麦肯锡:潜力巨大,障碍多多,人工智能医疗是蓝海还是虚火?|雷报018期:德甲联赛官网

发布时间:2021-03-16    浏览:

本文摘要:的支付和赔偿管理。

的支付和赔偿管理。一些临床医生用于人工智能预测某些疾病的传播,并试图预测哪些患者最适合患者。他们根据这些信息接受预防性化疗。他们还利用这些预测,协助医院管理人员确定工作人员,与保险公司协商缺席率,制定支出,优化库存水平。

利用这种医疗和社会数据更好地管理成本的想法,医疗预测在医疗保健领域,拥有一流的技术、制药和医疗公司、小型创业公司。JohnsonJohnson与SAP合作,用于机器学习预测客户市场需求、库存水平和产品组合。

Careskore,预测分析平台用于机械学习,确认患者有可能被新医院采用。未来,人工智能工具将大大加快医疗保健向防治医学的变化。

医疗专家专心远程管理患者的健康,不必进医院。为了做到这一点,人工智能工具不仅不会分析患者的医疗史,还会分析影响身体健康的环境因素,如污染、生活、工作噪音等。这样,就可以识别风险组,告诉当地政府在哪里实施预防医疗计划。

机器学习适合分析数百万病历数据,预测一定人口水平的健康风险。这可能是人工智能的早期胜利,因为它带来了巨的潜力,所以在预测个人健康风险时不需要监督审查。医护人员将获得信息,让患者参与防治行动,还包括营养、打磨、防污等医疗服务和生活方式和环境因素。

医院的管理者不会更好地预测高峰期。例如,入学人数急剧增加。人工智能工具通过融合个人医疗记录、天气数据等信息,跟踪传染病的发病率,协助估计有多少人必须住院治疗。

例如,人工智能应用可以用于医疗和人口数据来预测妊娠的减少,如果产科医院需要额外的员工,就不会警告卫生保健管理者。报告显示,采取AI措施后,美国每年所有医疗服务的潜在成本节约为3000亿美元,约占GDP的0.7%。英国用于人工智能目标的预防和保健,每年可约33亿人的住院费用。

人工智能协助医学专家临床疾病,提高操作者机械学习能力,提高临床准确性。斯隆凯特琳研究所估算,在临床癌症患者和处方化疗时,医生只用于20%的实验科学知识。

人工智能APP可以通过百万页的医学证据进行检测,在几秒钟内获得临床和化疗方案。基于AI的图像识别和机器学习可以在MRI和X射线图像中看到比人眼更详细的信息。

例如,不同类型的胶质母细胞瘤有显着的遗传异常,医生根据这些异常进行化学疗法。但是,放射科医生不能仅仅通过图像识别脑癌的基因异常。梅奥医院有机械学习程序,可以慢慢可靠地识别异常。人工智能的自动化可以通过增加医生和护士的日常活动来提高医疗保健的生产力。

有一天,配备深度自学算法的聊天机器人需要减轻急诊室面临喉咙痛、尿路感染患者等大量非急救患者的情况。完成人工智能意味着大幅节约运营效率。据调查,尽管人工智能有很大的潜力,但医疗在人工智能技术方面仍然领先于其他行业。人工智能的使用主要集中在运营和客户服务上,最常用的技术是语音识别和计算机视觉,在我们的调查样本中,两者在医疗保健公司的份额分别为9%和7%,其中包括已经注意到人工智能的组织。

在很多医院,购票决定等运营管理功能,还是手工完成的。我们已经发现,如果某个部门在使用数字技术方面进展缓慢,人工智能的使用也有一定程度的偏向。报告《数字美国》发现,全国近四分之一的医院和40%以上的医生还没有使用电子健康记录系统。

即使有电子记录系统,也不需要与患者和其他提供者无缝共享数据的反复测试,患者必须反复描写病史。因为这些系统不能通过操作者。

另一份MGI报告,即《分析时代,找到美国的医疗保健部门只有10%到20%的机会用于高级分析和机器学习。进展缓慢不是因为医务人员和行政人员对AI不感兴趣。人们很感兴趣,但医学面临着一些独特的高难度障碍。

