Çin'in tıbbi yapay zeka durumunun analizi: ürün doğrulamasından pazar doğrulamasına
Görüntü kaynağı @Visual China
Metin | Arter Ağı (ID: vcbeat), Yazar | Chen Peng
2016 yılından bu yana yapay zeka ve tıbbi bakımın entegrasyonu her yönden parıldamaya başladı. Birkaç yıl süren geliştirmeden sonra, tıbbi yapay zeka 2019'da ticari iniş testini başlattı, klinik uygulamalara ve doktorların iş akışına girdi ve 2020'nin başlarında meyve verdi.
15 Ocak 2020'de Ulusal Tıbbi Ürünler İdaresi, Keya Medicalin yenilikçi ürünü "Koroner Kan Akışı Rezervi Puan Hesaplama Yazılımı" nın kaydını onaylayarak Sınıf III AI görüntü sertifikası alan ilk ürün oldu.
Ek olarak, AI ürünlerinde 2019'da hangi yeni gelişmeler olacak? Arter Ağı Yumurta Kabuğu Araştırma Enstitüsü, 2019 Future Medical 100 Strong Konferansı'nda "2019 Çin Tıbbi Yapay Zeka Raporu" nu yayınladı. Bu makale, rapordan bir alıntıdır.
Temel algoritma yetenekleri etrafında tıbbi yapay zeka uygulama matrisi
Bağımlı uygulama hizmeti nesnesine, tıbbi bağlantıların kullanımına ve tıbbi uygulama hastalıklarının kapsamına göre rapor, bir tıbbi yapay zeka uygulama matrisi oluşturdu, Çin'in tıbbi yapay zeka endüstrisini özetledi ve tıbbi yapay zeka endüstri haritası çıkardı.
Tıbbi Yapay Zeka Uygulama Matrisi
Tıbbi yapay zeka sanayi haritası
Hastanelerde tıbbi yapay zeka uygulama senaryolarının analizi
AI + sanal asistan: teşhis ve tedavinin farklı yönlerinden geçmek anahtardır
Bir Dingxiangyuan anketine göre, sakinlerin% 50'den fazlası tıbbi kayıtlar yazmak için günde ortalama 4 saat harcıyor. "Forbes" bir keresinde klinikte doktorların zamanlarının sadece% 52.9'unu hastalarla iletişim kurarak, zamanlarının% 37'sini evrak işleriyle ve zamanlarının% 10'unu önemsiz konularla harcadıklarını bildirdi.
3 saat boyunca sıraya girin ve 2 dakika konsültasyon isteyin. Konsültasyon aşamasındaki üç ana sorun, doktorların tıbbi kayıt girişinin ağır iş yükü, tıbbi kayıtların zorlu kalite kontrolü ve hasta ayakta tedavi hizmetlerinin eksikliğidir. Konuşma tanıma, anlamsal anlama ve mikrofon dizisinin üç temel teknolojisine dayanan AI + sanal asistan, tanı öncesinde, sırasında ve sonrasında birden çok bağlantıya uygulanabilir.
Teşhisten önce: Akıllı teşhis rehberlik robotları, hastanede giderek yeni bir manzara haline geldi. Teşhis rehberlik robotu, temel olarak hastanın ses girdisi yoluyla anlamsal analiz gerçekleştirir ve ardından insan gücünden tasarruf sağlayan ve hastalar için uygun olan triyaj ve rehberlik önerileri sunar. Daha gelişmiş tıbbi rehberlik robotları ayrıca sensörler aracılığıyla hastanın yaşamsal belirti bilgilerini toplayabilir, ön muayene yapabilir ve hastanın temel fiziksel belirtilerini ve özetini poliklinik doktoruna önceden bildirebilir. Bu, doktorların hastayı görmeden önce hastanın durumu hakkındaki bilgilerin bir kısmını elde etmesine olanak tanır, böylece doktor konsültasyonunun etkinliğini artırır ve yanlış tanıyı azaltır.
Teşhis sırasında: AI tıbbi kayıt asistanı, sesi doğrudan yapılandırılmış elektronik tıbbi kayda dönüştürebilir. Akıllı ses girişinin tüm süreci, muayene, teşhis ve tıbbi kayıt girişini aynı anda gerçekleştirebilen, doktorun teşhisinin her zaman kesintiye uğraması durumunun önüne geçerek doktorun zamanından tasarruf ederek teşhis ve tedavinin kendisine odaklanmasını sağlayan tıbbi dil veri modeli ile desteklenmektedir. AI cerrahi asistanı, cerrahın bir alanda elektronik ekipmanı çalıştırmak için sanal ekranlar, ses tanıma, jest tanıma ve diğer teknolojileri kullanmasına izin verir. Bu, operasyon süresini etkili bir şekilde azaltır ve enfeksiyon riskini azaltır.
Teşhisten sonra: Hasta hastaneden ayrıldıktan sonra, yapay zeka sanal asistanı geri dönüş ziyaretleri ve memnuniyet anketleri gerçekleştirebilir, tıbbi tavsiye maddelerini gönderebilir, hatırlatıcıları gözden geçirebilir ve tıp bilimini popüler hale getirebilir.
