真实版药神!AI能为医疗健康带来什么?

819 阅读13分钟

全文共4802字,预计学习时长9分钟

图片来源:pexels.com/@rawpixel

大数据、AI和ML(机器学习)引发的热议从未如此高涨,它们带来的益处几乎惠及各行各业的企业。

现在正是企业好好利用这些益处的时候。在AI和ML的价值惠及企业前,企业必须彻底理解它们在贸易业务中的作用、能解决的问题、以及与企业目标或预计结果达成一致的方式,如谷歌就已在解决大规模医疗健康问题上下注。

科技巨头在AI医疗健康方面投资

谷歌AI一直在医疗健康和生物科学领域进行与AI相关的研究和协作项目,它声称:

“机器学习有几十个潜在的应用领域,但是医疗健康是一个为人民谋福的非凡机遇,且谷歌AI与临床医生、医疗服务提供者紧密合作,希望能研发出工具来大幅度改善医疗服务的可得性和准确度。”

埃森哲咨询公司的首席医疗官罗恩·穆迪(Ron Moody)写过一篇相关文章,题为《医疗健康中的AI——产业演变的关键》(AI in Healthcare – A Key to Industry Evolution),文中写到:

“人工智能(AI)将在医疗健康的经营、卫生研究、医疗保障的交付以及帮助病人保持健康上进行改革。现在已经可以看出,这将是长期医疗健康策略中关键的一环。”

AI已经融入人们每天都打交道的产业过程、应用程序及系统,这帮助医疗健康领域实现进一步的AI拓展。运用AI来支撑一系列活动,如检测疾病、医疗诊断等,将会使这一领域有所突破和超越。

医疗保健与其他商业产业、行政管理、物流、业务流程以及客户关系有着相似的大图景。在上述领域中,AI的应用已经开始降低成本、提高效率。医疗健康降低成本的需求使该领域承受着巨大的压力。在这些领域中,各个机构现在应当进行探索、投资,运用AI来实现改变。

根据卡塞塔 (Caserta) 的文章《美国平均每人在医疗健康上的花费超过一万美元,占GDP的18%》(The United States spends over $10,000per capita, or 18% of its GDP, on healthcare),且根据BGV(Benhamou Global Ventures)公司的数据,由于人口老龄化、市场不断扩张、劳动力成本逐年增长,全球医疗健康费用预计在2017年至2021年会以每年4.1%的速度增长。除数字化颠覆之外,创新型新兴公司有独特的机会崛起,并运用医疗健康的生态系统打造科技、解决特定问题。

AI的价值

通过将AI运用在经营、物流、行政流程上,甚至用其改善客户参与度,一些医疗健康机构已经见识到了AI带来的好处,但是AI还有潜力继续扩大领域,如病理学、放射学的释义等领域。随着数据出现得越来越快,且病人数据源的数量持续扩大,AI能在数据处理、可视化以及决策方面提供更好的支持。

在当前的医疗健康产业中,AI借助于ML以及自然语言处理(NLP)能带来巨大的价值,带来更好的成果。运用在医疗健康中的科技也会支持“以价值为基础的关怀”这一新模型。并且随着大数据的增加,科技的运用有杠杆效用,它使得医疗健康中针对病人的服务更具个性化,且能够促进转型。AI健康市场的增长预计在2021年将达到66亿美元,即复合年增长率为40%(见图1)。

图1-图源:埃森哲咨询公司

深度学习及计算机视觉的使用案例

计算机视觉领域借助于一项名为深度学习,或被称作深层神经网络的AI技术,已取得巨大进步。在口袋科技产品中充分利用这项AI技术仿佛是十年前科幻片里的场景。

如果这些新兴且先进的计算机视觉系统能精确地将图中的汽车或不同种类的狗进行分类,那么谷歌的工程师和科学家们也开始思考,“这些系统是否能学会识别医疗图像呈现出的疾病呢?”在谷歌AI博客发布的一篇名为《通过深度学习检测糖尿病型眼疾》(Deep Learningfor Detection of Diabetic Eye Disease) 的帖子中,谷歌的产品经理、医学双博士莉莉·彭 (Lily Peng) 以及研究工程师瓦伦·高尔衫 (Varun Gulshan) 博士描述了他们在眼科学领域利用以计算机辅助的诊断性筛选进行探索,并检测到一种名为糖尿病型视网膜病(diabetic retinopathy) 的眼疾。糖尿病型视网膜病是导致全球可预防失明增速最快的诱因。通常情况下,训练有素的医生通过检查病人眼部的视网膜扫描,能够进行检测。

