AI VE ML'DEKI ILERLEMELER SAĞLIK HIZMETINI YENIDEN ŞEKILLENDIRIYOR - TECHCRUNCH - BASIN YAYINLARI - 2019

Anonim

Megh Gupta Katkıcısı

Megh Gupta, OMERS Ventures'ın yatırım ekibinin bir üyesidir.

Qasim Mohammad Katkıcısı

Qasim Mohammad, Toronto merkezli bir girişim sermayesi ve OMERS Ventures'ın yatırım ekibinin bir üyesidir.

Bu katılımcı tarafından daha fazla yayın

  • AI ve ML'deki gelişmeler sağlık hizmetlerini yeniden şekillendiriyor
  • Ses tanıma teknolojisi, sürtünmesiz perakendecilik yarışını hızlandırıyor

Sağlık sektörü sektörü, insanların daha uzun ömürlü ve daha iyi yaşamalarına yardımcı olmak için dünyanın en yenilikçi girişimlerine yol açmıştır. Yenilikler temel olarak yazılım ve mobilitenin gelişmesiyle şekillenmiş ve sağlık sektörünün hizmet sunumunu yavaşlatan kalem ve kağıt tabanlı operasyonları ve süreçleri dijital ortama aktarmasına olanak tanımıştır.

Son zamanlarda, yazılımın çok daha zeki ve bağımsız olduğunu görüyoruz. Yapay zeka ve makine öğrenimi afişinde çalışılan bu yeni yetenekler sağlık hizmetlerinde yenilik hızını artırıyor. Şimdiye kadar, sağlık sektöründe AI ve ML uygulamaları, endüstrinin bu alanlardaki en büyük zorluklarını üstlenmesini sağlamıştır:

  • Kişisel genetik
  • İlaç keşfi
  • Hastalık tanısı ve yönetimi

Her bir alanda var olan fırsatların yakından değerlendirilmesi üzerine, bahislerin yüksek olduğu açıktır. Bu nedenle, sürdürülebilir bir ürün farklılaşması ve katma değer ile piyasaya sürülenler muazzam ölçüde fayda sağlayacaktır.

Yeni bir kişisel genetik çağında harekete geçmek

Genetikte AI ve ML'nin en önemli uygulaması DNA'nın hayatı nasıl etkilediğini anlamaktır. Son birkaç yıl, insan genomunun tam dizilişini ve onu okuma ve düzenleme becerisinin ustalığını görse de, genomun çoğunun bize ne söylediğini hala bilmiyoruz. Genler, gıda, çevre ve vücut tipleri gibi diğer değişkenlerle birlikte sürekli olarak yer dışında hareket eder.

Yaşamı ve biyolojiyi neyin etkilediğini anlamak istiyorsak, öncelikle DNA olan dili anlamalıyız. İşte bu noktada ML algoritmaları geliyor ve Google'ın Deep Mind ve IBM'in Watson'ı gibi sistemlerin ortaya çıkması. Şimdi, her zamankinden daha fazla miktarda veriyi (örneğin hasta kayıtları, klinik notlar, tanılama görüntüleri, tedavi planları) sindirmek ve kısa bir sürede desen tanıma işlemini gerçekleştirmek mümkün hale geldi. .

Derin Genomikler gibi işletmeler bu alanda anlamlı bir ilerleme kaydediyor. Şirket, genetik varyasyonun moleküler etkilerini tahmin eden bir sistem oluşturarak DNA'yı yorumlama yeteneğini geliştiriyor. Veritabanları, yüz milyonlarca genetik varyasyonun genetik kodu nasıl etkilediğini açıklayabilir.

İnsan DNA'sının daha iyi anlaşılması sağlandığında, bir adım daha ileri gitme ve bireylere idiyosinkratik biyolojik eğilimlerine dayanan kişiselleştirilmiş anlayışlar sağlama fırsatı vardır. Bu eğilim, bireylerin kendi bedenleri hakkında daha önce görülmemiş bilgilere ulaşma yoluyla sağlıklarını tam olarak kontrol edebildikleri yeni bir “kişiselleştirilmiş genetik” çağının bir göstergesidir.

Bireyler için yaşam tarzı değişikliklerini daha iyi kılmak için teknolojinin çok miktarda veriye erişebilmesi gerekir.

23andMe ve Rthm gibi tüketici genetik şirketleri, bu alandaki ilk devir sayılarını temsil ediyor. Bireylerin genetik makyajını anlamalarına yardımcı olmak için tüketici genetik teşhis araçları geliştirdiler. RMS ile kullanıcılar, bir adım daha ileri gidebilmekte ve genetik testlerinden elde ettikleri analizleri, gerçek zamanlı olarak bir mobil uygulama aracılığıyla günlük rutinlerindeki değişiklikleri uygulamak için kullanabilmektedirler.