AI + klinik iş akışı: faydaları en üst düzeye çıkarmak için tıbbi kaynakları rasyonel olarak tahsis edin
Klinik iş akışı, hastane yönetim sürecinin ve doktorun iş akışının genel bir açıklamasıdır. Klinik iş akışıyla çözülen temel sorun, hastane iş hedeflerine ulaşmak için birden çok katılımcı arasında belgeleri, bilgileri veya görevleri otomatik olarak aktarmak için dijital araçlar kullanmaktır (tanısal olmayan davranışların bilgilendirilmesi).
Yapay zeka, hastane yönetimi ve teşhis ve tedavi süreci yönetimi yoluyla tıp endüstrisinin dijital dönüşümüne liderlik ediyor, tıbbi kurumların klinik iş süreçlerini optimize etmesine, daha iyi tıbbi hizmetler sunmasına ve daha yüksek karlar yaratmasına yardımcı oluyor.
Hastane yönetiminin amacı, hastanedeki tıbbi kaynakların tahsisini tamamen optimize etmek ve faydaları en üst düzeye çıkarmaktır.
AI, hastanedeki mevcut bilgilere dayanarak modelleme yapar, bir dizi doğru algoritmayı eğitir ve çalışma programlarını otomatik olarak formüle eder. Örneğin, elektronik tıbbi kayıtlar ve geçmiş tıbbi geçmiş gibi bilgilere dayanarak hangi hastaların zamanında tedaviye en çok ihtiyaç duyduğunu analiz edebilir, tıbbi kaynakların sağlanmasında onlara öncelik verebilir ve tıbbi hizmetlerin sırasını optimize edebilir.
Ürün sınıflandırması açısından bakıldığında, klinik iş akışı yönetimi nesnelere göre tıbbi ekipman yönetimi, doktor araçları ve ödeme yönetimi olarak ikiye ayrılabilir.
Tıbbi ekipman yönetimi: manuel yönetimden akıllı yönetime dönüşüm. Tıbbi ekipman yönetimi sürecinde, ayrı dağıtım, bakım ve düşük kalite kontrol yönetimi verimliliği gibi sıkıntılı noktalar vardır. İstihbarat, bilişim ve standardizasyon, tıbbi ekipman varlık yönetiminin genel eğilimi yavaş yavaş haline geldikçe, tıbbi ekipman hizmet pazarı, basit ekipman bakımından tıbbi ekipman yaşam döngüsü yönetimine dönüştü.
Doktor araçları: tek noktadan doktor yetkilendirmesinden çok noktalı doktor işbirliği yetkilendirmesine kadar. Doktor araçlarının rolü, doktorları güçlendirmek, iş verimliliğini artırmak ve doktorların yeteneklerini geliştirmektir.
Sağlık sigortası maliyet kontrolü: kural kontrolünden büyük veri kontrolüne geçiş. Yapay zeka ve büyük veri, sağlık sigortası akıllı izleme sistemlerinin inşası için yeni fikirler sağlar. Bazı bölgeler, sahte sigorta dolandırıcılığını belirleme ve sağlık sigortası geri ödemesinin rasyonelliğini sağlama yeteneğini geliştirmek için vaka muhakemesi, tıbbi davranış modeli analizi, tanı ve tedavi planı analizi, doktor-hasta ağ yayılım analizi vb. Dahil olmak üzere büyük veri analizi yöntemlerinin kullanımını keşfetmeye başladı.
AI + önleme yönetimi: kapsamlı hastalık taraması ve tahmini elde etmek için
İlk olarak koruyucu hekimlik pasif tedaviden daha iyidir. Yapay zeka, büyük veri, genler ve diğer teknolojilerin gelişmesiyle birlikte bazı hastalıkların olasılığını tahmin etmek artık mümkün. Angelina Jolie, kanser riskini azaltmak için önleyici iki taraflı mastektomi geçirir. Bu ameliyatın nedeni genetik bir kusuru olması ve meme ve yumurtalık kanseri riskinin daha yüksek olabilmesidir.
Bu, genetik açıdan bir hastalık riski tahminidir ve AI ayrıca davranış, biyokimya ve görüntülememizin sonuçlarından hastalık taraması ve tahmini yapabilir.
Örnek olarak diyabeti ele alalım: Yaygın bir retina damar hastalığıdır ve diyabetik hastalarda körlüğün başlıca nedenidir. Dünyada en çok tip 2 diyabet hastası olan ülke Çin'dir.Diyabet hastalarının artmasıyla birlikte diyabetik retinopatinin prevalans ve körlük oranları da her geçen yıl artmıştır.
Glikorelik hastalığın erken evresinde genellikle hiçbir klinik semptom olmadığından ve semptomlar ortaya çıktığında, durum zaten ciddidir ve tedavi için en uygun zamanı kaçırmak kolaydır. Bu nedenle şeker hastalığının tedavi etkisi, tedavinin zamanında olup olmadığına bağlıdır. Bununla birlikte, Çin'deki oftalmologların eksikliği ve bölge sakinlerinin düşük ilgisi nedeniyle, Çin'de diyabet için mevcut tarama oranı% 10'dan az.
Çin'de, 580 milyon insanı kapsayan tüm tıbbi sistemin% 95'ini oluşturan 900.000'den fazla birincil tıp kurumu bulunmaktadır. Bununla birlikte, tabandan doktorların arzı yetersizdir ve mevcut doktorların sayısı artık iş yükünü kaldıramaz, bu da doktorların fazla çalışmasına, yanlış teşhis edilmesine ve teşhisin atlanmasına neden olur.
