Förvänta dig inte att bli behandlad av en robotläkare nästa gång du besöker läkarmottagningen. Datorer och algoritmer kan berätta vad vi ska titta på, vad vi ska köpa och vem vi ska lägga till i våra sociala nätverk, men forskning tyder på att vårdens AI vana ersätta människan vårdgivare när som helst snart.
Det kan dock hjälpa till att ersätta förvirrande pappersarbete, förlängda väntetider, felaktiga diagnoser och andra oönskade delar av vårdupplevelsen med mer gynnsamma. AI kan också hjälpa mänskliga läkare att skala deras metoder för att behandla fler patienter och ge dem möjlighet att tillhandahålla mer personlig, effektiv vård till enskilda patienter.
Ja, även år 2021 tenderar samtal om AI och automatisering inom sjukvården att fokusera på potential, löfte och möjligheter. När allt kommer omkring ligger de flesta möjligheterna för AI-drivna applikationer i rymden fortfarande - främst för att stora hinder fortfarande måste övervinnas för att rensa vägen för utbredd användning i rymden. Tills det händer kommer denna transformativa teknik att fortsätta att diskuteras i termer av vad kunde vara (snarare än vad som är).
På Shaip vill vi ändra konversationen genom att hjälpa AI-utvecklingsteam att övervinna dessa hinder. Vi älskar att prata om vad i varURE kunde hålla för vårdens AI, men vi älskar att skapa den framtiden ännu mer. Innan vi dyker in i hur vi gör det, låt oss dock ta en stund att fokusera på nuet.
AI är inte bara redo att förändra vården för alltid; det har redan. Medan den fortfarande är relativt ny har tekniken genomsyrat nästan alla aspekter av det moderna sjukvårdssystemet:
- I kliniska miljöer använder läkare AI-assisterade avbildningsverktyg med avancerade mönsterigenkänningsfunktioner för att undersöka resultaten av CT-skanningar, MR-undersökningar och andra typer av visuella analyser, så att de snabbare och mer exakt kan upptäcka sjukdom och diagnostisera skada.
- I klassrummet hjälper maskininlärningsverktyg eleverna att samla djupare insikter om människokroppen än någonsin tidigare och ge dem makten till bygga nya lösningar med verkliga applikationer.
- I laboratoriet utnyttjar forskare sofistikerade program för att korsreferera nya läkemedelsformler med mediciner som redan är kända för att vara säkra. De kan sedan replikera och itera på dessa för att utveckla motgift och vacciner på rekordtid.
- Administratörer och chefer använder AI-applikationer för att skapa mer intuitiva, effektiva patientupplevelser som samtidigt genererar intäkter för leverantörer och garanterar patienter av högre kvalitet. Listan fortsätter och fortsätter.
Eftersom du läser detta inser du förmodligen redan att AI: s inverkan på vården systemet har varit massivt - och det kommer bara att bli större. Med tanke på de otaliga olika aktörerna som ingår i sektorn är antalet utmaningar som AI-lösningar potentiellt kan ta itu med oändligt.
Shaip är här för att hjälpa till att få dessa lösningar till liv. Våra tjänster gör det möjligt för företag och företagare att bygga transformativ AI-teknik som kan lösa verkliga problem i stor skala genom att eliminera några av de största hindren på deras sätt. Och för team som arbetar inom hälso- och sjukvården finns det gott om sådana.
Vägspärrar och röda flaggor
Löftet om AI inom hälso- och sjukvården har aldrig varit större, men att integrera tekniken i det monolitiska sjukvårdssystemet kommer att vara en process fylld med hinder. Kanske är inget mer betydelsefullt än de reglerande hinder som skiljer medicin från andra industrier där adoption har skett snabbare.
Det har gått nästan ett kvart sekel sedan kongressen antog lagen om hälsoförsäkringsportabilitet och ansvarsskyldighet (HIPAA), men samma lagstiftning reglerar fortfarande hur leverantörer hanterar patientdata 2021. Tyvärr presenterar den alltmer fler frågor än svar för läkare, patienter och företagare som vill bygga ny medicinsk teknik. Dessutom överensstämmer nu HIPAA-mandaten med nyare bestämmelser om personligt identifierbar information (PII) som Europeiska unionens allmänna dataskyddsförordning (GDPR), Singapores personuppgiftslag (PDPA) och California Consumer Privacy Act (CCPA) som representerar den första omfattande lagstiftningen som reglerar dataanvändning här i USA.
