McKinsey: Potansiyel çok büyük ve pek çok engel var Yapay zeka tıbbı mavi bir okyanus mu yoksa sanal bir ateş mi?
Editörün notu: Birkaç gün önce, McKinsey Global Institute, esas olarak perakende, üretim, enerji ve tıp alanlarında mevcut sıcak yapay zekanın gerçek uygulama ve geliştirme beklentilerini analiz eden "Yapay Zeka: Sonraki Dijital Sınır" raporunu yayınladı. Beş ana eğitim alanı. Leifeng.com, tıp endüstrisinin bir bölümünü sizin için derleyecek ve yorumlayacaktır.
Sağlık, yapay zeka için gelecek vaat eden bir pazardır. Muhakeme yeteneği ve çok sayıda tıbbi kayıtta, tıbbi görüntülerde ve salgın istatistiklerinde örüntü tanıma yapabilme yeteneği büyük potansiyele sahiptir. Yapay zeka, doktorların teşhislerini iyileştirmelerine, bulaşıcı hastalıkları tahmin etmelerine ve tıbbi planları özelleştirmelerine yardımcı olabilir. Yapay zeka ve dijital sağlık hizmetlerinin birleşimi, sağlayıcıların hastaları uzaktan izlemesine veya teşhis etmesine olanak tanırken, aynı zamanda tıbbi bütçenin büyük bir bölümünü kaplayan kronik hastalıkları tedavi etme yolunu değiştirebiliyor.
AI, daha iyi tedavi planlarını hızla teşhis edebilir ve geliştirebilir
Tıbbi teşhis alanında yapay zekanın iki ana yönü vardır: Biri hastalıkları tıbbi kayıtlara ve semptomlara göre teşhis eden doğal dil işleme, diğeri ise tıbbi görüntülerin tanımlanması yoluyla hastalıkları teşhis eden bilgisayar görüşüne dayanmaktadır.
Akciğer kanseri tanımayı örnek alırsak, AI akciğer kanserini iki şekilde teşhis edebilir: Biri IBM'den Watson tarafından temsil edilen doğal dil işlemeye dayanır. Watson, onkoloji alanında 200 ders kitabı ve 290 çeşit tıp öğrenmiştir. Dergiler ve 15 milyondan fazla belgenin ardından klinik olarak kullanılmaya başlanan Watson, artık doktorlara akciğer kanseri, meme kanseri, rektum kanseri, kolon kanseri, mide kanseri ve rahim ağzı kanseri alanlarında teşhis önerileri sunabiliyor.
Diğeri ise bilgisayarla görmeye dayalı bir teşhis yöntemidir. Temsilci şirket Çin'deki Airdoc'dur. Akciğer kanserinin erken evresinde klinik belirti olmadığından, belirtiler varsa orta ve geç aşamalarda olacaktır. Şu anda akciğer kanseri hastalarının yaklaşık% 75'i tanı anında ileri aşamadadır ve akciğer nodülleri Etkili teşhis ve zamanında tedavi şarttır.
Bununla birlikte, yapay zekanın hastalıkları teşhis etmek için geniş çaplı kullanımı çok hızlı gerçekleşmeyebilir. Makine öğrenimi tanı için verileri kullanabilse de, kısmen hastanın teşhisi alıp almayacağından ve kısmen de birden fazla kaynaktan gelen verilerin entegrasyonu ve katı yasal gerekliliklere uyum nedeniyle tam otomatik bir teşhisin yakında gerçekleştirilmesi olası değildir. Oldukça teknik zorluk.
Aynı zamanda, tıp endüstrisi bu potansiyeli fark etmeden önce, sağlık hizmeti sağlayıcıları iş modellerinde büyük değişiklikler yapmalı, bilgi işlem gücüne ve teknik uzmanlığa büyük yatırım yapmalı ve enerji kullanılabilirliğini artırmak için çabalamalı ve böylece Dahil edilen verilerin işlenmesi ve kullanılması. (2015 yılında IBM tarafından satın alınan Explorys gibi uzman veri aracıları, kapsamlı sağlık hizmeti verilerini sağlamış ve bunları potansiyel yapay zeka çözümü sağlayıcılarına ve kullanıcılarına satmıştır.)