Buna ek olarak, birincil tıbbi ekipmanın gelişmiş yapısı yetersizdir.Çin'deki birincil tıp ve sağlık kurumlarının ekipmanı 500.000 yuan'ın altında yoğunlaşmıştır ve 1 milyon yuan'ın üzerinde çok az ekipman bulunmaktadır, bu da gelişmiş ekipmanın düşük olduğunu ve yalnızca temel hastalıkların teşhis ve tedavisini karşılayabileceğini ve zor ve karmaşık hastalıkları tamamlayamayacağını göstermektedir. Erken tarama.
Önleme yönetimi, ürünlerinin kullanım kapsamına göre tarama ürünleri ve tahmin ürünleri olarak ikiye ayrılabilir.
Tarama ve teşhis arasındaki temel fark, teşhisin hangi hastalığın bariz semptomlardan sonra olduğunu belirlemesidir, ancak taramanın hastalığın olup olmadığını önceden bilmemesidir.
Piyasadaki yaygın yapay zeka erken tarama ürünlerini analiz ederek, bunların esas olarak üç kategoride yoğunlaştıklarını bulduk: akciğer nodülü taraması, diyabet taraması ve kanser taraması. Bunun nedeni, yukarıdaki tarama için görüntülerin çoğunlukla elde edilmesi nispeten kolay olan DR, CT, fundus fotoğrafları vb. Olmasıdır. Ayrıca, 2018'de Çin Muayene Enstitüsü, renkli fundus görüntüleri ve akciğer CT görüntüleri için ürün geliştirme, onay ve tanıtım için de çok yararlı olan iki standart veri tabanı oluşturdu.
Yapay zeka; metin, görüntü ve akış verileri (kalp atış hızı, kan oksijen, solunum vb.) Dahil olmak üzere çok modlu verilere dayanır ve salgın hastalıklar, kronik bulaşıcı olmayan hastalıklar ve akıl hastalıkları gibi çeşitli hastalıkları tahmin etmek için kullanılabilir.
AI + destekli teşhis: CDSS ve MDT'nin kombinasyonu, gelecekteki geliştirme yönüdür
Tanısal veri akışı perspektifinden bakıldığında, önce hastalar görüntüleme, patoloji ve in vitro tanı gibi bir dizi incelemeden geçerek ön inceleme sonuçlarını alır. Ardından, denetim verileri PACS ve HIS gibi bilgi sistemleri aracılığıyla entegre edilir ve saklanır. Son olarak, tüm veriler kapsamlı yorumlama için doktora toplanır.
Yapay zekanın nihai amacı, bir uzman gibi tek bir kapsamlı tanıya ulaşmaktır, ancak en olgun uygulamalar, özellikle görüntüleme alanında, hala tek bir projeye odaklanmaktadır. AI + destekli teşhis alanında 120 şirketi saydık, bunların arasında görüntüleme destekli teşhis en yüksek oran (% 34), ardından veri entegre depolama (% 22).
Resim: Bulut ve entegre geliştirme
Dört ana görüntüleme teknolojisine dayalı: X-ışını, CT, MRI, ultrason ve ayrıca en son nükleer tıp görüntüleme teknolojisi (PET), görüntüleme alanında yapay zekanın uygulaması temel olarak görüntü sınıflandırma, organ etiketleme, doku yapısı segmentasyonu ve lezyon alanıdır. Segmentasyon ve görüntü kaydı vb. Ürün düzeni göğüs, baş, pelvis ve uzuv eklemlerine odaklanır. En çok yatırım yapılanlar pulmoner nodüller ve akciğerle ilgili hastalıklardır, bunu kardiyovasküler ve serebrovasküler hastalıklar takip eder. Pelvik boşluk esas olarak prostat ve rektumdur. Kemikler ve eklemler esas olarak kırıkları ve kemik yaşını çevreler.
Hastane talep tarafı için, yapay zeka ürünleri ilk üç hastaneye girmek istiyorsa, ilk üç hastanedeki doktorların iki temel gereksinimini ve bilimsel araştırma ihtiyaçlarını kavramalıdır. Günümüzde, BT pulmoner nodüllerinin daha olgun ürünleri, CTA koroner kalp hastalığı, felç ve diğer yardımcı teşhis ürünleri, doktorların görüntü okuma verimliliği arayışını tatmin etmiştir.
Geriye dönük ekipman zorlukları ve yetersiz personel ile sınırlı, tıbbi yetenekleri biraz düşük olan ilçe düzeyindeki hastaneler için, birinci basamak sağlık hizmetlerinin görüntülü AI ürünleri, bazı yaygın hastalıkların teşhisine yardımcı olmak için temel olarak X ışınlarına ve ultrasona dayanmaktadır. Image AI şirketleri onlar için özel bulutlar, tıbbi konsorsiyuma bağlı bulut PACS oluşturabilir ve ayrıca doktorların eğitim yoluyla hastanede resim okuma ve rapor verme becerilerini geliştirebilir.