Ökningen av telehälsokrav som följde COVID-19-pandemin har bara lagt till mer reglerande huvudvärk. Till att börja med får många patienter fjärrbehandling via plattformar som inte uppfyller HIPAA-standarderna, vilket kan göra dem utsatta för integritetshot. Även plattformar som är kompatibla utgör risker eftersom de kan avslöja känslig patientinformation for resultat. Den ökade efterfrågan på virtuell vård har gett upphov till många digitala tjänster som faller utanför HIPAAs ursprungliga räckvidd, och det har tvingat stora teknikföretag Facebook, Alphabet, Amazon och Microsoft att våga in d marknadsom ger ny innovation och behovet av ytterligare tillsyn.
För tillsynsmyndigheter blir det allt svårare att upprätthålla efterlevnad inom detta komplexa mandatsystem, eftersom data används på nya sätt och av ett växande antal aktörer. För team som hoppas kunna bygga och distribuera AI-drivna tekniker i vårdutrymmet krävs det också lagstadgad expertis som helt enkelt är svår att hitta för att säkerställa att dessa verktyg uppfyller befintliga standarder.
Också svårt att hitta? Högkvalitativa medicinska data. Reglering kan förhindra att vissa nya tekniker uppnår omfattande användning, men utan kvalitetsdata kommer AI-drivna verktyg inte ens att komma över utvecklingsstadiet.
A senaste studera publicerad i Journal of the American Medical Association fann att den geografiska fördelningen av patienter vars data används för att utbilda maskininlärningsalgoritmer mestadels är begränsad till några stater, särskilt Kalifornien, New York och Massachusetts. Med tanke på de ekonomiska, sociala, beteendemässiga och andra attributen som dessa patienter kan dela med varandra men inte resten av landet, kan algoritmer som är utbildade på dessa uppgifter generalisera dåligt. Detta problem kan lösas med mer olika datamängder, men igen, data är svåra att skaffa. En gång förvärvad är det också svårt att organisera, vilket är ett annat viktigt steg för utvecklare av maskininlärningsteknik.
Många företag gör betydande investeringar för att hitta eller skapa data för sina algoritmer och sedan spendera ännu mer betalande annotatorer för att märka det. Som med alltför homogena datauppsättningar, kommer data som inte är ordentligt märkta och kurerade att träna AI-program för att skapa partiska och felaktiga resultat, vilket skapar problem som inte lätt kan åtgärdas. Tyvärr kommer dessa problem att fortsätta att vara vanliga för team som arbetar med AI-teknik inom sjukvården. Forskning från Gartner avslöjar att upp till 85% of AI-projekt kommer att ge felaktiga resultat som ett resultat av datahantering bias fram till 2022.
Återigen finns det många andra utmaningar för att skapa AI-applikationer för vård, både kända och okända. När fler utvecklare går in i rymden och fler leverantörer konfronteras med beslut om huruvida de ska lägga till AI-drivna lösningar i sina strategier för behandling av patienter, väcker dessa utmaningar stora. Även om hinder är oundvikliga när du försöker bygga användbara, transformativa verktyg med hjälp av ny teknik, hjälper Shaip team att övervinna många av de största hindren som utvecklare i rymden just nu står inför.
Hur Shaip Powers Healthcare AI Progress
Shaip erbjuder en serie lösningar som är utformade speciellt för team som arbetar med AI-applikationer inom sjukvården. Tillsammans kan de hjälpa dig att uppnå en betydande och mångfacetterad avkastning på din investering och bygga skalbara produkter som ger en verkligt bestående effekt på branschen.
Fullt hanterad datainsamling
För att kunna bygga applikationer som verkligen kan vara användbara för vårdorganisationer måste team bygga lösningar som konsekvent genererar korrekta, opartiska resultat. Visst, du kanske hör om AI-teknik som exakt upptäcker och diagnostiserar sjukdomar, men det händer vanligtvis i scenarier där artificiella begränsningar används för att kontrollera kända träningsbegränsningar, till exempel brist på relevant kvalitetsdata. Om du hoppas kunna utveckla en produkt som uppnår en omfattande användning i verkliga kliniska miljöer, måste den kunna leverera optimala resultat under ett stort antal omständigheter med hög insats. Med andra ord behöver du mycket pålitlig data i världsklass för att träna dina algoritmer.
Shaips helt hanterade datainsamlingstjänster säkerställer att du har den information du behöver när du behöver den. Med vår egen mobilapp, patenterade webbaserade plattform och erfarna interna projektteam kan vi hämta data från nästan alla kombinationer av åldersgrupper, demografi och utbildningsbakgrund. Vår insamlingsprocess för människa innefattar ämnesexperter inom vården för att säkerställa att de uppgifter du får uppfyller de högsta standarderna för kvalitet och tillförlitlighet. Förutom att identifiera, profilera och anskaffa data tar vi också hand om datarengöring och förberedelse, så att ditt team kan fokusera på andra aktiviteter med hög effekt.
