Cтартапы, применяющие ИИ в здравоохранении
Искусственный интеллект трансформирует здравоохранение: анализ медицинских изображений, взаимодействие с пациентами, удаленная медицина и точная медицина. AI автоматизирует административные процессы и упрощает документацию. Интеграция данных и машинное обучение оптимизируют операции и создают новые возможности в здравоохранении.
Здравоохранение, пожалуй, самый важный сектор в экономике США. На него тратится огромная сумма денег - почти 4 триллиона долларов в год. В этой отрасли работает больше всего людей, что составляет 11% всех рабочих мест в Америке. Почти четверть всех расходов правительства США направляется на здравоохранение.
В то же время здравоохранение - самый разрушенный сектор в экономике США. Затраты на здравоохранение вышли из-под контроля за последние десятилетия, с 355 долларов на человека в 1970 году до 11 172 долларов на человека в 2018 году. Несмотря на то что США тратят гораздо больше денег на здравоохранение на душу населения, чем любая другая страна, Соединенные Штаты занимают 38-е место в мире по продолжительности жизни, между Ливаном и Кубой. Доступ к медицинской помощи остается хуже в США, чем в любой другой развитой стране.
Искусственный интеллект предлагает беспрецедентную возможность разрешить этот гордиев узел и изменить практику здравоохранения. Из всех способов, которыми ИИ изменит нашу жизнь в ближайшие годы, его влияние на здравоохранение может быть более глубоким и обширным, чем в любой другой сфере.
Машинное обучение и здравоохранение во многих отношениях уникально подходят друг другу. В основе большей части здравоохранения лежит распознавание образов. Здоровое человеческое тело и его различные подсистемы функционируют постоянно и количественно измеримым образом. Когда человеческий организм страдает от какого-то заболевания, он отклоняется от гомеостаза способами, которые, как правило, можно предсказать с течением времени и у разных групп населения.
Констелляция данных - недавние физические симптомы, артериальное давление, генетическая структура, химический состав крови и так далее - могут быть собраны и, сопоставленные с популяционными образцами, рассказывают определенную историю о здоровье человека. Точно так же, лекарства, которые мы создаем и назначаем, состоят из четко определенных веществ, которые действуют на внутренние системы организма.
Если есть одна область, в которой машинное обучение блестяще справляется, то это идентификация образов и извлечение понимания о сложных системах на основе большого количества данных. Поэтому здравоохранение представляет идеальное поле для вызова ИИ.
В каких конкретных областях здравоохранения мы можем ожидать значительного влияния ИИ? Полезно разбить обширное поле здравоохранения на три основные категории: клиническую (оказание медицинской помощи пациентам), административную (операционные моменты, которые поддерживают работу системы здравоохранения) и фармацевтическую (исследование и разработка новых медицинских препаратов).
В каждой из этих трех областей машинное обучение уже применяется в трансформационных способах. Этот процесс будет только ускоряться в следующие годы.
В этой статье мы рассмотрим первые две из этих категорий: клиническую и административную. Третья категория, фармацевтическая, будет рассмотрена позже.
В то же время здравоохранение - самый разрушенный сектор в экономике США. Затраты на здравоохранение вышли из-под контроля за последние десятилетия, с 355 долларов на человека в 1970 году до 11 172 долларов на человека в 2018 году. Несмотря на то что США тратят гораздо больше денег на здравоохранение на душу населения, чем любая другая страна, Соединенные Штаты занимают 38-е место в мире по продолжительности жизни, между Ливаном и Кубой. Доступ к медицинской помощи остается хуже в США, чем в любой другой развитой стране.
Искусственный интеллект предлагает беспрецедентную возможность разрешить этот гордиев узел и изменить практику здравоохранения. Из всех способов, которыми ИИ изменит нашу жизнь в ближайшие годы, его влияние на здравоохранение может быть более глубоким и обширным, чем в любой другой сфере.
Машинное обучение и здравоохранение во многих отношениях уникально подходят друг другу. В основе большей части здравоохранения лежит распознавание образов. Здоровое человеческое тело и его различные подсистемы функционируют постоянно и количественно измеримым образом. Когда человеческий организм страдает от какого-то заболевания, он отклоняется от гомеостаза способами, которые, как правило, можно предсказать с течением времени и у разных групп населения.
Констелляция данных - недавние физические симптомы, артериальное давление, генетическая структура, химический состав крови и так далее - могут быть собраны и, сопоставленные с популяционными образцами, рассказывают определенную историю о здоровье человека. Точно так же, лекарства, которые мы создаем и назначаем, состоят из четко определенных веществ, которые действуют на внутренние системы организма.
Если есть одна область, в которой машинное обучение блестяще справляется, то это идентификация образов и извлечение понимания о сложных системах на основе большого количества данных. Поэтому здравоохранение представляет идеальное поле для вызова ИИ.