Patoloji: hastalıkla yenilir
Tüm tıbbi teşhis iş akışında, tıbbi görüntü analizinin bir sonraki adımı olan patolojik teşhis, teşhisin "altın standardı" dır.
Geleneksel patolojik tanı, güçlü öznellik, düşük tekrar ve yüksek yanlış tanı oranına sahiptir. Patolog, çıplak göze ve kişisel deneyime dayanarak dilimi mikroskop altında 40 ila 400 kat büyütür, hücre morfolojisini ve doku yapısını gözlemler, analiz ve teşhis yapar ve gerektiğinde yargılamaya yardımcı olmak için immünohistokimya veya immünofloresan saptaması yapar ve ardından manuel sayım veya Yazılım istatistiklerinin yardımıyla.
Aynı zamanda, radyoloji departmanı gibi, Çin'de de patoloji uzmanı sıkıntısı var. Sağlık İstatistikleri Yıllığına göre Çin'de sadece 10.200 kayıtlı patolog var ki bu Sağlık Komisyonu tarafından belirlenen 100 yatak başına 1 ila 2 patolog standardından çok uzak.Çin'deki toplam patolog sayısı yaklaşık 100.000. .
AI'nın patolojide uygulanması, katılım derecesine göre üç kategoriye ayrılabilir:
Tam kesitli bir dijital görüntü (WSI) oluşturmak için dijital tarama teknolojisini kullanma: görüntüyle ilgili özellik çıkarma ve kalitatif ve kantitatif analiz: hücre boyutu, yapısal özellikler, hücre popülasyon yoğunluğu, uzamsal dağılım ve diğer bilgiler dahil.
Patolojik görüntülerin sınıflandırılması ve derecelendirilmesi: AI, doku sınıflandırması, iyi huylu ve kötü huylu ayrımcılık ve kanser derecelendirmesinin sonuçlarını doğrudan çıkarabilir ve patolojik tanının doğruluğunu, verimliliğini ve tutarlılığını artırabilir. Şu anda, AI teknolojisi meme kanseri, beyin kanseri ve prostat kanserinin sınıflandırılması ve sınıflandırılmasında yaklaşık% 90 doğruluğa ulaşmıştır.
Tüm süreç dijital dilimler, dijital raporlar, dijital dilim arşivleri, vb.'nin ilk teşhisini gerçekleştirmek için dijitalleştirilir: Yüksek verimli ve hızlı WSI teknolojisi kullanılarak, tüm geleneksel dilimler dijital dilimler halinde taranabilir. Bilgisayar depolama ve İnternet aktarım teknolojisi ile birleştirilen dijital dilimler arşivlenir ve bölgesel bir ağ patolojisi teşhis platformu oluşturmak ve coğrafi kısıtlamaları ortadan kaldıran bir "bulut patoloji departmanı" oluşturmak için hızlı erişim işlevleri sağlamak için buluta yüklenir. Bu, patologların deneysel yanlış değerlendirmelerinden kaynaklanan yanlış teşhisi daha da azaltır, patologların ve diğer tıbbi personelin veri elde etmesini kolaylaştırır ve iş verimliliğini artırır.
Doktorlara tanı ve tedavide yardımcı olmak için biyoloji, kimya, immünoloji, genetik ve klinik bilgiler gibi diğer disiplinleri entegre edin. AI yalnızca patolojik verilerin analizi için kullanılmaz, aynı zamanda immünohistokimya, moleküler tespit verileri ve klinik bilgileri entegre ederek İlgili bilgileri entegre eden son patolojik tanı raporu, hastalara prognostik bilgiler ve kesin ilaç rehberliği sağlar.
Gene: AI, sıralamanın ve yorumlamanın darboğazını aşıyor
Kasım 2018'de DeepMind'in yapay zeka programı AlphaFold, 13. Global Protein Yapısı Tahmin Yarışması'nda (protein alanında olimpiyat yarışması), proteinlerin gen dizilerine dayalı 3 boyutlu yapısını başarıyla tahmin ederek şampiyonluğu kazandı.
AI, genetik testlere giderek daha fazla uygulanmaktadır. İkinci nesil dizileme teknolojisinin olgunlaşmasıyla birlikte, tek bir genomu test etmenin maliyeti 1.000 ABD dolarının altına düştü. Gen dizilemesinin hızlı gelişimi ayrıca büyük miktarda veri üretti. Bu büyük genetik veriler nasıl yorumlanır, hastalıkla ilgili mutasyonlar nasıl elde edilir ve hastalık bulunur Genler, mevcut gelişimin darboğazı haline geldi. Yapay zeka, gen dizisi yorumlama sürecini kesmek için güçlü veri işleme yeteneklerine ve öğrenme yeteneklerine güvenir.
IBM, 2014 gibi erken bir tarihte, IBM'in Watson yapay zeka sistemine dayalı olarak tümör genomlarını analiz etmek için bir program geliştirmek için New York Genome Center ile işbirliği yaptı. IBM, en son araştırma sonuçlarını Neurology Genetics dergisinde yakın zamanda yayınlanan bir makalede açıkladı. Araştırmacılar, bir hastadan bir tümör biyopsi örneği ve bir kan örneği aldı ve iki örnekteki DNA'yı ve tümördeki RNA'yı sıraladı.
