POSTĘPY W AI I ML ZMIENIAJĄ OPIEKĘ ZDROWOTNĄ - TECHCRUNCH - PRASOWE - 2019

Anonim

Megh Gupta Contributor

Megh Gupta jest członkiem zespołu inwestycyjnego w OMERS Ventures.

Qasim Mohammad Contributor

Qasim Mohammad jest kanadyjskim venture capitalist i członkiem zespołu inwestycyjnego w OMERS Ventures.

Więcej postów tego autora

  • Postępy w AI i ML zmieniają opiekę zdrowotną
  • Technologia rozpoznawania głosu przyspiesza wyścig do bezkompromisowej sprzedaży detalicznej

Sektor technologii opieki zdrowotnej dał początek najbardziej innowacyjnym startupom na świecie, które pomogą ludziom żyć dłużej i lepiej. Innowacje były przede wszystkim spowodowane pojawieniem się oprogramowania i mobilności, umożliwiając sektorowi zdrowia digitalizację wielu operacji i procesów opartych na piórze i papierze, które obecnie spowalniają świadczenie usług.

Niedawno widzimy, że oprogramowanie staje się znacznie bardziej inteligentne i niezależne. Te nowe możliwości - badane pod hasłem sztucznej inteligencji i uczenia maszynowego - przyspieszają tempo innowacji w opiece zdrowotnej. Dotychczasowe zastosowania AI i ML w opiece zdrowotnej pozwoliły branży podjąć niektóre z największych wyzwań w tych obszarach:

  • Genetyka osobista
  • Odkrycie narkotyków
  • Identyfikacja i zarządzanie chorobą

Po dokładnej ocenie możliwości, które istnieją w każdym obszarze, staje się oczywiste, że stawka jest wysoka. W związku z tym ci, którzy jako pierwsi wprowadzą na rynek zrównoważone zróżnicowanie produktów i wartość dodaną, skorzystają ogromnie.

Wprowadzanie w nową erę genetyki osobistej

Najważniejszym zastosowaniem AI i ML w genetyki jest zrozumienie, w jaki sposób DNA wpływa na życie. Chociaż w ciągu ostatnich kilku lat nastąpiło pełne sekwencjonowanie ludzkiego genomu i opanowanie umiejętności czytania i edytowania go, wciąż nie wiemy, co właściwie mówi nam genom. Geny nieustannie działają nie na miejscu w połączeniu z innymi zmiennymi, takimi jak żywność, środowisko i typy ciała.

Jeśli chcemy zrozumieć, co wpływa na życie i biologię, musimy najpierw zrozumieć język, którym jest DNA. To tutaj pojawiają się algorytmy ML i nadejście systemów takich jak Google Mind i Watson firmy IBM. Teraz, bardziej niż kiedykolwiek, możliwe stało się przetrawienie olbrzymich ilości danych (np. Zapisów pacjentów, notatek klinicznych, obrazów diagnostycznych, planów leczenia) i wykonanie rozpoznawania wzoru w krótkim okresie czasu - w przeciwnym razie ukończenie całego życia trwałoby całe życie .

Firmy takie jak Deep Genomics robią znaczące postępy w tej dziedzinie. Firma rozwija zdolność interpretacji DNA, tworząc system przewidujący molekularne skutki zmienności genetycznej. Ich baza danych jest w stanie wyjaśnić, w jaki sposób setki milionów odmian genetycznych mogą wpłynąć na kod genetyczny.

Po ustaleniu lepszego zrozumienia ludzkiego DNA, istnieje możliwość pójścia o krok dalej i zapewnienia spersonalizowanych wglądów jednostkom w oparciu o ich specyficzne biologiczne dyspozycje. Ta tendencja wskazuje na nową erę "spersonalizowanej genetyki", w której jednostki są w stanie przejąć pełną kontrolę nad swoim zdrowiem poprzez dostęp do bezprecedensowych informacji na temat własnego ciała.

Technologia musi mieć dostęp do ogromnych ilości danych, aby lepiej kontrolować zmiany stylu życia dla osób.

Firmy genetyczne konsumenckich, takie jak 23andMe i Rthm, reprezentują kilka pierwszych podmiotów w tej dziedzinie. Opracowali zindywidualizowane genetyczne narzędzia diagnostyczne, aby pomóc osobom w zrozumieniu ich składu genetycznego. Dzięki Rthm użytkownicy mogą pójść o krok dalej i wykorzystać wiedzę uzyskaną dzięki testowi genetycznemu, aby wprowadzić zmiany w codziennym życiu za pośrednictwem aplikacji mobilnej, a wszystko to w czasie rzeczywistym.

