un, iespējams, novietojot mūs uz jaunā laikmeta robežas, kurā tehnoloģija varētu būt nozīmīga, lai pozitīvi ietekmētu mūsu veselību un labklājību.
Individuāla veselības aprūpe un misdiagnosticēšanas problēmas risināšana. Ārstu diagnostikas kļūdas ir milzīga problēma. Riska neuzmanības vai nespēja apsvērt iespēju daudzumu, šīs kļūdas var būt postošas gan pacientam, gan viņa ģimenei. Profesors Eta Berners no Alabamas universitātes Birmingemā un Dr. Mark L. Graber no Northport VA Medical Center atklāja, ka apmēram 10-20 procenti medicīnas gadījumu tika nepareizi diagnosti. Berners un Grabers norāda, ka efektīvi kognitīvie procesi lielāko daļu laika nodrošina pareizu diagnozi. Tomēr ir gadījumi, kad šie kognitīvie procesi neizdodas. Bernera un Grabera analīze parādīja, ka ārsta pārmērīgā uzticība bieži vien var izraisīt medicīniskas kļūdas. Turklāt ziņojumā, ko finansēja Veselības aprūpes izpētes un kvalitātes aģentūra, 28 procenti no visām diagnostikas kļūdām bija smagas, un tas, iespējams, norāda uz dzīvībai bīstamu notikumu.
Misdiagnosing var ietvert neko no izrakstot nepareizu zāles, ķirurģiski noņemot nepareizu ķermeņa daļu.
Šī satraucošā statistika var likt apgalvot, ka pašreizējo problēmu var atrisināt, vienkārši noņemot vienādojumu no cilvēka faktora. Tehnoloģijas, piemēram, IBM Vatsons, tagad piedāvā cerību, ka informāciju var sintezēt un plānot humānākajā veidā. Watson kognitīvās tehnoloģijas spēj analizēt nestrukturētus datus, izprast sarežģītus jautājumus un sniegt gala lietotājus ar pierādījumiem balstītiem risinājumiem.
Watson mērķis ir uzlabot prognozēšanas algoritmus, kas ne vienmēr ir izrādījušies veiksmīgi, ja tos piemēro reālās dzīves situācijās.
Tomēr tas, kas varētu būt daudz provokatīvāks nekā Vatsona prognozēšanas potenciāls, ir tā tehnoloģija, kas pārspēj cilvēkus, kad runa ir par veselības un fitnesa pasākumiem.
2015. gadā IBM Watson izveidoja stratēģisku partnerību ar CVS Health, kas paziņoja par kognitīvo skaitļošanas ierašanos komerciālajā veselības aprūpes nozarē. Tā ierosināja, ka drīz ārstiem un farmaceitiem būtu pieeja tehnoloģijām, kas, piemēram, varētu automātiski noteikt pacienta veselības stāvokļa samazināšanos.
Darījums starp Under Armour un IBM, kas tika parakstīts 2016.gadā, deva Watsonu iespēju turpināt veidot un attīstīt savu veselības platformu. Apple arī ieguldīja ievērojamus ieguldījumus Watson platformā, lai uzlabotu savas HealthKIT un ResearchKIT attīstības platformas. Saskaņā ar Grand View Research Inc. ziņojumu, globālais veselības kognitīvo skaitļošanas tīkls līdz 2020. gadam sasniegs vairāk nekā 5 miljardus dolāru. Zinātniski pētījumi arī atbalsta tehnoloģiju izmantošanu, lai mazinātu medicīnisko kļūdu un kaitējuma risku. Dr Mark L. Graber iesaka izmantot tā dēvētos "iedarbināšanas rīkus", kas varētu identificēt diagnožu kļūdas riska gadījumus, analizējot elektroniskos veselības datus un meklējot neatbilstības. Amerikas slimnīcās tagad tiek izmantoti dažādi trigeru instrumenti, tomēr tie ne vienmēr spēj noteikt diagnostikas kļūdas. Tāpēc tiek veikti pasākumi, lai izstrādātu labākus profilaktiskus pasākumus.
Daudzsološu pieeju ir iesniegušas Dr Hardeep Singh un viņa kolēģi. Tās ir izveidojušas elektronisku aktivizētāju, kas var identificēt pacientus, kuriem 2 nedēļu laikā pēc primārās aprūpes vizītes ir notikušas neplānotas slimnīcu tikšanās, liecinot par to, ka sākotnējās izmeklēšanas laikā varēja palaist garām kaut ko. Daudzi eksperti prognozē, ka tāda tehnoloģija palīdzēs novērst kļūdas vai vismaz pievērsīs uzmanību, lai tos samazinātu.
Mākslīgā intelekta izmantošana
2015. gadā NHS Anglijas priekšsēdētājs Sir Malcolm Grant izteica savu viedokli, ka veselības aprūpei jāaptver mākslīgais intelekts, jo tas varētu uzlabot aprūpes kvalitāti, kā arī iepriekš personalizēt medicīnu. Kopš tā laika daudzi veselības aprūpes speciālisti ir pauduši gandarījumu. Iespējams, ka ne tik tālu būs tehnoloģija, kas varētu droši diagnosticēt un / vai noteikt diagnostikas kļūdas, izmantojot datu ieguvi.