В каких конкретных областях здравоохранения мы можем ожидать значительного влияния ИИ? Полезно разбить обширное поле здравоохранения на три основные категории: клиническую (оказание медицинской помощи пациентам), административную (операционные моменты, которые поддерживают работу системы здравоохранения) и фармацевтическую (исследование и разработка новых медицинских препаратов).
В каждой из этих трех областей машинное обучение уже применяется в трансформационных способах. Этот процесс будет только ускоряться в следующие годы.
В этой статье мы рассмотрим первые две из этих категорий: клиническую и административную. Третья категория, фармацевтическая, будет рассмотрена позже.
Клиническая
Медицинские изображения
Использование компьютерного зрения для выявления заболеваний на медицинских изображениях стало, пожалуй, самым часто упоминаемым примером применения ИИ в здравоохранении. Легко понять почему: анализ медицинского снимка для определения наличия опухоли, кожного поражения, болезни сетчатки или другого патологического процесса - это явный пример классификации объектов, в чем глубокое обучение превосходно.
Как знаменитый гуру ИИ Джефф Хинтон заявил в 2016 году: "Люди должны прекратить обучать радиологов сейчас. Очевидно, что в течение 5 лет глубокое обучение будет работать лучше, чем радиологи."
В последние годы появилось множество стартапов, которые автоматизируют анализ медицинских изображений. Среди наиболее известных - Caption Health, PathAI, Paige и Zebra Medical Vision.
Однако, несмотря на сотни миллионов долларов венчурного капитала, привлеченного в эту область, технология еще не получила широкого распространения. Убедить здравоохранительные учреждения внедрить эти решения в масштабе оказалось непросто, особенно учитывая, что эта область напрямую угрожает позиции человеческих специалистов.
Прием пациентов и вовлечение
Еще одна область, в которой ИИ улучшит предоставление медицинской помощи, - это прием пациентов и взаимодействие с ними, важная часть медицинского пути.
Последние достижения в области обработки естественного языка сделали возможными ИИ-основанные разговорные интерфейсы, которые могут автоматизировать сбор данных о пациентах и навигацию по медицинскому уходу. Например, пациенты могут передавать симптомы и вопросы посредством текстовых сообщений и получать автоматизированное клиническое руководство в ответ. Также могут быть разработаны ИИ, которые взаимодействуют с пациентами на постоянной основе, чтобы обеспечить их вовлеченность и соблюдение режима лечения.
Использование ИИ для автоматизации этих взаимодействий может существенно снизить затраты и демократизировать доступ к медицинской помощи, предоставляя экспертное здравоохранение без необходимости дорогих консультаций у врачей.
"Чат-боты" получили много критики и неоправданных ожиданий в последние годы. Но технология обработки естественного языка сейчас развивается с захватывающей скоростью, открывая новые возможности для разговорного ИИ. Разговорные платформы наиболее эффективны, когда они специально созданы для конкретного случая (например, вовлечение пациента) и разработаны так, чтобы включать человека в разговор, когда это уместно (например, врача). Ожидается, что автоматизация асинхронного взаимодействия между провайдером и пациентом будет становиться все более распространенной в годы, которые впереди.
Гигант в этой области - Babylon Health, который привлек сумасшедшие $635 миллионов, большая часть из которых поступила от Публичного инвестиционного фонда Саудовской Аравии. Другие стартапы, разрабатывающие инструменты для автоматизации приема и взаимодействия с пациентами, включают Buoy, Gyant, Curai и Memora.
"Вся информационная революция прошла, не изменив основы того, как мы получаем и предоставляем медицинскую помощь", - сказал генеральный директор Curai Нил Хосла. "ИИ и обработка естественного языка предлагают огромные возможности для масштабирования доступности качественного первичного ухода, снижая его стоимость. Это наша цель: мир, где все 8 миллиардов людей могут получить первоклассную медицинскую помощь."
Дистанционное здравоохранение
COVID-19 значительно ускорил внедрение дистанционного здравоохранения: предоставление клинических услуг пациентам на расстоянии, а не лично, с использованием цифровых инструментов.
Хотя пандемия выступила в качестве катализатора в ближайшей перспективе, многие эксперты считают, что дистанционное здравоохранение (также называемое телемедициной) находится на пути к тому, чтобы стать постоянно важным столпом предоставления медицинской помощи. Компания McKinsey оценивает, что в ближайшие годы только в США до $250 миллиардов затрат на здравоохранение будут виртуализированы.
Сегодня телемедицина часто просто означает видеозвонок с врачом. Такие удаленные сеансы полезны, но примитивны. Дистанционное здравоохранение достигнет своего полного потенциала только тогда, когда будет подкреплено машинным обучением (и правильными сенсорами). Несколько многообещающих компаний берутся за это.
Eko создала платформу собственных сенсоров и алгоритмов машинного обучения, которые могут дистанционно контролировать важные кардиопульмональные показатели пациентов для раннего выявления проблем сердца и легких. ИИ от Eko значительно точнее обнаруживает проблемы со здоровьем сердца, чем человеческие врачи, использующие стетоскоп. Например, общие практики обнаруживают мерцание предсердий с точностью 70-80%, в то время как алгоритмы Eko делают это с точностью 99%.