在数字病理学领域,谷歌正研发深度学习算法,这有可能协助病理学专家在淋巴结活检中检测乳腺癌。

改良诊断

依赖于AI及ML,近几年药物的诊断准确度有了很大的提升。目前大市场研究所(Big Market Research) 的调查显示,截至2025年AI智能医疗市场将会超过181.2亿美元。一篇讲述了用AI维持健康的文章还表明,与人类相比,AI及ML在扫描中能更快、更准确地检测出异常现象。

使用AI及ML项目来检测可能被人眼漏看的异常现象,正不断改良诊断,为病人提供更好的护理。下面是几个例子:

斯坦福大学的研究员已经研发出解读胸部X光片的算法,这种解读不仅和放射科医生的一样准确,且用时很短。

医生使用Viz.ai公司的技术能节约宝贵的诊断时间,具体方法是在重大损伤发生前运用科技快速、准确地检测出中风病人的血块。

图片来源:pexels.com/@pixabay

降低成本

在美国,25%的卫生保健费用皆为行政成本,这远超其他发达国家。AI能产生重大影响的一个重要领域即医学编码和医疗账款,AI能在该领域中研究出自动化方法。

福布斯发布了名为《AI和医疗健康:一个巨大的机遇》(AIAnd Healthcare: A Giant Opportunity) 的文章,其中的数据显示,解决当前医疗保健系统中成本结构问题的关键是将耗时的人工任务交给机器,即让病人能够在任何地点针对其护理需求进行自助服务。人力劳动是为了让更多人过上更健康的生活,而自助服务可以减少所需的人力劳动。根据埃森哲咨询公司的报告,截至2026年,主要的临床健康AI应用总计每年可为美国医疗健康市场节约1500亿美元。

下图是总计节省1500亿美元的医疗健康AI项目中的前十名。埃森哲咨询公司的评估定义了每一款应用的影响、采用的可能性及对于医保市场的价值。前三名应用代表了最大的近期价值,它们分别是:机器人辅助手术(400亿美元),虚拟护理助手(200亿美元)以及行政工作流程协助(180亿美元)。

图2-图源:埃森哲咨询公司

检测医疗欺诈

由Splunk公司的报告《监管行业中的人工智能和机器学习》可知,在大量医疗保健供应商中检测或发现异常行为模式,是极其困难且耗时的(有时需数月甚至数年才能完成)。除此之外,找到且密切监控非法处方的来源则是另一个挑战。医疗欺诈和药物滥用层出不穷,例如美国大规模的致命性药物滥用就是由于阿片类药物的处方和分销。机器学习有助于发现异常和潜在的欺诈性供应商,相比之下这项工作于人类而言既困难且耗时。

汇总索赔数据可以让人们全面了解阿片类药物的购买情况。医疗保健公司可以通过机器学习程序和算法看到数据中的模型,以及在何处出现偏离模型的数据。因此医疗保健机构能转向预防和检测欺诈,而非“付费追逐”。根据美国公共广播公司新闻频道(PBS News) 的一篇文章,美国司法部称,“在美国将近1300万非法阿片类药物涉嫌欺诈和开具假账单,”其中涉及23名药剂师和19名护士。数据源的类型包括:电子健康记录 (EHR)、健康等级7(HL7)消息、医疗设备、台式机、服务器、存储设备、网络、门户网站、计费系统、患者管理系统。

新药研发

图片来源:pexels.com/@freestocks

据麻省理工研究员兼初创公司Insitro创始人达芙妮·柯勒 (Daphne Koller) 的一篇Medium文章称,大型制药公司一直在努力开发新型治疗方法。过去的几十年里,药物开发变得越来越困难、昂贵,因而无法满足许多患者的需求。药物的临床试验成功率徘徊在一位数;开发新药(一旦失败)的税前研发成本预计会超过25亿美元;30年前药物开发投资的回报为2亿美元,之后回报率逐年呈线性下降;据一些分析估计,2020年前这一数字将降至0%。

