En nylig rapport fra CB Insights viste, at opstart af kunstig intelligens i sundhedssektoren har rejst 4,3 milliarder dollars på tværs af 576 finansieringsrunder i de sidste fem år - mere end nogen anden sektor. Investeringer, der strømmer til at opbygge AI, der arbejder med mennesker for at tackle sundhedsproblemer, vil fortsætte globalt. I mellemtiden vil det at finde bæredygtige svar på tragiske tilstande som Alzheimers sygdom kræve nøjagtige helbredsjournaler for at fremme fremskridt - og tage den villige deltagelse af mennesker, hvis liv er dødeligt påvirket af sygdommen. Den part, der i sidste ende er ansvarlig for at finde svaret på Alzheimers, er måske ikke menneskelig - eller i det mindste er bestræbelserne på at befri verden for sygdommen måske ikke fuldstændigt menneskelige.
Stuart Kinlough | Getty Images Kunstig intelligens giver det medicinske felt nye muligheder for at bruge erfaringer fra eksisterende og nyskabte datasæt til at løse komplekse menneskelige problemstillinger i løbet af de næste par år. Teknologiens komplementære nytte til sundhedsvidenskab og medicinsk forskning giver nye muligheder for at finde små spor fra individuelle patienthistorier, der fører til globale gennembrud. AI har potentialet til at fungere som en naturlig partner for medicinske forskere og fagfolk, der bruger karrierer på at finde journaler for at afdække tendenser og anomalier.
Som industri er sundhedsvidenskaben begyndt at indse de fulde fordele ved at bruge præcisionsmedicin til at behandle sygdom. Tidlige succeshistorier inkluderer at gøre fremskridt inden for opdagelse af kræft og afsløring af potentielle sundhedsindikatorer fra medicinske historier og DNA-analyser. Den underliggende idé med at bruge AI til sundhedsvidenskab, er især at se på folks specifikke genetiske eller molekylære profiler og afgøre, hvilken personlig behandling der fungerer bedst fra sag til sag.
I de kommende år vil en succesfuld udvikling af præcisionssundhedsvidenskab afhænge af indsamling og lagring af data, der repræsenterer forskellige patientpopulationer. Det vil også stole på sundhedsvidenskabssektorens evne til at udvikle sofistikerede AI og maskinlæringsalgoritmer, der udvinder enorme mængder data for at besvare meget specifikke sundhedsspørgsmål. Spørgsmål som:hvordan finder vi indikatorerne gemt i utallige sundhedsjournaler? Hvilke genetiske varianter betyder noget? Hvorfor påvirker én sygdom en patient og ikke en person med en lignende genetisk sammensætning? AI kan tjene som et middel til at hjælpe den sundhedsvidenskabelige sektor med at besvare nogle af disse spørgsmål, analysere specifikke faktorer med præcision og bringe klarhed til patienter tidligere i diagnosticeringsprocessen.
AIs virkelige verden påvirkning af sundhedsvidenskab er allerede materialiseret i form af nye farmaceutiske kombinationer, mere lovende hypoteser, forbedret medicinsk diagnostik, målrettet risikofaktoranalyse og rapportering, der fører til mere nøjagtighed i personlig medicin. AI kan fuldt ud absorbere, kontekstualisere og analysere kritiske sundhedsoplysninger på den tid, det tager en menneskelig modpart at læse nogle få optegnelser igennem. Teknologien er bygget til at mobilisere og administrere store datasæt autonomt. I mellemtiden kan menneskelige modparter fokusere på at kommunikere fordelene ved AI-fund, proaktivt bruge dem til at løse individuelle medicinske problemer og tilbyde mere personlig patientbehandling.
AI kan integrere data fra flere kilder og bestemme relevans for specifikke tilfælde hurtigere end mennesker. Teknologien kan analysere data i realtid og producere handlingsorienteret indsigt, der ville tage flere timer - eller år i nogle tilfælde - for folk at fuldføre. Når den er bygget ansvarligt ved hjælp af objektive datasæt og laboratorietestet teknologi, har AI ikke forudfattede forestillinger om de medicinske journaler, DNA- og RNA-analyser og generel information, den sorterer igennem, hvilket eliminerer potentielle skævheder og fejlagtige konklusioner.
AI's sundhedsvidenskabelige succes afhænger af tilgængeligheden af menneskeligt kurerede træningsdatasæt, der giver mulighed for præstations- og biastestning, før AI kommer på markedet. Muligheden for at forbinde AI og utallige datasæt giver den største mulighed for medicinske fagfolk, der søger mod teknologi for at få svar. I praksis frigør AI's kerneevne til at automatisere dataanalyse medicinske forskningsfolk til at fokusere på slutresultatet, anvende resultater til medicinske eller farmaceutiske forsøg i den virkelige verden og i sidste ende tilpasse individuelle sundhedsplaner for at inkorporere nye metoder.
Den største udfordring for sundhedspraktiserende læger, der henvender sig til kunstig intelligens i 2019, vil fortsat være tilgængeligheden af kurerede datasæt, der er nødvendige for at træne algoritme-drevne teknologier bestemt til sygdomsdetektion og andet afgørende medicinsk arbejde. AI skal være troværdig nok til at foretage nøjagtige forudsigende vurderinger, der dramatisk påvirker patientbehandling og helbredsresultater i den virkelige verden. Processen med at forberede AI til sundhed vil blive nemmere i den nærmeste fremtid, efterhånden som teknologien udvikler sig, almindelige mennesker bliver mere fortrolige med AI, og dens virkelige applikationer til sygdomsforebyggelse viser sig at være vellykkede.
Forebyggelse af sygdomme er trods alt den hellige gral. Teknologier som AI, der muliggør tidlig sygdomsdetektion og aflytning, vil transformere engrossalg af patientpleje. AI kan hjælpe læger med at opdage sygdomme tidligere og give mennesker, der er ramt af disse sygdomme, mulighed for at bekæmpe dem.
Utvivlsomt vil menneskelige bestræbelser på at befri verden for Alzheimers sygdom og andre dødelige sygdomme eller arvelige tilstande fremme med støtte fra datadrevne teknologier. Ved at trykke på AI til disse opgaver vil læger og medicinske fagfolk kunne fokusere på at yde mere præcis og empatisk patientbehandling. Forskere kan bruge tid på at forstå AI-drevne fund for at bringe maskinopdagede midler ind i en meget menneskelig virkelighed, som at leve med Alzheimers, der ændrer liv - og redder dem.
Kate Merton er leder af NYC + Boston &JPOD @ Philadelphia for JLABS, hvor hun driver innovations sourcing, porteføljestyring, operationel excellence, uddannelsesprogrammering og P&L. Merton har en bachelorgrad i farmakologi og toksikologi fra King's College London og en ph.d. i farmakologi og toksikologi fra University of California, Irvine Medical School. Hun modtog sin MBA fra Fuqua School of Business ved Duke University.