"Мы можем дополнить суждение врача о диагнозах сердца и легких данными, проанализированными из десятков тысяч прошлых медицинских осмотров пациентов, за считанные секунды", - сказал генеральный директор Eko Коннор Ландграф. "Эти алгоритмы могут быть доступны в любом месте мира, обеспечивая лучшее обслуживание пациентов, независимо от их местоположения."
Похожим образом, Aluna предлагает решение, позволяющее пациентам измерять свое состояние легких из дома с помощью простого спирометра. Применяя машинное обучение к данным спирометрии, Aluna в реальном времени отслеживает астму и кистозный фиброз, определяя тревожные состояния легких.
Компании, такие как Biofourmis, Current Health и Myia, также разработали решения на основе ИИ и сенсоров, которые позволяют врачам изучать здоровье пациента на гранулярном уровне, где бы этот пациент ни находился в мире. Такие технологии все больше размывают границу между "в клинике" и повседневным мониторингом здоровья, делая здравоохранение более доступным и доступным в процессе.
Стационарное лечение
Несмотря на все перспективы телемедицины, всегда будут существовать медицинские процедуры, требующие личного присутствия. ИИ будет усиливать работу человеческих врачей в больницах различными способами.
В качестве примера Gauss Surgical использует компьютерное зрение для мониторинга кровопотери во время родов. Визуальная оценка кровопотери человеческими врачами известно по своей ненадежности, а кровотечение является ведущей предотвратимой причиной материнской смертности. В одной системе больниц AI-решение Gauss привело к четырехкратному увеличению распознавания кровотечения и 34% снижению случаев задержанного вмешательства при кровотечении.
В качестве еще одного примера, компания Medical Informatics с базой в Хьюстоне использует машинное обучение для мониторинга благополучия пациентов в больничных койках путем обработки и синтеза данных из койко-мониторов, аппаратов ИВЛ, медицинских записей пациентов и различных других источников данных.
Даже если ИИ-решения, подобные этим, никогда не заменят человеческое медицинское решение и будут служить только дополнительными инструментами, они могут значительно улучшить результаты лечения и спасти жизни.
Медицина точного попадания
В некотором смысле медицина точного попадания представляет собой вершину обещаний ИИ по улучшению человеческого здоровья. Видение медицины точного попадания более амбициозно, технические задачи более сложны, а потенциальное влияние может быть больше, чем, возможно, в любом другом обсуждаемом здесь применении.
В двух словах, область медицины точного попадания стремится создать лечение, индивидуализированное для каждого пациента на основе его или ее особенного генетического, окружающего и поведенческого контекста.
Медицина точного попадания не новая концепция, но приход «больших данных» (особенно генетических данных) и современного машинного обучения приблизили ее полное воплощение. Благодаря распространению сенсоров, устройств, подключенных к интернету, электронных медицинских записей, массовому секвенированию генов, облачным вычислениям и другим цифровым технологиям, каждый день собираются огромные объемы высокодетализированных данных о здоровье. В этом году будет сгенерировано несколько трлн гигабайт технических данных, цифра, которую было бы невозможно представить всего несколько лет назад.
Идея медицины точного попадания заключается в том, что если вычислительная система знает ваш геном, ваш метаболический профиль, состав вашего микробиома, какие продукты вы употребляете, как часто занимаетесь спортом, сколько спите, и тысячи других данных о вас; и она также понимает конкретный путь болезни в вашем организме до молекулярного уровня; то она может синтезировать всю эту информацию и создать фармацевтическое и/или поведенческое лечение, специально настроенное для оптимизации ответа вашего организма.
Ни один человек не смог бы выполнить такой героический анализ данных и распознавание латентных паттернов. Впервые ИИ делает это возможным - по крайней мере, в теории.
Самая известная компания, преследующая эту высокую цель медицины точного попадания на основе ИИ, - Tempus. Tempus привлекла огромные $620 миллионов от инвесторов, включая NEA и T. Rowe Price. Компания сосредоточена на лечении рака, хотя недавно она также направила ресурсы на борьбу с COVID-19.
Другие хорошо финансируемые компании в этой категории включают Syapse и GNS Healthcare.
Медицина точного попадания десятилетиями стоит как завлекательная, но неосуществленная возможность. Время покажет, является ли ИИ ключом, который может разблокировать ее огромный потенциал.
Использование компьютерного зрения для выявления заболеваний на медицинских изображениях стало, пожалуй, самым часто упоминаемым примером применения ИИ в здравоохранении. Легко понять почему: анализ медицинского снимка для определения наличия опухоли, кожного поражения, болезни сетчатки или другого патологического процесса - это явный пример классификации объектов, в чем глубокое обучение превосходно.