Bu sıralama verileri, analiz için IBM Watson Genome Programına ve biyoinformatik ve onkologlardan oluşan uzman bir ekibe gönderildi. Watson sisteminin dikkate alınması için bir klinik tedavi planı raporunu tamamlaması yalnızca 10 dakika sürerken, uzman grubu tarafından yapılan manuel analizin benzer bir rapor alması 160 saat sürdü.
Kapsamlı yardımcı tanı: CDSS ve MDT birleştirilmiş
Kapsamlı yardımcı tanı sistemi, multidisipliner uzmanlar tarafından hastalar için kişiselleştirilmiş bir teşhis ve tedavi planı geliştirmek için tartışılan MDT'ye (Multidisipliner Eklem Teşhisi) benzerdir.Özellikle tümörler, böbrek yetmezliği ve kalp yetmezliği gibi karmaşık hastalıkların teşhis ve tedavisi için uygundur.
Yapay zekanın kapsamlı bir yorumunu elde etmek için en azından şu iki adım yapılmalıdır: çok kaynaklı heterojen veri madenciliği ve CDSS ve MDT'nin birleşik kullanımı.
Çok kaynaklı heterojen veri madenciliği: Yapay zeka şirketlerinin ve hastanelerin, çok kaynaklı, yapılandırılmış ve yapılandırılmamış verileri temizlemek, duyarsızlaştırmak, yapılandırmak ve standartlaştırmak için büyük veri teknolojisini kullanması gerekir, böylece hastane önceden bölünmüş tıbbi verileri birleştirebilir. Birbirine bağlı tıbbi büyük veri platformu, büyük veri işleme ve analizinin gerçekleştirilmesi için bir veri temeli oluşturur.
CDSS ve MDT'nin birleşik kullanımı: Tek bir disipline dayalı CDSS, paylaşılan bir hizmet modelinden yoksundur ve genellikle bir alt sistem olarak EMR'ye yerleştirilmiştir ve hastanın durumunu tam olarak değerlendiremez. MDT'nin multidisipliner işbirliğinin avantajlarını kullanırsak ve ilgili kanıt birlikteliklerine dayanan en iyi tanı ve tedavi planını alırsak, tıbbi hizmetlerin verimliliğini ve kalitesini daha da iyileştirmesi beklenir.
AI + adjuvan tedavi: çekirdek olarak verimlilik artışı ile cerrahi ve ilaçlar etrafında
İlaç tedavisi ve cerrahi tedavinin iki ana tedavi yöntemine odaklanan AI destekli tedavi, ameliyat öncesi planlama, intraoperatif navigasyon ve cerrahi süreyi etkili bir şekilde azaltabilen ve komplikasyonları azaltabilen akıllı ilaç tedavilerinde iyi bir rol oynamıştır.
Tümör tedavisi sürecinde hedef bölgenin belirlenmesi ve tedavi planının tasarlanması doktorların çok zaman ve enerjisini alır. Her tümör hastasının yaklaşık 200 CT görüntüsü vardır Çizim yaparken, doktorun her resimde organ ve tümör konumunu işaretlemesi gerekir. Bu işlem geleneksel yönteme göre doktora 3-5 saat sürmektedir. Yanlış hedef alan tanımlaması veya tümör değişiklikleri (tümör dokusu% 30'dan daha az azalır) nedeniyle ilk tedavi süreci etkisiz ise, o zaman doktorun hastayı yeniden çizmesini gerektiren tedavi planının değiştirilmesi gerekir.
Preoperatif planlama: Yapay zeka, CT / MRI görüntü verilerine dayalı olarak karşılık gelen hedef alanı otomatik olarak belirleyebilir ve belirli bir radyasyona maruz kalma planını veya ameliyat planını otomatik olarak oluşturmak için görüntü tanıma teknolojisini kullanabilir ve ardından son onay için doktora teslim edebilir.
İntraoperatif navigasyon: Hastanın ameliyat öncesi görüntü verilerini gerçek anatomik yapıya doğru bir şekilde eşleştirin ve lezyonu üç boyutlu dijital modelleme ve algoritma optimizasyonu yoluyla doğru bir şekilde bulmak için VR, MR, kılavuz plakaları ve diğer teknolojileri kullanın.
İlaç önerileri: Gerçek dünyadaki ilaç büyük verilerine dayanarak, bireysel ilaç rehberliği elde etmek için yapay zeka teknolojisini kullanın. Kişiye özel ilaç, en uygun ilacı ve en uygun dozu en uygun hastaya en uygun zamanda vermektir.
AI + rehabilitasyon: hastaları hayata döndürmeyi hedefliyor
Klinik tıp, hayatta kalmayı temel amaç olarak alır ve hastaların ilaçlar, tıbbi cihazlar ve ameliyat gibi tedavilerle hayatta kalmalarını sağlar. Rehabilitasyon tıbbı, hastaların hasarlı fonksiyonları kısmen veya tamamen eski haline getirmesini ve topluma daha iyi dönmesini sağlamak için rehabilitasyon tedavi yöntemleri aracılığıyla yaşamın amacına yöneliktir. Bu nedenle klinik tıp ve rehabilitasyon tıbbı birbirini tamamlayıcı niteliktedir.Klinik tıp, hastanın tedavi sürecinde müdahale eder, rehabilitasyon tıbbı hastanın iyileşme döneminde müdahale eder, sonuçta hastayı ortadan kaldırır ve hastanın kademeli olarak sıradan bir kişiye geçişini sağlar.