Bu değişiklikleri yapmak kolay değil, ancak başarılı olduktan sonra ödüller oldukça büyük: Rapor, medikal endüstri yöneticileri yapay zeka kullanımına ilişkin vaka çalışmalarını incelediklerinde, daha önce yapay zeka teknolojisini benimseyen şirketlerin yöneticilerinin beklediklerini söylediğini gösteriyor. Önümüzdeki üç yıl içinde, bu teknolojiler kar marjlarını yüzde 5 puan artıracak. Dünya Sağlık Örgütü (Dünya Sağlık Örgütü) verilerine göre yapay zeka, tıbbi bakımı iyileştirirken maliyetleri de düşürebilir. Bu hiçbir şekilde önemsiz bir konu değildir - 2014 yılında küresel sağlık harcamaları GSYİH'nın% 9,9'una ulaştı (Fransa'da yüzde 11,5 ve Amerika Birleşik Devletleri'nde% 17,1).
AI, halk sağlığı tehditlerini ve en çok tehdit altındaki nüfusu belirleyebilir
Yapay zeka teknolojisinin penetrasyon oranı çok düşük. En gelişmiş uygulama alanı, makine öğrenimi algoritmalarıyla desteklenen ödeme ve hasar yönetimidir. Bazı klinisyenler, belirli hastalıkların yayılmasını tahmin etmek için yapay zeka kullanır ve hangi hastaların hasta olma olasılığının en yüksek olduğunu tahmin etmeye çalışır. Bu bilgilere dayanarak önleyici tedavi sağlarlar. Ayrıca bu tahminleri hastane yöneticilerinin personeli ayarlamasına, sigorta şirketleriyle geri ödeme oranlarını müzakere etmesine, bütçeleri belirlemesine ve envanter seviyelerini optimize etmesine yardımcı olmak için kullanırlar.
Maliyetleri daha iyi yönetmek için tıbbi ve sosyal verileri kullanma fikri, sağlık sektöründeki tıbbi öngörüleri bazı en iyi teknoloji, ilaç ve tıp şirketleri ve küçük girişimciler için çekici hale getirdi. Johnson ve Johnson, müşteri talebini, envanter seviyelerini ve ürün karışımını tahmin etmek için makine öğrenimini kullanmak üzere SAP ile çalıştı. Tahmine dayalı bir analitik platformu olan Careskore, hastaların hastaneye yeniden yatma olasılığını belirlemek için makine öğrenimini kullanıyor.
Yapay zeka araçları, gelecekte sağlık hizmetlerinden koruyucu hekimliğe geçişi büyük ölçüde hızlandıracak. Tıp uzmanları, hastaneye girmek zorunda kalmamak için hastaların sağlığını uzaktan yönetmeye odaklanacaklar. Bunu yapabilmek için yapay zeka araçları yalnızca hastanın tıbbi geçmişini analiz etmekle kalmayacak, aynı zamanda kirlilik ve yaşamdan ve işten kaynaklanan gürültü gibi sağlığı etkileyen çevresel faktörleri de analiz edecek. Bu şekilde, risk grupları belirlenebilir ve yerel yönetim önleyici tıbbi planların nerede uygulanacağı konusunda bilgilendirilebilir.
Makine öğrenimi, belirli bir nüfus düzeyine göre sağlık risklerini tahmin etmek için milyonlarca tıbbi kaydı analiz etmek için uygundur. Bu, yapay zeka için erken bir zafer olabilir, çünkü büyük tasarruf potansiyeli getiriyor ve kişisel sağlık risklerini tahmin ederken düzenleyici inceleme gerektirmiyor.
Tıbbi sağlayıcılar, hastaların tıbbi hizmetler ve yaşam tarzı ve beslenme, egzersiz ve kirlilikten kaçınma gibi çevresel faktörler dahil olmak üzere önleyici faaliyetlere katılmalarına izin verecek bilgiler alacaklar. Hastane yöneticileri, kayıtlardaki artış gibi yoğun dönemleri daha iyi tahmin edeceklerdir. Yapay zeka araçları, kişisel tıbbi kayıtları, hava durumu verilerini ve diğer bilgileri birleştirerek bulaşıcı hastalıkların görülme sıklığını izler ve kaç kişinin hastaneye kaldırılması gerektiğini tahmin etmeye yardımcı olur. Başka bir örnek olarak, yapay zeka uygulamaları, doğumdaki artışı tahmin etmek için tıbbi ve demografik verileri kullanabilir.Bir doğum kliniğinin ek personele ihtiyacı varsa, sağlık yöneticilerini uyaracaktır.