Как знаменитый гуру ИИ Джефф Хинтон заявил в 2016 году: "Люди должны прекратить обучать радиологов сейчас. Очевидно, что в течение 5 лет глубокое обучение будет работать лучше, чем радиологи."
В последние годы появилось множество стартапов, которые автоматизируют анализ медицинских изображений. Среди наиболее известных - Caption Health, PathAI, Paige и Zebra Medical Vision.
Однако, несмотря на сотни миллионов долларов венчурного капитала, привлеченного в эту область, технология еще не получила широкого распространения. Убедить здравоохранительные учреждения внедрить эти решения в масштабе оказалось непросто, особенно учитывая, что эта область напрямую угрожает позиции человеческих специалистов.
Прием пациентов и вовлечение
Еще одна область, в которой ИИ улучшит предоставление медицинской помощи, - это прием пациентов и взаимодействие с ними, важная часть медицинского пути.
Последние достижения в области обработки естественного языка сделали возможными ИИ-основанные разговорные интерфейсы, которые могут автоматизировать сбор данных о пациентах и навигацию по медицинскому уходу. Например, пациенты могут передавать симптомы и вопросы посредством текстовых сообщений и получать автоматизированное клиническое руководство в ответ. Также могут быть разработаны ИИ, которые взаимодействуют с пациентами на постоянной основе, чтобы обеспечить их вовлеченность и соблюдение режима лечения.
Использование ИИ для автоматизации этих взаимодействий может существенно снизить затраты и демократизировать доступ к медицинской помощи, предоставляя экспертное здравоохранение без необходимости дорогих консультаций у врачей.
"Чат-боты" получили много критики и неоправданных ожиданий в последние годы. Но технология обработки естественного языка сейчас развивается с захватывающей скоростью, открывая новые возможности для разговорного ИИ. Разговорные платформы наиболее эффективны, когда они специально созданы для конкретного случая (например, вовлечение пациента) и разработаны так, чтобы включать человека в разговор, когда это уместно (например, врача). Ожидается, что автоматизация асинхронного взаимодействия между провайдером и пациентом будет становиться все более распространенной в годы, которые впереди.
Гигант в этой области - Babylon Health, который привлек сумасшедшие $635 миллионов, большая часть из которых поступила от Публичного инвестиционного фонда Саудовской Аравии. Другие стартапы, разрабатывающие инструменты для автоматизации приема и взаимодействия с пациентами, включают Buoy, Gyant, Curai и Memora.
"Вся информационная революция прошла, не изменив основы того, как мы получаем и предоставляем медицинскую помощь", - сказал генеральный директор Curai Нил Хосла. "ИИ и обработка естественного языка предлагают огромные возможности для масштабирования доступности качественного первичного ухода, снижая его стоимость. Это наша цель: мир, где все 8 миллиардов людей могут получить первоклассную медицинскую помощь."
Дистанционное здравоохранение
COVID-19 значительно ускорил внедрение дистанционного здравоохранения: предоставление клинических услуг пациентам на расстоянии, а не лично, с использованием цифровых инструментов.
Хотя пандемия выступила в качестве катализатора в ближайшей перспективе, многие эксперты считают, что дистанционное здравоохранение (также называемое телемедициной) находится на пути к тому, чтобы стать постоянно важным столпом предоставления медицинской помощи. Компания McKinsey оценивает, что в ближайшие годы только в США до $250 миллиардов затрат на здравоохранение будут виртуализированы.
Сегодня телемедицина часто просто означает видеозвонок с врачом. Такие удаленные сеансы полезны, но примитивны. Дистанционное здравоохранение достигнет своего полного потенциала только тогда, когда будет подкреплено машинным обучением (и правильными сенсорами). Несколько многообещающих компаний берутся за это.
Eko создала платформу собственных сенсоров и алгоритмов машинного обучения, которые могут дистанционно контролировать важные кардиопульмональные показатели пациентов для раннего выявления проблем сердца и легких. ИИ от Eko значительно точнее обнаруживает проблемы со здоровьем сердца, чем человеческие врачи, использующие стетоскоп. Например, общие практики обнаруживают мерцание предсердий с точностью 70-80%, в то время как алгоритмы Eko делают это с точностью 99%.
"Мы можем дополнить суждение врача о диагнозах сердца и легких данными, проанализированными из десятков тысяч прошлых медицинских осмотров пациентов, за считанные секунды", - сказал генеральный директор Eko Коннор Ландграф. "Эти алгоритмы могут быть доступны в любом месте мира, обеспечивая лучшее обслуживание пациентов, независимо от их местоположения."
Похожим образом, Aluna предлагает решение, позволяющее пациентам измерять свое состояние легких из дома с помощью простого спирометра. Применяя машинное обучение к данным спирометрии, Aluna в реальном времени отслеживает астму и кистозный фиброз, определяя тревожные состояния легких.