医疗记录的敏感性和严格的维护隐私规定阻碍了深度自学和其他人工智能工具拒绝的高质量单体数据的收集。另外,数据和行业本身、医疗保健行业的碎片化和其他监督障碍的复杂性也在减慢。在发达国家完成人工智能意味着大幅节约运营效率。对美国的报价占GDP的1%至2%。

在其他低收益国家,预计节约将占GDP的0.5%到1%。只有人工智能才能使第一版护士的生产力从40%上升到50%。麦肯锡的研究研究,医院可以节省一半人工费,明显增加患者的等待时间。

医院还可以通过人工智能解决方案优化许多普通业务任务来提高能力利用率。虚拟世界代理可以自动化传统患者的交互。

语音识别软件早已在客户服务中应用,减少了处置病人的日常工作成本费,例如购票和登记住院的時间。自然语言处理可分析期刊文章等文件,整理其内容,便于医生慢慢查询。这些类型的应用程序不需要通过监督审查,可以产生明显的影响。

保险公司设计了新的方法,希望预防保健,鼓励提供者学习机械技术,预测患者不道德,计算疾病概率,比现在的方法和医疗保险提供者提高生命的可能性。新的商业模式可以融合人工智能和不道德的健康介入,集中精力预防、疾病管理和健康——人们成为患者之前处理不健康。

一家名为DiscoveryHealth的南非保险公司,追踪不受保险人的饮食和健身活动,鼓励他们的健康不道德。人工智能还希望支付者、供应商和药企之间建立新的合作伙伴关系,增进按业绩收费的模式,加快对预防性医疗的变化。

Payers可能会更好参与护理管理,或者希望他们的提供者通过引进基于机器学习识别风险的合同模型或基于AI的风险管理模型来构建。当更多的保险公司用于机器学习分析历史病历数据时,基于内容的缴纳计划不会有明显的扩展,计划会根据机构所有提供者的平均治疗费用来缴纳医生和医院的费用。根据麦肯锡的客户经验,我们指出这种方法不会对成本产生明显的影响,使整形外科医生的费用从8%增加到12%,而医生的临床费用从4%减少到5%。

医生可以为个别患者定制化疗方案。甚至药物患者也需要从人工智能在医疗领域的繁荣中获益。

考虑到每个患者的历史和基因构成的复杂性,标准化的化疗方法并不是每个患者都发挥的,研究者用于先进设备的分析方法来个性化的化疗方案。决策可以根据数据分析和远程临床设备获得的患者监视。被称为Turbine的创业公司用于人工智能设计个性化的癌症化疗方案。

该技术在分子水平上对细胞生物学进行建模,试图识别用于特定肿瘤的最佳药物。它还可以识别简单的生物标志物,每天开展数百万次模拟实验寻找人群疗法。人工智能利用大量数据解决问题狭窄问题的能力和定制医疗的提倡者产生了反响。他们承诺获得独特的药物、理疗和化疗,以最多的副作用获得仅次于利益,因此数百万其他具有症状、肾功能和年龄相似的人的健康结果对他们来说具有不可估量的价值。

一些公司已经用于机器学习和其他人工智能技术对个别患者进行化疗。Mindmaze用于机器学习,优化中风患者的康复活动。

Ginger.io用于机器学习,根据患者的新陈代谢和其他因素,推荐最佳服药时间。量身定制的化疗可能会使人均医疗开支增加5%至9%,同时减少0.2至1.3年的平均寿命,每年提高200美元的生产力。

在世界范围内,经济影响可能在2兆美元到10兆美元之间平均。虚拟世界代理作为患者的主要接触点医疗领域最引人注目的问题是优质医疗资源严重不足。这个问题可以说是全球性的。再加上人口老龄化的加剧,将来对医生的需求量增加的可能性很高。