Rapor, AI önlemlerinin benimsenmesinden sonra, Birleşik Devletler'deki tüm tıbbi hizmetlerin potansiyel maliyet tasarrufunun, GSYİH'nın yaklaşık% 0,7'sini oluşturan 300 milyar ABD doları olacağını tahmin ediyor. Birleşik Krallık'ta, önleyici sağlık hizmetlerini hedeflemek için yapay zekanın kullanılması, her yıl hastane maliyetlerinde 3,3 milyar sterlin tasarruf sağlayabilir.
Yapay zeka, tıp uzmanlarının hastalıkları teşhis etmesine, makine öğrenimini çalıştırma becerilerini geliştirmesine ve teşhis doğruluğunu iyileştirmesine yardımcı olabilir. Sloan Kettering Enstitüsü, doktorların kanser hastalarını teşhis ederken ve tedaviyi reçete ederken deneysel bilginin yalnızca% 20'sini kullandıklarını tahmin ediyor. Yapay zeka uygulamaları, milyonlarca sayfalık tıbbi kanıtı eleyebilir ve saniyeler içinde teşhis ve tedavi planları sağlayabilir.
Yapay zeka tabanlı görüntü tanıma ve makine öğrenimi, MRI ve X-ışını görüntülerinde insan gözünden daha ayrıntılı bilgiler görebilir. Örneğin, farklı glioblastoma türleri bariz genetik anormalliklere sahiptir ve doktorlar bunları bu anormalliklere göre tedavi eder. Ancak radyologlar, bu beyin kanserlerindeki genetik anormallikleri yalnızca görüntülere dayanarak belirleyemezler. Mayo Clinic, anormallikleri hızlı ve güvenilir bir şekilde tanımlayabilen bir makine öğrenimi programına sahiptir.
Yapay zekanın otomasyonu, doktorların ve hemşirelerin günlük faaliyetlerini azaltarak sağlık hizmetlerinin üretkenliğini artırma potansiyeline sahiptir. Bir gün, derin öğrenme algoritmalarıyla donatılmış sohbet robotları, boğaz ağrısı ve idrar yolu enfeksiyonları gibi çok sayıda acil olmayan hasta ile karşılaşan acil servis odasını hafifletebilir.
Yapay zekayı etkinleştirmek, operasyonel verimlilikte büyük tasarruf anlamına gelir.
Ankete göre, büyük yapay zeka potansiyeline rağmen, sağlık hizmetleri yapay zeka teknolojisini uygulamada diğer endüstrilerin gerisinde kalıyor. Yapay zeka kullanımı ağırlıklı olarak operasyonlar ve müşteri hizmetlerinde yoğunlaşmıştır; en yaygın kullanılan teknolojiler konuşma tanıma ve bilgisayarla görmedir.Anket örneğimizde, ikisinin sağlık hizmetleri şirketindeki payları sırasıyla% 9 ve% 7'dir. Yapay zekanın organizasyonuna dikkat edin. Çoğu hastanede, randevuların planlanması gibi operasyonel yönetim işlevleri hala manuel olarak gerçekleştirilmektedir.
Bir departmanın dijital teknolojileri benimseme konusunda yavaş ilerleme kaydetmesi durumunda, yapay zeka kullanımına yönelik aynı eğilime sahip olduğunu gördük. "Digital America" raporu, ülkedeki hastanelerin yaklaşık dörtte birinin ve doktorların% 40'ından fazlasının henüz elektronik sağlık kayıt sistemlerini benimsemediğini ortaya koydu. Elektronik kayıt sistemlerine sahip olanlar bile verileri hastalarla veya diğer sağlayıcılarla sorunsuz bir şekilde paylaşmazlar; tekrarlanan testler gereksizdir ve hastaların tıbbi geçmişlerini tekrar tekrar anlatmaları gerekir çünkü bu sistemler ortak bir şekilde çalışamaz. Bir başka MGI raporu, The Age of Analysis, ABD sağlık sektörünün gelişmiş analitik ve makine öğrenimini kullanmak için fırsatların yalnızca% 10 ila% 20'sini kullandığını buldu.
Yavaş ilerleme, tıbbi personel ve idari personelin AI'ya ilgisizliğinden kaynaklanmıyor. İnsanlar ilgilenir, ancak tıp bazı benzersiz ve zor engellerle karşı karşıyadır. Tıbbi kayıtların hassasiyeti ve sıkı gizlilik koruma düzenlemeleri, derin öğrenme uygulamaları ve diğer yapay zeka araçlarının gerektirdiği yüksek kaliteli toplu verilerin toplanmasını engeller. Ek olarak, verilerin ve endüstrinin karmaşıklığı, sağlık hizmetleri endüstrisinin parçalanması ve diğer düzenleyici engeller de bu süreci yavaşlatıyor.