Компании, такие как Biofourmis, Current Health и Myia, также разработали решения на основе ИИ и сенсоров, которые позволяют врачам изучать здоровье пациента на гранулярном уровне, где бы этот пациент ни находился в мире. Такие технологии все больше размывают границу между "в клинике" и повседневным мониторингом здоровья, делая здравоохранение более доступным и доступным в процессе.
Стационарное лечение
Несмотря на все перспективы телемедицины, всегда будут существовать медицинские процедуры, требующие личного присутствия. ИИ будет усиливать работу человеческих врачей в больницах различными способами.
В качестве примера Gauss Surgical использует компьютерное зрение для мониторинга кровопотери во время родов. Визуальная оценка кровопотери человеческими врачами известно по своей ненадежности, а кровотечение является ведущей предотвратимой причиной материнской смертности. В одной системе больниц AI-решение Gauss привело к четырехкратному увеличению распознавания кровотечения и 34% снижению случаев задержанного вмешательства при кровотечении.
В качестве еще одного примера, компания Medical Informatics с базой в Хьюстоне использует машинное обучение для мониторинга благополучия пациентов в больничных койках путем обработки и синтеза данных из койко-мониторов, аппаратов ИВЛ, медицинских записей пациентов и различных других источников данных.
Даже если ИИ-решения, подобные этим, никогда не заменят человеческое медицинское решение и будут служить только дополнительными инструментами, они могут значительно улучшить результаты лечения и спасти жизни.
Медицина точного попадания
В некотором смысле медицина точного попадания представляет собой вершину обещаний ИИ по улучшению человеческого здоровья. Видение медицины точного попадания более амбициозно, технические задачи более сложны, а потенциальное влияние может быть больше, чем, возможно, в любом другом обсуждаемом здесь применении.
В двух словах, область медицины точного попадания стремится создать лечение, индивидуализированное для каждого пациента на основе его или ее особенного генетического, окружающего и поведенческого контекста.
Медицина точного попадания не новая концепция, но приход «больших данных» (особенно генетических данных) и современного машинного обучения приблизили ее полное воплощение. Благодаря распространению сенсоров, устройств, подключенных к интернету, электронных медицинских записей, массовому секвенированию генов, облачным вычислениям и другим цифровым технологиям, каждый день собираются огромные объемы высокодетализированных данных о здоровье. В этом году будет сгенерировано несколько трлн гигабайт технических данных, цифра, которую было бы невозможно представить всего несколько лет назад.
Идея медицины точного попадания заключается в том, что если вычислительная система знает ваш геном, ваш метаболический профиль, состав вашего микробиома, какие продукты вы употребляете, как часто занимаетесь спортом, сколько спите, и тысячи других данных о вас; и она также понимает конкретный путь болезни в вашем организме до молекулярного уровня; то она может синтезировать всю эту информацию и создать фармацевтическое и/или поведенческое лечение, специально настроенное для оптимизации ответа вашего организма.
Ни один человек не смог бы выполнить такой героический анализ данных и распознавание латентных паттернов. Впервые ИИ делает это возможным - по крайней мере, в теории.
Самая известная компания, преследующая эту высокую цель медицины точного попадания на основе ИИ, - Tempus. Tempus привлекла огромные $620 миллионов от инвесторов, включая NEA и T. Rowe Price. Компания сосредоточена на лечении рака, хотя недавно она также направила ресурсы на борьбу с COVID-19.
Другие хорошо финансируемые компании в этой категории включают Syapse и GNS Healthcare.
Медицина точного попадания десятилетиями стоит как завлекательная, но неосуществленная возможность. Время покажет, является ли ИИ ключом, который может разблокировать ее огромный потенциал.
Административная
По сравнению с клиническими или научными применениями, использование ИИ в административной сфере здравоохранения может показаться не очень привлекательным. Но здесь существует огромная возможность для создания ценности.
Как любой, кто имел дело с системой здравоохранения, знает, она страдает от излишеств и неэффективности. Только в США ежегодно на администрирование и выставление счетов в здравоохранении тратится более 600 миллиардов долларов. В годы, которые впереди, много миллиардов долларов ценности будет создано путем рационализации и оптимизации операций в здравоохранении. Здесь ИИ может сыграть ключевую роль.
Операции поставщика
Каждый раз, когда пациент взаимодействует с медицинским учреждением, в фоновом режиме проходит десятки вспомогательных процессов: регистрация пациента, определение выгод и проверка их, обработка заявок на возмещение расходов, выставление счетов, заказы на рецепты, управление цепочкой поставок и многое другое. Способ, которым эта работа выполняется сегодня, является ручным и подвержен ошибкам.
Ряд многообещающих компаний применяет машинное обучение для автоматизации многих из этих монотонных задач. Одной из наиболее громких является Olive, которая привлекла $125 миллионов от инвесторов, включая General Catalyst и Khosla Ventures. Notable Health - новый конкурент с аналогичной миссией. Используя программные боты и компьютерное зрение, решения этих компаний можно представить как роботизированную автоматизацию процессов (RPA), разработанную специально для использования в здравоохранении.