监管监督和较小的患者数据库使成本增加。柯的公司正试图改变这种状况,Insitro试着利用机器学习进行药物研发和治疗,以此彻底改变制药研发流程。Insitro在几个月内从ARCH、福雷斯资本 (Foresite Capital)、安德森霍洛维茨 (AndreessenHorowitz) 和杰夫贝佐斯个人风险投资管理公司等知名投资者处筹集了1亿多美元。2019年4月16日,制药巨头贾勒德科学公司表示将向Insitro公司支付1500万美元,如果达到既定目标,它还将再支付10亿美元来研发一种治疗常见肝病的药物,这种肝病被称为非酒精性脂肪性肝炎(NASH)。由于人们不良的饮食且缺乏锻炼,这种疾病正迅速成为全球性流行病。这项合作的协议要求Insitro创建疾病模型,找到治疗疾病的正确目标,并测试人工智能能否帮助药物开发。

私人订制护理

人类基因组计划 (HGP) 的第一次人类基因组测序花费了近13年时间,耗资27亿英镑。从那时起,技术进步使得单个基因组测序的时间和成本大幅下降。医疗保健服务开始使用基因组测序,读取患者数据,并根据个体独特的遗传特征为病人定制并优化护理。除了基因组测序技术的进步,大数据和云技术在医学领域的广泛应用也使得精准医学有了新进展。

机器学习算法使用云计算数据湖和数据仓库来识别模式并进行预测。这些数据湖和数据仓库能够清理(在数据中创建一个单一的“真实来源”)并存储大量数据,从而统一多个医疗保健系统。这样通过电子健康记录,可以为人们提供更好且更有针对性的护理。

肿瘤学和癌症研究通过研究癌症遗传学,在精准医学上进行大量投资。在某些情况下,癌症可能是受基因遗传驱动,而非其在患者体内的物理位置。佛罗里达州坦帕市莫菲特癌症中心 (Moffitt Cancer Center) 一直致力于整合分子基因组学、人口统计学和试验的结果,为每位患者建立模型。

有时不相容的治疗方法和药物会有风险,精准医学不仅能降低风险,还提供新的解决方案,以抗击疾病、提供医疗服务。一家名为深度基因组学 (Deep Genomics) 的初创公司利用人工智能和基因组为每位病人找到最佳的药物疗法。

越来越多的医疗保健组织开始投资、试验并将新兴技术整合到他们的系统中,这将打破、改变传统的医疗保健模式。

结论

尽管大量的使用案例和证据表明,在医疗保健行业使用人工智能和机器学习益处颇多,且每年流入该行业的风投资金也越来越多,但医疗保健和科技初创企业仍然面临一系列挑战,巨大的潜在市场所面临的挑战,不是仅仅通过技术改进就能化解的。其中一些挑战包括:

· 实现更广泛的运用

· 工具的实施

· 医疗保健的生态系统

· 法规

· 当前的商业模式

· 与付款人-收款人关系的激励联盟

医疗保健组织必须学会信任、使用算法,这意味着医保组织希望看到算法的临床验证。到目前为止,在没有大量证据验证结果的情况下,有些人仍对全面采用人工智能工具持谨慎或犹豫的态度。

埃森哲咨询公司 (Accenture) 进行的一项数字健康调查显示,持怀疑态度的不仅仅是医生:大约25%的受访者尚未准备好人工智能提供的健康服务。许多人有些担忧这项技术,比如他们不理解人工智能工作的方式,或者担心这项技术会真正地“读懂”他们。

另一个挑战与规模有关。通常在有限范围内,测试的概念验证 (POC) 或试点项目可能尚未准备好在大型机构中推出。另一个问题是,目前先进的技术解决方案在初期对于较小的地区和农村医疗机构来说可能过于昂贵。

最后,考虑到当前健康产业涉及到规模巨大且极具多样性的利益相关者。人工智能对医疗管理人员、临床从业人员、患者的医疗保健操作及治疗产生的影响将有一些推动作用。摩根士丹利 (Morgan Stanley) 估计前景还是不错的,全球医疗领域人工智能市场将从现在的13亿美元飙升至2024年的100亿美元,年复合增长率为40%。