Yapay zekanın gelişmiş ülkelerde kullanılması operasyonel verimlilikte büyük tasarruf anlamına geliyor. Amerika Birleşik Devletleri tahminleri GSYİH'nın% 1 ila% 2'sini oluşturuyor. Diğer yüksek gelirli ülkelerde, tasarrufların GSYİH'nın% 0,5 ila% 1'i arasında olduğu tahmin edilmektedir. Tam yapay zeka, hemşirelerin iş başındaki üretkenliğini% 40 ila% 50 artırabilir. McKinseyin çalışması, bunun hastaneleri işgücü maliyetlerinin yarısını azaltırken aynı zamanda hasta bekleme süresini önemli ölçüde azalttığını buldu.
Hastaneler, birçok ortak iş görevini optimize etmek için yapay zeka çözümlerini kullanarak kapasite kullanımlarını da artırabilirler. Sanal ajanlar, rutin hasta etkileşimlerini otomatikleştirebilir. Müşteri hizmetlerinde, randevuların planlanması ve kabul için zamanın kaydedilmesi gibi hastaların günlük görevlerini yerine getirme maliyetini azaltan ses tanıma yazılımı kullanılmıştır. Doğal dil işleme, dergi makalelerini ve diğer belgeleri analiz edebilir ve içeriklerini düzenleyebilir, böylece doktorlar bunlara hızla başvurabilir. Bu tür uygulamalar, düzenleme incelemesine ihtiyaç duymadan önemli bir etkiye sahip olabilir.
Sigorta şirketleri, koruyucu bakımı teşvik etmek ve sağlayıcıları motive etmek için yeni yöntemler geliştirebilir
Makine öğrenimi teknolojisi, hasta davranışını tahmin edebilir ve hastalık olasılığını hesaplayabilir, bu da yaşam olasılığını mevcut yöntemlere ve sağlık sigortası sağlayıcılarına göre daha fazla artırabilir.
Yeni iş modelleri, yapay zekayı davranışsal sağlık müdahaleleri ile birleştirebilir, önleme, hastalık yönetimi ve hasta olmadan önce insanların kötü sağlığıyla ilgilenmeye odaklanabilir. "Discovery Health" adlı Güney Afrika sigorta şirketi, sigortalıların diyet ve fitness aktivitelerini takip ediyor ve sağlıklı davranışları için teşvik sağlıyor.
Yapay zeka ayrıca ödeme yapanlar, tedarikçiler ve ilaç şirketleri arasında yeni ortaklıklar kurulmasını teşvik edecek ve koruyucu hekimliğe geçişi hızlandırmak için performansa dayalı bir ücretlendirme modelini teşvik edecek. Ödeyenler, bakım yönetimine daha fazla dahil olabilir veya riskleri veya yapay zeka tabanlı risk yönetimi modellerini belirlemek için makine öğrenimine dayalı sözleşme modelleri sunarak sağlayıcılarını bunu yapmaya teşvik edebilir.
Daha fazla sigorta şirketi, geçmiş tıbbi kayıt verilerini analiz etmek için makine öğrenimini kullandıkça, içeriğe dayalı ödeme planları önemli ölçüde genişletilecek ve bu, kuruluştaki tüm sağlayıcıların ortalama tedavi maliyetlerine göre doktorlara ve hastanelere ödeme yapacak. McKinseyin müşteri deneyimine göre, bu yöntemin maliyetler üzerinde önemli bir etkiye sahip olacağına, plastik cerrahların maliyetini% 8 ila% 12, doktor teşhis ücretlerini% 4 ila% 5 azaltacağına inanıyoruz.
Doktorlar, bireysel hastalar için, hatta ilaçlar için tedavi planlarını özelleştirebilecekler.
Sağlık alanında yapay zekanın yükselişinden hastalar da doğrudan yararlanabiliyor.
Her hastanın geçmişinin ve genetik yapısının karmaşıklığı göz önünde bulundurulduğunda, standartlaştırılmış tedavi yöntemleri her hasta için işe yaramayacağından, araştırmacılar tedavi planlarını kişiselleştirmek için gelişmiş analiz yöntemlerini kullanıyor. Kararlar veri analizine ve uzak teşhis ekipmanından hasta izlemeye dayalı olabilir. "Turbine" adlı bir start-up şirketi, kişiselleştirilmiş kanser tedavi planları tasarlamak için yapay zeka kullanıyor. Teknoloji, hücre biyolojisini moleküler düzeyde modeller ve belirli tümörler için en iyi ilaçları belirlemeye çalışır. Ayrıca, her gün milyonlarca simülasyon deneyi yürüterek karmaşık biyobelirteçleri tanımlayabilir ve kombinasyon terapileri arayabilir.