Rehabilitasyon veri akışı perspektifinden, rehabilitasyon üç bağlantıya bölünmüştür: izleme-yönlendirme-koşullandırma, yani, önce verileri elde edin, ardından verileri analiz edin ve son olarak verileri uygulayın.
Giyilebilir cihazları izleme: Yapay zekanın tanı ve tedavide uygulanmasıyla karşılaştırıldığında, yapay zekanın rehabilitasyon alanında uygulanması daha zordur. Bunun nedeni, yapay zekanın tanı ve tedavisindeki verilerin (hastanenin bilgi sisteminden) elde edilmesinin kolay olması ve ürünün yalnızca veri ve algoritmalar kullanılarak yinelemeli olarak parlatılması gerektiğidir. Rehabilitasyon, kişisel sağlık verilerini toplamak için giyilebilir cihazlar gerektirir. Şu anda, piyasadaki giyilebilir cihazların çoğu kan şekerini, kan basıncını, kalp atış hızını, vücut ısısını, nefes almayı ve diğer sağlık göstergelerini izleyebilen izleme cihazlarıdır.
Rehberlik-Rehabilitasyon robotu: Bir kişinin her gün ürettiği sağlık verisi miktarı çok fazladır.Veri işlemek, veriyi bilgiye dönüştürmek, bilgiyi bilgiye dönüştürmek ve bilgiyi sağlık yönetimi bilgisine dönüştürmek, bu yapay zeka İnsan yaşamı verilerinin toplanmasından sonra çalışın.
En sezgisel olanlardan biri rehabilitasyon robotudur Rehabilitasyon robotu, rehabilitasyon ekipmanını insancıllaştırmak ve akıllı hale getirmek için yapay zeka, Nesnelerin İnterneti, büyük veri ve diğer teknolojileri kullanır ve insan-bilgisayar etkileşimi, akıllı yardımcı eğitim ve hassas kuvvet kontrolü sağlar. Şu anda rehabilitasyon robotları temel olarak kemik ve eklem rehabilitasyonu, işitme ve görme rehabilitasyonu, konuşma rehabilitasyonu vb. Alanlarda yoğunlaşmıştır ve gelecekte kardiyopulmoner rehabilitasyon ve nörolojik rehabilitasyona genişlemesi beklenmektedir. Koşullandırma: sağlık yönetimi
Sağlık yönetimi, pasif hastalık tedavisinden aktif öz sağlığı izlemeye geçiştir. Fiziksel işaret verilerine göre yapay zeka sağlık yönetimi, veriler aracılığıyla her bir kişinin fiziksel özelliklerini öğreniyor ve her kişi için kişiselleştirilmiş bir sağlık yönetimi planı tasarlıyor. Şu anda ana uygulama alanları diyabet, kronik hastalık yönetimi, kan basıncı yönetimi, meme sağlığı yönetimi, fetal kalp atış hızı izleme vb.
Sağlık yönetimiyle ilgili sağlık bağlantıları temel olarak risk tanımlama, sağlık değerlendirmesi, zihinsel izleme ve sağlık müdahalesini içerir.
Risk tanımlama: Bilgi edinerek ve yapay zeka teknolojisini kullanarak analiz ederek, hastalık oluşma riskini belirleyerek ve riski azaltmak için önlemler sağlayarak.
Sağlık değerlendirmesi: Hastanın yeme alışkanlıkları, egzersiz döngüsü, ilaç alışkanlıkları vb. Gibi kişisel yaşam alışkanlıkları bilgilerini toplayın, verileri analiz etmek ve hastanın genel durumunu değerlendirmek için yapay zeka teknolojisini kullanın ve günlük yaşamın planlanmasına yardımcı olun.
Ruh sağlığı: Dil, ifade ve ses gibi verilerden duyguları tanımak için yapay zeka teknolojisini kullanın.
Sağlık müdahalesi: Kullanıcı fiziksel verilerini analiz etmek ve sağlık yönetimi planlarını özelleştirmek için yapay zeka kullanın.
AI + araştırma: üretim araçları, bilimsel araştırmacıların üretkenliğini özgürleştirir
AI + ilaç geliştirme
Genel olarak, bir ilaç firmasının yeni bir ilacı başarılı bir şekilde geliştirmek için 10-15 yılda 500 milyon ABD Doları ile 1 milyar ABD Doları arasında harcama yapması gerekir. Yeni ilaç geliştirmenin yüksek riski, uzun döngüsü ve yüksek maliyeti, ilaç firmaları için en büyük sıkıntı noktalarıdır.
Şu anda, yapay zekanın yeni ilaç araştırma ve geliştirme alanında uygulanması, ilaç keşif aşamasına, klinik araştırma aşamasına ve onay ve pazarlama aşamalarına girmiştir. Esas olarak hedef keşif, bileşik tarama, kristal form tahmini, ilaç yönlendirmesi, tıbbi çeviri ve farmakovijilans gibi çoklu uygulama senaryolarını içerir.