Podobnie jak w przypadku aplikacji AI / ML, technologia musi mieć dostęp do ogromnych ilości danych, aby lepiej kontrolować zmiany stylu życia dla osób. Startupy, które koncentrują się na opanowaniu dostarczania genetyki osobistej, robią to, biorąc pod uwagę następujące kluczowe działania, jak podkreślił japoński badacz Takashi Kido:

  • Uzyskanie wiarygodnych danych osobistych genomu i prognozy ryzyka genetycznego
  • Przeprowadzanie analiz wzorców zachowań dotyczących stosunku ludzi do osobistego genomu w celu ustalenia, jakie informacje są cenne / pomocne i jakie informacje są szkodliwe
  • Eksploracja danych do odkryć naukowych

Drugi punkt jest interesujący, ponieważ nie wszystkie informacje genetyczne dotyczące biologicznych predyspozycji pacjenta są produktywne. Możliwość kontrolowania informacji w sposób sprzyjający dobrostanowi psychicznemu ma kluczowe znaczenie.

Leki o ukierunkowanym działaniu są przyszłością

Kolejnym ekscytującym zastosowaniem AI / ML w opiece zdrowotnej jest redukcja kosztów i czasu w odkrywaniu leków. Nowych leków zwykle potrzeba od 12 do 14 lat, aby wprowadzić je na rynek, a średni koszt wahał się około 2, 6 miliarda dolarów. Podczas procesu odkrywania leków, związki chemiczne testuje się przed każdą możliwą kombinacją różnych typów komórek, mutacji genetycznych i innych stanów związanych z konkretną dolegliwością.

Ponieważ zadanie to jest czasochłonne, ogranicza to liczbę eksperymentów lub chorób, które naukowcy mogą zaatakować. Algorytmy ML mogą pozwolić komputerom "nauczyć się", jak tworzyć prognozy na podstawie danych, które wcześniej przetwarzały lub wybierały (aw niektórych przypadkach nawet sposób postępowania), jakie eksperymenty należy wykonać. Podobne typy algorytmów można również zastosować do przewidywania skutków ubocznych określonych związków chemicznych u ludzi, co przyspiesza zatwierdzanie.

Firma Atomwise z siedzibą w San Francisco stara się zastąpić probówki superkomputerami podczas procesu opracowywania leków. Firma wykorzystuje sieci neuronowe ML i 3D, które przeglądają bazę danych struktur molekularnych, aby odkryć terapie, pomagając odkryć skuteczność nowych związków chemicznych w chorobach i określić, jakie istniejące leki mogą zostać ponownie wykorzystane w celu leczenia innych dolegliwości.

W 2015 roku firma zastosowała swoje rozwiązanie i odkryła dwa nowe leki, które mogą znacznie zmniejszyć infekcyjność wirusa Ebola. Analiza została zakończona w jeden dzień - w przeciwieństwie do lat, co jest powszechne przy użyciu tradycyjnych metod opracowywania leków. Niedawne badanie Insilico Medicine ugruntowało podejście przyjęte przez firmę Atomwise, pokazując, że głębokie sieci neuronowe można wykorzystać do przewidywania farmakologicznych właściwości leków i ich zmiany.

Zastosowanie AI / ML w opiece zdrowotnej przekształca przemysł i czyni to, co niegdyś niemożliwe, rzeczywistością.

Berg Health, biofarma z siedzibą w Bostonie, atakuje odkrycie narkotyków pod innym kątem. Berg analizuje dane biologiczne pacjentów za pomocą sztucznej inteligencji, aby ustalić, dlaczego niektóre osoby przeżywają choroby, a następnie stosuje ten wgląd, aby ulepszyć obecne terapie lub stworzyć nowe.

BenevolentAI, londyński startup, ma na celu przyspieszenie procesu odkrywania leków poprzez wykorzystanie sztucznej inteligencji do poszukiwania wzorców w literaturze naukowej. Tylko niewielka część globalnie generowanych informacji naukowych jest faktycznie wykorzystywana lub wykorzystywana przez naukowców, ponieważ nowe badania dotyczące opieki zdrowotnej są publikowane co 30 sekund. BenevolentAI umożliwia analizę ogromnych ilości danych w celu dostarczenia ekspertom informacji, których potrzebują, aby radykalnie przyspieszyć odkrywanie i badania leków. Niedawno firma zidentyfikowała dwa potencjalne związki chemiczne, które mogą działać na Alzheimera, przyciągając uwagę firm farmaceutycznych.