Yapay zekanın dar sorunları çözmek için muazzam miktarda veri kullanma yeteneği, özelleştirilmiş tıbbın savunucuları arasında yankılanıyor. Minimum yan etkilerle maksimum fayda sağlamak için tasarlanmış benzersiz bir ilaç, fizyoterapi ve tedavi sunmaya söz veriyorlar, bu nedenle benzer semptomları, prognozu ve yaşı olan milyonlarca başka insanın sağlık sonuçlarının bilinmesi onlar için paha biçilemez değerdedir. . Bazı şirketler, hastaları tek tek tedavi etmek için halihazırda makine öğrenimi veya diğer yapay zeka teknolojilerini kullanıyor. Mindmaze, inme hastalarının rehabilitasyon faaliyetlerini optimize etmek için makine öğrenimini kullanır. Ginger.io, hastanın metabolizmasına ve diğer faktörlere göre ilaç almak için en iyi zamanı önermek için makine öğrenimini kullanır. Kişiye özel tedaviler kişi başına tıbbi harcamayı% 5 ila% 9 azaltabilirken, ortalama yaşam süresini 0,2 ila 1,3 yıl artırabilir ve üretkenliği yılda 200 $ artırabilir. Küresel olarak ekonomik etki 2 trilyon ABD Doları ile 10 trilyon ABD Doları arasında değişebilir.
Sanal ajanlar hastalar için ana iletişim noktası olabilir
Tıp alanındaki en belirgin sorun, kaliteli tıbbi kaynakların eksikliğidir. Bu sorunun küresel olduğu söylenebilir. Nüfusun artan yaşlanmasıyla birleştiğinde, doktorlara olan talebin gelecekte artması muhtemeldir.
Tıbbi uygulama, yapay zekayı hasta yönetimine dahil etmek ve işlemleri otomatikleştirmek için konuşma tanıma ve diğer dillerde yapay zeka teknolojilerini tanıtmak için bazı küçük adımlar attı. Gelecekte, ses tanıma, görüntü tanıma ve makine öğrenimi araçlarına sahip sanal asistanlar görüşmeler, teşhisler ve hatta ilaç reçetesi yazabilecekler. Bu sistemlerde sonuç çıkarmak için yeterli bilgi yoksa, sanal temsilciler ek testler sipariş edebilir ve hastalarla randevular planlayabilir.
Kırsal alanlarda, sanal temsilciler uzaktan istişare yapabilecektir. Ancak bu durum, hastaların, hizmet sağlayıcıların ve gözetmenlerin tam otomatik tanı ve reçete ile kendilerini rahat hissetmelerini gerektirir.
Daha az tartışmalı olan ise, hastanelerde sanal temsilcilerin hastaların kayıt olmalarına ve sorunlarını çözmeleri için uygun doktorlara tavsiye etmelerine yardımcı olabilmesidir. Sanal asistanlar, hastaların hastane tesislerinde gezinmesine, onları testler için hazırlamasına ve randevulara zamanında gelmelerini sağlamasına yardımcı olabilir.
Birkaç büyük engel, veri kullanılabilirliği en büyük yükü taşıyor
Yapay zekanın gelişimini ve sağlık hizmetlerinde uygulanmasını engelleyen olası en büyük darboğazlardan biri, yeterli miktarda ve standart formatta yüksek kaliteli verilerdir. Daha önce de belirtildiği gibi, bugünün bilgileri oldukça dağınık, sektöre yayılmış, her yere dağılmış, elektronik tıbbi kayıtlar, laboratuvar ve görüntüleme sistemleri, doktor kayıtları ve tıbbi sigorta talep malzemeleri gibi koordinasyonu en zor olanı. Bu bilgileri geniş kapsamlı bir veri tabanında birleştirmek zordur, ancak yapay zekanın hastalıkları ve tedavi yöntemlerini anlaması için bu gerekli bir koşuldur.