İlaç keşif aşaması
İlaç geliştirme, hedeflerin keşfedilmesiyle başlar Eczacılar, fizyolojik olarak aktif maddelerin yapısı üzerine spekülasyon yapmak ve ardından hedefleri keşfetmek için bilimsel literatürü ve kişisel deneyimlerini kullanır. Ancak günümüz bilgi patlamasında her 30 saniyede bir yaşam bilimleri makalesi yayınlanacak. Ayrıca dünyanın her yerine dağılmış çok sayıda patent, klinik araştırma sonucu ve diğer büyük bilgiler vardır.Araştırmacıların tüm bilgilere dikkat edecek zamanı ve enerjisi yoktur. Geleneksel hedef bulma süreci ortalama 2-3 yıl sürer.
Yapay zeka, doğal dil işleme teknolojisi (NLP) aracılığıyla büyük tıbbi literatürü ve ilgili verileri öğrenir ve bileşikler ile hastalıklar arasındaki ilişkiyi keşfetmek, hedefleri bulmak ve hedef keşif döngüsünü kısaltmak için derin öğrenmeyi kullanır.
Bileşik sentezde AI, küçük moleküllü bileşiklerin ilaç özelliklerini simüle edebilir ve birkaç hafta içinde sentez testi için en iyi simüle edilmiş bileşiği seçebilir ve her bileşiğin test maliyetini 0.01 sente kadar kontrol edebilir, bu da bileşiği büyük ölçüde azaltır. Sentez maliyeti.
Klinik öncesi ilaç araştırma aşaması
Hedefi bulduktan sonra, hedefi eşleştirmek için ilgili küçük moleküllü bileşiği bulmak gerekir. Bu eşleştirme işlemi, Baidu'da belirli bir terimi (hedefi) arayan bir kullanıcıya benzer ve motor, ilgili arama sonuçları listesiyle (küçük moleküllü bileşikler) yanıt verir. Bu, bileşiklerin taranmasıdır.
Yüksek verimli tarama ve geleneksel sanal ilaç taraması uzun bir süre gerektirir ve ilaç geliştirmenin başarı oranı düşüktür Yapay zekanın ortaya çıkışı, yenilikçi küçük moleküllü ilaçların keşfi için yeni bir kapı açmıştır.
Klinik araştırma aşaması
Klinik araştırma tasarımını optimize etme: 2015 "Klinik Çalışma Verisi Doğrulama Duyurusu", sıkı klinik araştırma veri doğrulaması, sonraki politikalar klinik araştırmalar için daha yüksek ve daha net gereklilikler ortaya koydu ve bilgi sistemleri ve teknolojilerinin uygulanmasından defalarca bahsedildi Taimei Medical Technology, çok kaynaklı heterojen klinik verilerin yapılandırılmasına, standardizasyonuna ve ilgili muhakemesine yardımcı olmak için tıbbi bilgiyi yapılandırmak için yapay zeka teknolojisini kullanır. ECollect'te (EDC), ters ilaç ilişkisi hesaplaması ve tıbbi kayıt OCR tanıma gibi yapay zeka kullanır Teknoloji, veri toplamanın kalitesini ve verimliliğini büyük ölçüde artırır.
Onay aşaması
Kayıt başvurusu: Çin, 2019'dan başlayarak, kademeli olarak eCTD (Elektronik Ortak Teknik Belge) standardını uygulamaya koydu ve ilaç tescil incelemelerinin uluslararasılaşmasını ve elektronik hale getirilmesini sürekli olarak teşvik etti. Geleneksel CTD, "kağıt işlerinde" hala çok fazla zaman ve insan gücü tüketen düşük bir otomasyona sahiptir. Yapay zeka teknolojisinin tanıtımının, kayıt başvuru sürecinde otomatik yazma, otomatik çeviri, otomatik yayınlama ve onayın entegre akıllı işleyişini gerçekleştirmesi bekleniyor.
Farmakovijilans: Farmakovijilans, ilaçlarda ve tedavide advers reaksiyonların toplanması, analizi, izlenmesi ve önlenmesi dahil olmak üzere, ilaçların iki yönünü, güvenlik ve etkililiği içerir.
2015 yılında FDA, pazar sonrası güvenlik raporlarının elektronik olarak sunulması gerektiğini şart koştu; 2019'da Ulusal Advers Reaksiyon Merkezi, advers reaksiyonların çevrimiçi olarak sunulmasını sağlamak için doğrudan advers reaksiyon raporlama sistemini başlattı ve Taimei Medical Technology'nin e-Güvenlik farmakovijilans sistemi CDE ve NMPA ilaç advers reaksiyonları ile doğrudan arayüz oluşturabilir. Doğrudan reaksiyon raporlama sistemi, advers reaksiyonların doğrudan raporlanması ve FDA AERS ve EU EudraVigilance farmakovijilans veritabanı gönderim testini geçmiştir.
Yapay zeka teknolojisinin uygulanması, e-Güvenlik sisteminin CIMOS otomatik içe aktarma, SAE tarama raporu otomatik içe aktarma, ters reaksiyon çıkarma, rapor çevirisi vb. Gibi iş verimliliğini büyük ölçüde artıran işlevlere sahip olmasını sağlar.
Tıbbi AI ürün satış hattı analizi
Toplam 82 ürün içeren ürün uygulamalarının ilerlemesine odaklanarak 7 ana segmentte 62 şirkette anket yaptık. Bunlar arasında yardımcı tanı ve önleyici tarama ürünlerinin sayısı sırasıyla en büyük 31 ve 13'tür.