Postęp w ML i AI trwa nadal, przyszłość odkrywania leków wygląda obiecująco. W niedawno opublikowanym dokumencie Google Research stwierdzono, że dzięki wykorzystaniu danych z różnych źródeł można lepiej określić, które związki chemiczne będą służyć jako "skuteczne leczenie farmakologiczne różnych chorób" oraz w jaki sposób ML może zaoszczędzić wiele czasu poprzez testowanie milionów związków na dużą skalę.

Odkrywanie nowych chorób i zarządzanie nimi

Większość chorób to znacznie więcej niż zwykła mutacja genetyczna. Pomimo faktu, że system opieki zdrowotnej generuje obfite ilości danych (nieustrukturyzowanych), które stopniowo poprawiają swoją jakość, nie dysponowaliśmy niezbędnym sprzętem i oprogramowaniem do ich analizy i tworzenia wnikliwych danych.

Rozpoznanie choroby jest skomplikowanym procesem, który obejmuje wiele czynników, od tekstury skóry pacjenta do ilości cukru, którą spożywa w ciągu dnia. W ciągu ostatnich 2000 lat lekiem rządziło wykrycie objawowe, w którym dolegliwość pacjenta jest diagnozowana na podstawie objawów, które pojawiają się (np. Jeśli masz gorączkę i zatkany nos, najprawdopodobniej masz grypę).

Ale często pojawienie się wykrywalnych objawów jest zbyt późne, szczególnie w przypadku chorób takich jak rak i choroba Alzheimera. W przypadku ML istnieje nadzieja, że ​​słabe wykrycie chorób można wykryć z dużym wyprzedzeniem przed wykrywalnymi objawami, zwiększając prawdopodobieństwo przeżycia (czasami nawet o 90 procent) i / lub możliwości leczenia.

Możliwości wciąż rosną i inspirują lekarzy do poszukiwania nowych sposobów na poprawę naszego zdrowia i dobrego samopoczucia.

Freenome, startup w San Francisco, stworzył silnik Adaptive Genomics, który pomaga w dynamicznym wykrywaniu sygnatur choroby we krwi. Aby było to możliwe, firma wykorzystuje swój freenome - dynamiczną kolekcję materiału genetycznego unoszącego się we krwi, która nieustannie się zmienia wraz z upływem czasu i zapewnia termometr genomowy tego, kim jesteś, gdy dorastasz, żyjesz i starzejesz się.

Patrząc na plany diagnozowania i leczenia chorób, firmy takie jak Enlitic koncentrują się na poprawie wyników leczenia pacjentów poprzez łączenie głębokiego uczenia się z danymi medycznymi, aby uzyskać wiarygodny wgląd w miliardy przypadków klinicznych. IBM Watson współpracuje z Memorial Sloan Kettering w Nowym Jorku, aby przetrawić dane o pacjentach onkologicznych i stosowanych od dziesięcioleci metodach leczenia, aby przedstawić i zaproponować lekarzom opcje leczenia w przypadku unikalnych przypadków raka.

W Londynie Google Deep Mind przeszukuje dokumentację medyczną szpitala Moorfields Eye Hospital, aby analizować cyfrowe skany oka, aby pomóc lekarzom lepiej zrozumieć i zdiagnozować chorobę oczu. Równolegle Deep Mind ma również projekt, który ma pomóc w mapowaniu radioterapii dla pacjentów cierpiących na raka szyi i głowy, uwalniając godziny planowania dla onkologów, aby umożliwić im skupienie się na zadaniach bardziej zorientowanych na opiekę nad pacjentem.

Co to wszystko znaczy?

Zastosowanie AI / ML w opiece zdrowotnej przekształca przemysł i czyni to, co niegdyś niemożliwe, rzeczywistością.

Aby AI / ML stały się wszechobecne w opiece zdrowotnej, ciągły dostęp do odpowiednich danych jest niezbędny do osiągnięcia sukcesu. Im więcej zastrzeżonych danych może spożywać system, tym "inteligentniejszy" stanie się. W związku z tym firmy dokładają wszelkich starań, aby pozyskiwać dane (które znajdują się w anonimowym formacie). Na przykład w lutym 2016 r. IBM wykupił firmę Truven Health odpowiedzialną za ochronę zdrowia za 2, 6 miliarda USD, głównie w celu uzyskania dostępu do swojego repozytorium danych i statystyk. Ponadto niedawno nawiązali współpracę z firmą Medtronic, aby zwiększyć zdolność Watsona do rozpoznawania cukrzycy poprzez uzyskiwanie dostępu do danych dotyczących insuliny w czasie rzeczywistym.

Kiedy dane stają się bogatsze, a technologia rozwija się, możliwości wciąż rosną i inspirują lekarzy do szukania nowych sposobów na poprawę naszego zdrowia i dobrego samopoczucia.