Одна из административных функций, которая особенно сложна и важна для медицинских учреждений, - управление циклом доходов (RCM). RCM относится к набору процессов, которые поставщики используют для отслеживания и сбора платежей за оказанные услуги пациентам.
Из-за структуры сторонних плательщиков в США и лабиринтной системы возмещения расходов потоки денег в системе здравоохранения сложны. В процессе вовлечены многочисленные заинтересованные стороны: поставщики, пациенты, частные страховщики, государственные агентства, работодатели. Ошибки в административной работе и дорогостоящие задержки встречаются повсеместно. Только в США в 2017 году на RCM было потрачено примерно $21,3 миллиарда.
Здесь огромная возможность для ИИ систематизировать и автоматизировать управление циклом доходов, делая его быстрее, дешевле и точнее. Одним из перспективных стартапов, сосредоточенных на RCM, является Alpha Health.
Еще одна крупная административная проблема для поставщиков - это пациентские потоки в больнице и распределение ресурсов. Больницы - это сложные системы, в которых пациенты и врачи постоянно перемещаются по их отделениям динамическим образом. Узкие маржи больниц зависят от эффективной организации этих потоков. Однако на данный момент они драматически недооценены. До 25% дней пребывания пациентов в отделении интенсивной терапии излишни; оценивается, что до 15% общего занятости больницы тратится из-за неэффективного управления потоком.
Это именно тот тип оптимизационной задачи, в которой ИИ преуспевает благодаря обилию данных.
Qventus - одна из компаний, применяющих ИИ для достижения лучших операционных результатов в больницах. Компания утверждает, что ее технология позволила больницам сократить излишние дни пребывания в госпитале на 30%, снизить время от входа в скорую помощь до посещения врача на 20% и сократить среднее время пребывания на 0,8 дня. Эти операционные эффективности переводятся в лучшие впечатления от пациентов и значительные улучшения в финансовых показателях здравоохранительных систем.
Наконец, ИИ может разблокировать огромные преимущества, автоматизируя регуляторное соблюдение. Здравоохранение, по хорошей причине, является одной из самых тяжело регулируемых отраслей. Для поставщиков здравоохранения сложно и дорого отслеживать и обеспечивать соблюдение многочисленных законодательных и нормативных требований, к которым они привязаны.
Два важных направления - это конфиденциальность данных пациентов и управление контролируемыми веществами. В обоих случаях машинное обучение может сыграть ключевую роль в автоматизации деятельности по соблюдению, такой как обнаружение нарушений и аудит - тем самым защищая пациентов, снижая расходы и позволяя врачам сосредоточить свою энергию на предоставлении медицинской помощи. Одна из компаний, заслуживающих внимания в этой категории, - Protenus.
Инфраструктура данных
Одной из основных проблем, стоящих на пути к лучшей системе здравоохранения, является ее глубоко фрагментированная дата-ландшафт. Строгие регуляторные ограничения, архаичные архитектуры программного обеспечения и несовпадение интересов заинтересованных сторон подрывают ценное совместное использование данных и сотрудничество. Сегодня крайне сложно собрать полную картину здоровья одного пациента, эффективности нового метода лечения или здоровья популяции.
Датовые силосы в здравоохранении - это не только бюрократическое бремя. Они тормозят прогресс в медицинских исследованиях и затрудняют предоставление правильной медицинской помощи нужным пациентам в нужное время, что в конечном итоге обходится жизням.
Это огромная, многомерная проблема. Несколько интересных компаний берут на себя разные ее аспекты: Komodo Health, Datavant, Abacus Insights, HealthVerity, Kyruus, Ribbon Health и Redox, среди прочих. У этих компаний различные продуктовые и стратегические акценты, но они разделяют общее видение разрушения барьеров данных для достижения лучших результатов в области здоровья.
Поскольку машинное обучение процветает на больших наборах данных, эти решения также заложат основу для безграничных будущих инноваций в области ИИ. Более интегрированная экосистема данных сделает возможным бесчисленное количество новых приложений ИИ в здравоохранении, большинство из которых даже еще не были представлены.
Медицинская документация
Еще одна административная область, в которой ИИ готов принести огромную ценность, - это медицинская документация. Запись заметок после встреч с пациентами занимает значительную часть рабочей жизни врачей. В эпоху электронных медицинских записей (ЭМК) это стало реальной проблемой.
По данным недавнего исследования Американской медицинской ассоциации, средний врач, находящийся на дежурстве, тратит 5,9 часов в день на прямое взаимодействие с ЭМК. В медицинской среде широко распространено опасение, что сегодня, когда в каждом кабинете есть компьютеры, врачи должны быть настолько ориентированы на свои клавиатуры во время встреч с пациентами, что они не могут полностью соединиться с ними.
Машинное обучение может взять на себя значительную часть этой административной нагрузки с врачей, позволяя им проводить больше времени с пациентами и меньше времени за экранами.