Geçen yılın "2018 Tıbbi Yapay Zeka Raporu: Sıçrama ve Başlama" raporunu karşılaştırdığımızda, aşağıdaki yeni değişiklikleri bulabiliriz: Kooperatif hastanelerin sayısı genellikle geçen yıl düzinelerce iken yüzlere yükseldi; görüntülü yapay zeka Kızıldeniz pazarından yavaş yavaş ilaç araştırma ve geliştirmeye doğru genişledi. , Rehabilitasyon yönetimi, klinik iş akışı yönetimi ve diğer mavi okyanus pazarları; 2018'de görüntüleme yapay zekası temel olarak göğüs, akciğer ve oftalmoloji gibi hastalıklara odaklanacak. 2019'da kardiyo-serebrovasküler alana odaklanacak.
Tıbbi AI ürünlerinin uygulama ilerlemesinden alıntılar (Ekim 2019 itibarıyla)
Çin tıbbi yapay zeka şirketlerinin yatırım ve finansman analizi
İstatistikleri kolaylaştırmak için, yatırım ve finansman verilerini işlerken aşağıdaki ilkeleri izliyoruz: istatistiklerin kapsamı tıbbi AI endüstrisindeki 180'den fazla büyük şirketi kapsamaktadır; bu raporda yer alan finansman olayları, yalnızca meleklerin dönüşünden halka arz öncesi risk sermayesi olaylarını içermektedir. Halka arzlar, özel yerleşimler, bağışlar ve birleşmeler ve satın almalar vb. Dahil; melek turu ile A turu arasındaki turları bir melek turunda birleştirin, A olan tüm turlar A turunda birleştirilir ve B ile tüm turlar B turunda birleştirilir, C olan tüm raundlar C turunda birleştirilir ve D ve üzeri IPO mermileri D turu ve üzeri olarak birleştirilir.
Bu raporun çizelgesindeki tutar için ölçü birimi RMB'dir ve yabancı para birimi RMB'ye dönüştürülür (olayın meydana geldiği yılın ortalama döviz kuru esas alınarak); finansman tutarı 1 milyon / 10 milyon / 100 milyon olarak belirlenmiştir. 100 milyon; Açıklanmayan turlar ve açıklanmayan finansman olayları aşağıdaki grafikte sayılmaz; son veri tarihi 31 Ekim 2019'dur.
Yatırım kuruluşlarının 2018-2019 faaliyeti
Finansman turları açısından bakıldığında, 2019'daki yatırım ve finansman esas olarak A turunda yoğunlaştı (25 kat,% 60'ı oluşturan) ve tek bir şirketin ortalama finansman miktarı 20 milyon yuan idi. Bu şirketlerin çoğu 2017-2018'de kuruldu (Longwood Valley Medical gibi, Smart, Nuodao Medicine, vb.). Sadece 6 turluk D turu ve üzeri finansman olmasına rağmen, toplam miktar 2,46 milyar yuan'a (% 58) ulaştı.
Bireysel kurumsal finansman açısından, Taimei Medical Technology, 2019'da toplam 1,5 milyar finansman ile birinci sırada yer alırken, onu Specie Networks ve Senyi Intelligent izledi. 2018'de yapay zeka görüntülemeye odaklanmadan farklı olarak, bu yıl finansmanı sağlayan ilk 10 şirket çoğunlukla yapay zeka ilaç araştırma ve geliştirme ve tıbbi büyük veri platformları alanlarında dağıtılıyor.
2019'da finansmanı tamamlayan bazı tıbbi AI şirketleri (Kasım 2019 itibarıyla)
Finansman açısından bakıldığında, yukarıda belirtilen şirketler tarafından toplanan fonlar hala ağırlıklı olarak ürün araştırma ve geliştirme için kullanılmaktadır, ürün hatlarını sürekli zenginleştirmek ve ürün engellerini arttırmak.Örneğin, Shukun Technology 200 milyon yuan finansman elde ettikten sonra, tümörler ve sinir sistemi gibi diğer hastalıklara da yayılacaktır. Kalp, beyin, akciğer, meme, prostat gibi önemli hastalıkları ve klinik senaryoları kapsar.
İkinci olarak, bazı şirketler fonları diğer alanlarda genişletmek için kullanıyorlar: Örneğin Taimei Medical, 1.5 milyar yuan E + finansman turunu tamamladıktan sonra yeni ilaç pazarlama pazarını genişletecek. Son olarak, fonların bir kısmı ürün pazarlaması için kullanılacak.
Sonuna yaz
Yapay zeka, doktorlar için gerekli bir sağ kolu olacak. Akademi, endüstri ve doktorlar arasında kademeli olarak bir fikir birliğine varıldı. Bu yıl, yapay zeka ile doktorlar rekabet etmeyecek. Sektör, standart belirleme ve doktorların iş akışına gerçek entegrasyon aşamasına girdi. İyi ve sürdürülebilir bir iş sistemi kurmak, sektörün ilerlemesinin itici gücüdür.Yapay zeka start-uplarının isimlerini hastanenin tedarik listesinde görmeye başlıyoruz ve değeri gerçek bir bedelle kabul ediliyor.