Örneğin, kültürel engeller sağlık hizmeti veri sahipleri - hastaneler, sigorta şirketleri, ilaç üreticileri - ve teşhis şirketleri arasındaki işbirliğini engeller. Tabii ki, verilerin kendisi de oldukça hassastır. İnsanlar çevrimiçi satın aldıklarında veya belirli bir kredi planına katıldıklarında, genellikle belirli kişisel verilere erişime izin verirler, ancak daha gizli tıbbi geçmişe daha derin erişim elde etme girişimlerine, özellikle de düşünmüyorlarsa, direnebilirler. Bu gereklidir ve potansiyel faydalar soyuttur. Ayrıca, özel sağlık ayrıntılarının merkezi olarak toplanmasının bilgisayar korsanları ve veri hırsızları için doğal bir hedef olacağından endişelenebilirler. Düzenleyicilerin, bu verileri kimlerin kullanabileceğini, hangi verileri kullanabileceklerini, nasıl saklanacaklarını ve nasıl anonimleştirildiklerini tanımlayan açık kurallar geliştirmeleri gerekecektir.
Teknik sınırlamalar bir başka engeldir.
İşi tamamlamak için, yapay zeka teknolojisinin hastalar ve diğer insanlar hakkında derinlemesine bir anlayışa sahip olması gerekir, ancak insanlar hala yapay zeka teknolojisinin bir tedavi planını nasıl teşhis ettiği veya seçtiği hakkında çok az şey biliyor. Kaç hastanın yapay zeka araçlarına inanacağı ve yapay zeka teşhisine inanmaya veya yapay zeka tedavi planlarını takip etmeye istekli olacağı hala bir soru. Hiç kimse bilgisayarın nasıl bir karar verdiğini veya bir durumun tekrar olmasını nasıl engelleyeceğini açıklayamazsa, süpervizör riske girmeyecek ve hastaya zarar vermek için yanlış karar vermek için acele etmeyecektir. Bu, derin sinir ağları gibi en güçlü yapay zeka araçları için bile bir sorundur ve bir süre daha böyle olmaya devam edecek. Teoride olsa da, yapay zeka araçlarının hata yapma olasılığı, bireysel klinisyenlere göre daha düşüktür.
Yapay zeka şirketleri, pazar farklılaşması sorununu çözmek zorunda kalacak. Yüzlerce satıcı, her biri belirli bir klinik durum için tasarlanmış binlerce farklı makine öğrenimi programı sunar. Ancak günlük pratikte, doktorların ihtiyacı olan şey, farklı durumların üstesinden gelebilecek bir platformdur.
Sağlık hizmeti sağlayıcıları yapay zekanın gücünü kullanmak istiyorlarsa yapacakları da var. İlk olarak, yapay zeka sistemlerini dağıtmak, sürdürmek ve işletmek için eğitilmiş kişileri işe almalı veya eğitmelidirler. Veri analistleri ve teknik personele ek olarak, buna proje yönetimi, ekip geliştirme ve problem çözme becerileri de dahildir.
Aynı zamanda, geleneksel işçilerin - doktorlar, hemşireler ve diğer tıp uzmanları - makinelerin ve yapay zeka araçlarının desteğiyle çalışmaya alışması gerekiyor. Bu onlara klinik vakalara daha fazla dikkat etme ve yönetimi ve düşük riskli çalışmaları yapay zeka ve dijital çözümlere devretme fırsatı verecek olsa da, ciddi şüphelerin üstesinden gelmeleri gerekir.
Lei Feng.com'un çıkardığı sonuç: Bir yandan yüksek kaliteli tıbbi kaynak temini, yüksek maliyetler, doktorlar için uzun eğitim döngüleri, yüksek yanlış teşhis oranları, hastalık spektrumunda hızlı değişiklikler ve hızlı teknolojik değişiklikler var; diğer yandan nüfusun yaşlanması arttıkça kronik hastalıklar artıyor. Dikkatin derecesi arttı ve tıbbi hizmetlere olan talep artmaya devam etti. Öngörülebilir beklenti, tıp alanında AI'nın tam olarak uygulanmasının önünde hala bazı engeller olmasına rağmen, Leifeng.com, yakın gelecekte tıp endüstrisinin AI'nın bir sonraki mavi okyanusu olacağına inanıyor. Bu aynı zamanda Google ve IBM gibi devlerin masrafları kendilerine ait olmak üzere harcamaya devam etmelerinin temel nedenidir. Başka bir açıdan bakıldığında daha önce oyuna girmiş dev şirketler bile medikal alandaki yapay zeka araştırmaları sadece giriş seviyesi hatta AI + medikal tedavinin umut verici olduğunu söyleyebiliriz.