Основные технологии, лежащие в основе обработки естественного языка и распознавания речи, существенно улучшились за последние несколько лет, как может подтвердить любой, кто использует Алексу или Сири. Это позволило разработать решения на основе голоса ("ИИ-секретари"), которым врачи могут диктовать вместо ручного ввода данных в ЭМК. Эти решения могут быть разработаны для автоматической интеграции с существующими рабочими процессами и программным обеспечением ЭМК, такими как Epic или Cerner.
Экономические выигрыши могут быть огромными. Augmedix утверждает, что его решение на основе голоса экономит врачам 2-3 часа в день. Suki, еще один конкурент в этой категории, говорит, что его ИИ создает 100% точные записи и позволяет врачам заканчивать свои записи на 76% быстрее. Масштабируя на всю систему здравоохранения, кумулятивное воздействие этих технологий будет огромным.
Сегодня эти решения все еще требуют участия человека для контроля качества; технологии обработки естественного языка и распознавания речи, хотя и впечатляющи, остаются недостаточно совершенными. По мере того как базовый ИИ продолжает улучшаться, будет требоваться все меньше и меньше человеческого посредничества - что приведет к еще большему увеличению производительности и снижению затрат.
Как любой, кто имел дело с системой здравоохранения, знает, она страдает от излишеств и неэффективности. Только в США ежегодно на администрирование и выставление счетов в здравоохранении тратится более 600 миллиардов долларов. В годы, которые впереди, много миллиардов долларов ценности будет создано путем рационализации и оптимизации операций в здравоохранении. Здесь ИИ может сыграть ключевую роль.
Операции поставщика
Каждый раз, когда пациент взаимодействует с медицинским учреждением, в фоновом режиме проходит десятки вспомогательных процессов: регистрация пациента, определение выгод и проверка их, обработка заявок на возмещение расходов, выставление счетов, заказы на рецепты, управление цепочкой поставок и многое другое. Способ, которым эта работа выполняется сегодня, является ручным и подвержен ошибкам.
Ряд многообещающих компаний применяет машинное обучение для автоматизации многих из этих монотонных задач. Одной из наиболее громких является Olive, которая привлекла $125 миллионов от инвесторов, включая General Catalyst и Khosla Ventures. Notable Health - новый конкурент с аналогичной миссией. Используя программные боты и компьютерное зрение, решения этих компаний можно представить как роботизированную автоматизацию процессов (RPA), разработанную специально для использования в здравоохранении.
Одна из административных функций, которая особенно сложна и важна для медицинских учреждений, - управление циклом доходов (RCM). RCM относится к набору процессов, которые поставщики используют для отслеживания и сбора платежей за оказанные услуги пациентам.
Из-за структуры сторонних плательщиков в США и лабиринтной системы возмещения расходов потоки денег в системе здравоохранения сложны. В процессе вовлечены многочисленные заинтересованные стороны: поставщики, пациенты, частные страховщики, государственные агентства, работодатели. Ошибки в административной работе и дорогостоящие задержки встречаются повсеместно. Только в США в 2017 году на RCM было потрачено примерно $21,3 миллиарда.
Здесь огромная возможность для ИИ систематизировать и автоматизировать управление циклом доходов, делая его быстрее, дешевле и точнее. Одним из перспективных стартапов, сосредоточенных на RCM, является Alpha Health.
Еще одна крупная административная проблема для поставщиков - это пациентские потоки в больнице и распределение ресурсов. Больницы - это сложные системы, в которых пациенты и врачи постоянно перемещаются по их отделениям динамическим образом. Узкие маржи больниц зависят от эффективной организации этих потоков. Однако на данный момент они драматически недооценены. До 25% дней пребывания пациентов в отделении интенсивной терапии излишни; оценивается, что до 15% общего занятости больницы тратится из-за неэффективного управления потоком.
Это именно тот тип оптимизационной задачи, в которой ИИ преуспевает благодаря обилию данных.
Qventus - одна из компаний, применяющих ИИ для достижения лучших операционных результатов в больницах. Компания утверждает, что ее технология позволила больницам сократить излишние дни пребывания в госпитале на 30%, снизить время от входа в скорую помощь до посещения врача на 20% и сократить среднее время пребывания на 0,8 дня. Эти операционные эффективности переводятся в лучшие впечатления от пациентов и значительные улучшения в финансовых показателях здравоохранительных систем.
Наконец, ИИ может разблокировать огромные преимущества, автоматизируя регуляторное соблюдение. Здравоохранение, по хорошей причине, является одной из самых тяжело регулируемых отраслей. Для поставщиков здравоохранения сложно и дорого отслеживать и обеспечивать соблюдение многочисленных законодательных и нормативных требований, к которым они привязаны.
Два важных направления - это конфиденциальность данных пациентов и управление контролируемыми веществами. В обоих случаях машинное обучение может сыграть ключевую роль в автоматизации деятельности по соблюдению, такой как обнаружение нарушений и аудит - тем самым защищая пациентов, снижая расходы и позволяя врачам сосредоточить свою энергию на предоставлении медицинской помощи. Одна из компаний, заслуживающих внимания в этой категории, - Protenus.