Flera dataformat
Vi kan leverera en mängd olika datauppsättningar som innehåller bilder, video, ljud och text för att driva ett brett spektrum av AI-modeller.
Text:
Shaip har hundratals erfarna yrkesverksamma tillgängliga för att genomföra dataanmärkningar på praktiskt taget alla typer av textdata, från läkaranteckningar till försäkringsanspråk, vilket ger dig möjlighet att avslöja insikter som annars skulle förbli dolda i ostrukturerade datamängder. Dessutom gör vår intuitiva, anpassningsbara molnplattform dig att skräddarsy anteckningar för mycket specifika användningsfall och få domänspecifika insikter för att informera teknikutveckling.
audio:
Shaip har en bevisad meritlista i att bygga och optimera mycket funktionell konversations-AI, chatbots och röstbots. Tack vare vårt världsomspännande nätverk av kvalificerade lingvister och ett team som kan samla in och kommentera volymer av ljuddata – inklusive oskriptade samtal mellan läkare och patienter, yttranden och väckningsord, monologer och andra typer av tal – kan vi hjälpa dig träna tal -aktiverade applikationer snabbt och effektivt.
Bild:
Våra bildutbildningsdatasatser analyseras med hjälp av en kombination av kirurgiskt exakta manuella processer och toppmodern teknik för applikationer som är beroende av sofistikerade datorsyn och mönsterigenkänningsfunktioner. Och vi tillhandahåller inte bara uppgifterna; Vi kan också hjälpa dig att utveckla maskininlärningsalgoritmer i världsklass för att driva lösningar som kan känna igen mänskliga ansikten, mat, dokument, medicinska laboratoriebilder, geospatiala bilder och annan visuell information.
video:
Våra medarbetare, erfarenhet och teknik gör det möjligt för oss att uppfylla praktiskt taget alla videokommentarer. Vad vi gör bäst är att spåra objekt: Annotera videor bild för ram för att lära datorer att känna igen specifika objekt genom maskininlärning. Oavsett om du bygger AI-aktiverad robotutrustning för att hjälpa läkare i kliniska miljöer eller applikationer som förbättrar interaktioner mellan patienter och sjuksköterskor under telehälsoutnämningar, kan vi hjälpa till.
Försäkran om överensstämmelse
Att skydda patientinformation är avgörande för att utveckla livskraftiga AI-vårdapplikationer. Att samla in en tillräcklig mängd data tar dock tid och att avidentifiera den informationen tar ännu mer. När ditt mål är att bygga, testa och distribuera ny teknik är tiden knapp.
Shaip erbjuder licensierad hälsoinformation för att underlätta denna börda för team som utvecklar AI-modeller som analyserar textbaserade patientjournaler, bilder från CT-skanningar, röntgenstrålar (och annan visuell diagnostik), läkareinspelningar och dussintals andra datatyper. Med Shaip API: er får du on-demand tillgång till detta växande bibliotek med avidentifierade register och kvalitetskontextualiserade medicinska data (inklusive mer än 10 miljoner datauppsättningar från mer än 60 olika platser runt om i världen) som uppfyller alla HIPAA och Safe Harbor standarder (inklusive redaktion av alla 18 identifierare som omfattas av dessa riktlinjer). För team som behöver mer omfattande tjänster kan vi skala avidentifiering av data över flera reglerande jurisdiktioner.
Som branschledande inom avidentifiering av data, maskning av data och anonymisering av data är patientens integritet kärnan i våra lösningar. Vi tillhandahåller expertcertifiering och granskning av avidentifieringskvalitet och följer omfattande riktlinjer för personlig hälsoinformation (PHI) i enlighet med Safe Harbor-standarderna. På samma sätt låter ShaipCloud-plattformen dig komma åt dina data i en säker miljö, vilket ytterligare minskar risken för bristande efterlevnad.
Låt oss gå framåt tillsammans
På Shaip förstår vi AIs enorma potential att förbättra praktiskt taget alla aspekter av det befintliga sjukvårdssystemet, och vi är glada att låna ut vår expertis till de organisationer som arbetar för att frigöra den potentialen. Vi är också djupt bekanta med de unika utmaningar som dessa organisationer står inför, och alla våra tjänster är utformade med tanke på dessa utmaningar.
Om du är en del av ett team som arbetar med sjukvårdslösningar som drivs av AI och maskininlärningsteknik, vi hjälper dig gärna att föra ditt initiativ framåt. Vår erfarenhet spänner över hela AI-utvecklingslivscykeln, och vi har arbetat med projekt av nästan alla omfattningar - vi har ännu inte stött på ett som var för stort eller för litet. Om du behöver mer information, kontakta idag.