医疗实践已经采取了一些小步骤,将人工智能纳入患者管理,引进语音识别和其他语言方面的人工智能技术,构筑操作者的自动化。未来,没有语音识别、图像识别和机械学习工具的虚拟世界助理需要协商、临床、开药等操作者。

如果这些系统缺乏足够的信息来得出结论,虚拟世界代理商可以命令额外进行测试,并与患者约间。在农村,虚拟世界代理商需要远程咨询。

但是,这种情况必须对患者、提供者和监督者几乎自动化的临床和处方感到舒适。争论较少的是,在医院,虚拟世界代理商需要协助患者登记,向合适的医生推荐解决问题。

虚拟世界助理需要协助患者在医院机构的导航系统,为他们测试,保证按时见面。一些大块虎,数据的可用性首先是妨碍人工智能开发和医疗保健应用的可能性瓶颈之一,是充分数量和格式标准的高质量数据。如前所述,今天信息高度集中,遍布整个行业,集中在各个地方,电子医疗记录、实验室和光学系统、医生记录和医疗保险赔偿材料等最无法协商。

将这些信息分成大型综合数据库很困难,但这是人工智能理解疾病及其化疗方法的必要条件。例如,文化障碍阻碍了医疗数据所有者——医院、保险公司、制药公司——与临床公司的合作。当然,数据本身也很脆弱。

当人们在网上销售或重新加入某些信用计划时,他们一般不允许采访某些类型的个人数据,但他们可能会拒绝尝试了解更多未知的医疗历史,尤其是如果他们不指出这是合适的,潜在的好处是抽象的。他们也可能担心,对于黑客和数据小偷来说,隐私的健康细节集中在收集上是理所当然的目标。监督机构必须大力制定具体规则,定义谁需要用于这些数据,可以用于哪些数据,如何保存,以及如何邮寄。

技术允许是另一个障碍。为了完成工作,人工智能技术必须了解患者和其他人,但人们对人工智能技术的实际临床或自由化疗计划知之甚少。有多少患者不相信人工智能工具,不相信人工智能的临床,遵循人工智能化疗计划还是有疑问的。

如果没有人需要解释计算机是如何要求的,或者如何避免某种情况再次发生,监督者会冒险做出错误的决定损害患者。即使是最强大的人工智能工具也是一个问题,比如深度神经网络,一段时间内也不会维持这种情况。

理论上,人工智能工具比分离的人类临床医生不容易犯错误。人工智能公司将被迫解决市场分化问题。数以百计的供应商获得了数千种不同的机械学习程序,为特定的临床状况设计。

但是,在日常实践中,医生必须处理不同情况的平台。如果保健人员想要利用AI的能力,也有一些事情要做。首先,他们需要雇佣和培养接受训练、配置、确保和操作者人工智能系统能力的人。

除数据分析师和技术人员外,还包括项目管理、团队开发和解决问题的技能。与此同时,传统工作人员-医生、护士等医疗专家-必须习惯于在机器和人工智能工具的反对下工作。这将使他们有机会更好地关注临床病例,将管理和低风险工作交给人工智能和数字解决方案,但他们必须解决相当严重的猜测心理。

结语:一方面,优质医疗资源供应严重不足,成本高,医生培养周期长,误诊率低,病谱变化慢,技术日新月异,另一方面,随着人口老龄化的加剧,慢性疾病的迅速增加,对健康的高度评价,医疗服务市场的需求不断减少。可以意识到,尽管人工智能在医疗领域的全面着陆仍有一些障碍,但(公共编号:)指出,在即将到来的未来,医疗行业将成为人工智能的下一个蓝海。这也是谷歌、IBM等大公司不择手段血本大马利亚金钱的根本原因。另外,从另一个角度来看,即使是早就入局的大公司,他们在医疗领域的人工智能研究也只是入门水平,AI医疗也有很大的可能性。

原始文章允许禁止发布。下一篇文章发表了注意事项。


本文关键词:德甲联赛官网,德甲联赛,下注入口

本文来源:德甲联赛官网-www.metalizos.com