Инфраструктура данных
Одной из основных проблем, стоящих на пути к лучшей системе здравоохранения, является ее глубоко фрагментированная дата-ландшафт. Строгие регуляторные ограничения, архаичные архитектуры программного обеспечения и несовпадение интересов заинтересованных сторон подрывают ценное совместное использование данных и сотрудничество. Сегодня крайне сложно собрать полную картину здоровья одного пациента, эффективности нового метода лечения или здоровья популяции.
Датовые силосы в здравоохранении - это не только бюрократическое бремя. Они тормозят прогресс в медицинских исследованиях и затрудняют предоставление правильной медицинской помощи нужным пациентам в нужное время, что в конечном итоге обходится жизням.
Это огромная, многомерная проблема. Несколько интересных компаний берут на себя разные ее аспекты: Komodo Health, Datavant, Abacus Insights, HealthVerity, Kyruus, Ribbon Health и Redox, среди прочих. У этих компаний различные продуктовые и стратегические акценты, но они разделяют общее видение разрушения барьеров данных для достижения лучших результатов в области здоровья.
Поскольку машинное обучение процветает на больших наборах данных, эти решения также заложат основу для безграничных будущих инноваций в области ИИ. Более интегрированная экосистема данных сделает возможным бесчисленное количество новых приложений ИИ в здравоохранении, большинство из которых даже еще не были представлены.
Медицинская документация
Еще одна административная область, в которой ИИ готов принести огромную ценность, - это медицинская документация. Запись заметок после встреч с пациентами занимает значительную часть рабочей жизни врачей. В эпоху электронных медицинских записей (ЭМК) это стало реальной проблемой.
По данным недавнего исследования Американской медицинской ассоциации, средний врач, находящийся на дежурстве, тратит 5,9 часов в день на прямое взаимодействие с ЭМК. В медицинской среде широко распространено опасение, что сегодня, когда в каждом кабинете есть компьютеры, врачи должны быть настолько ориентированы на свои клавиатуры во время встреч с пациентами, что они не могут полностью соединиться с ними.
Машинное обучение может взять на себя значительную часть этой административной нагрузки с врачей, позволяя им проводить больше времени с пациентами и меньше времени за экранами.
Основные технологии, лежащие в основе обработки естественного языка и распознавания речи, существенно улучшились за последние несколько лет, как может подтвердить любой, кто использует Алексу или Сири. Это позволило разработать решения на основе голоса ("ИИ-секретари"), которым врачи могут диктовать вместо ручного ввода данных в ЭМК. Эти решения могут быть разработаны для автоматической интеграции с существующими рабочими процессами и программным обеспечением ЭМК, такими как Epic или Cerner.
Экономические выигрыши могут быть огромными. Augmedix утверждает, что его решение на основе голоса экономит врачам 2-3 часа в день. Suki, еще один конкурент в этой категории, говорит, что его ИИ создает 100% точные записи и позволяет врачам заканчивать свои записи на 76% быстрее. Масштабируя на всю систему здравоохранения, кумулятивное воздействие этих технологий будет огромным.
Сегодня эти решения все еще требуют участия человека для контроля качества; технологии обработки естественного языка и распознавания речи, хотя и впечатляющи, остаются недостаточно совершенными. По мере того как базовый ИИ продолжает улучшаться, будет требоваться все меньше и меньше человеческого посредничества - что приведет к еще большему увеличению производительности и снижению затрат.
Заключение
Здравоохранение - это очень личная и важная часть нашей жизни и жизни наших семей, в отличие от других секторов экономики. Поэтому особенно тревожно, насколько неисправна система здравоохранения сегодня.
Ни одна технология не может быть универсальным решением для такой сложной системы, как современное здравоохранение. Однако искусственный интеллект, возможно, больше, чем любая другая сила в мире, имеет потенциал переписать правила игры. Если применять его осмотрительно, ИИ может изменить устаревшие ограничения и предположения о том, как работает система здравоохранения. Он может переопределить отношение между стоимостью, доступностью и качеством, которое сегодня очень сломано.
Никогда еще не было столь захватывающего времени, чтобы быть предпринимателем в области здравоохранения.
Ни одна технология не может быть универсальным решением для такой сложной системы, как современное здравоохранение. Однако искусственный интеллект, возможно, больше, чем любая другая сила в мире, имеет потенциал переписать правила игры. Если применять его осмотрительно, ИИ может изменить устаревшие ограничения и предположения о том, как работает система здравоохранения. Он может переопределить отношение между стоимостью, доступностью и качеством, которое сегодня очень сломано.
Никогда еще не было столь захватывающего времени, чтобы быть предпринимателем в области здравоохранения.
Получите оценку проекта
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Оцените свой проект! Заполните форму ниже
Похожие статьи