Herhangi bir AI / ML uygulamasında olduğu gibi, bireyler için yaşam tarzı değişikliklerini daha iyi kılmak için teknolojinin çok miktarda veriye erişebilmesi gerekir. Japonya'da bulunan araştırmacı Takashi Kido'nun öne sürdüğü gibi, kişisel genetiğin teslim edilmesinde uzmanlaşmaya odaklanan girişimler şu ana faaliyetler göz önünde bulundurularak yapılmaktadır:

  • Güvenilir kişisel genom verileri ve genetik risk tahmini elde edilmesi
  • Kişilerin hangi tür bilgilerin değerli / yararlı olduğunu ve ne tür bir bilginin zarar verdiğini belirlemek için kişisel genomla ilgili tutumları üzerinde davranış paterni analizi yapar.
  • Bilimsel keşif için veri madenciliği

İkinci nokta, bir hastanın biyolojik eğilimleri hakkındaki tüm genetik bilginin üretken olmaması bakımından ilginçtir. Bilgiyi psikolojik iyi oluşa elverişli bir şekilde kontrol edebilmek kritik öneme sahiptir.

Hiper hedefli ilaçlar gelecek

Sağlık hizmetlerinde AI / ML'nin bir başka heyecan verici uygulaması da ilaç keşfinde hem maliyet hem de zamanın azaltılmasıdır. Yeni ilaçlar genellikle 12 ila 14 yıl arasında piyasaya sürüyor ve ortalama maliyet 2, 6 milyar dolar civarında seyrediyor. İlaç keşfi süreci sırasında, kimyasal bileşikler, farklı hücre tipi, genetik mutasyon ve belirli bir rahatsızlık ile ilgili diğer koşulların her olası kombinasyonuna karşı test edilir.

Bunu yapmanın görevi zaman alıcı olduğu için, bu, bilim adamlarının saldırabilecekleri deneylerin veya hastalıkların sayısını sınırlar. ML algoritmaları, bilgisayarların daha önce işledikleri verilere dayanarak tahminleri nasıl yapacağını “öğrenmesini” veya hangi deneylerin yapılmasını gerektirdiğini (ve bazı durumlarda, hatta davranmasını) sağlayabilir. Benzer tipteki algoritmalar da, belirli kimyasal bileşiklerin insan üzerindeki yan etkilerini tahmin etmek ve onayları hızlandırmak için kullanılabilir.

San Francisco merkezli startup Atomwise, ilaç geliştirme sürecinde test tüplerini süper bilgisayarlarla değiştirmek istiyor. Şirket, terapileri ortaya çıkarmak, yeni kimyasal bileşiklerin hastalıklar üzerindeki etkinliğini keşfetmeye ve mevcut ilaçların başka bir hastalığı tedavi etmek için hangi ilaçların kullanılabileceğini tanımlamaya yardımcı olmak için moleküler yapılardan oluşan bir veri tabanını incelten ML ve 3D sinir ağlarını kullanıyor.

2015 yılında şirket çözümünü uyguladı ve Ebola enfektivitesini önemli ölçüde azaltabilecek iki yeni ilaç ortaya çıkardı. Analiz bir günde tamamlandı - geleneksel ilaç geliştirme yöntemlerini yaygın olarak kullanan yılların aksine. Insilico Medicine tarafından yakın zamanda yapılan bir çalışma, Atomwise'ın yaklaşmakta olan yaklaşımı katılaştırarak, derin sinir ağlarının ilaçların farmakolojik özelliklerinin ve ilaç replasmanının tahmininde kullanılabileceğini göstermiştir.

Sağlık sektöründe AI / ML uygulaması, sektörü yeniden şekillendirmek ve bir zamanlar somut bir gerçekliğe imkansız olanı yapmaktır.

Boston merkezli bir biopharma şirketi olan Berg Health, uyuşturucu keşfine farklı bir açıdan saldırıyor. Berg madenleri, bazı insanların hastalıklardan nasıl kurtulduğunu belirlemek için AI kullanarak hasta biyolojik verilerini kullanır ve daha sonra mevcut tedavileri iyileştirmek veya yenilerini oluşturmak için bu görüşü uygular.

Londra merkezli bir girişim olan BenevolentAI, bilimsel literatürdeki kalıpları aramak için AI'yı kullanarak uyuşturucu keşif sürecini hızlandırmayı amaçlıyor. Her 30 saniyede bir yeni sağlık hizmeti ile ilgili çalışmalar yayınlandığı için, küresel olarak üretilen bilimsel bilginin sadece küçük bir kısmı bilim adamları tarafından kullanılabilir veya kullanılabilir. BenevolentAI, uzmanlara ilaç keşiflerini ve araştırmalarını önemli ölçüde hızlandırmak için ihtiyaç duydukları bilgileri sunmak için çok miktarda veri üzerinde analiz yapılmasını sağlar. Son zamanlarda şirket, Alzheimer üzerinde çalışabilen ve ilaç firmalarının dikkatini çeken iki potansiyel kimyasal bileşik tespit etti.

ML ve AI'deki ilerlemeler devam ettikçe, ilaç keşfinin geleceği umut verici görünüyor. Yakın tarihli bir Google Araştırma makalesinde, çeşitli kaynaklardan elde edilen verilerin, hangi kimyasal bileşiklerin “çeşitli hastalıklara karşı etkili ilaç tedavileri” olarak hizmet edeceğini ve ML'nin milyonlarca bileşiği ölçeğe göre test ederek çok zaman kazandırabileceğini daha iyi anlayabileceğini belirtiyor.

Yeni hastalıkları keşfetmek ve yönetmek

Çoğu hastalık basit bir gen mutasyonundan çok daha fazlasıdır. Sağlık hizmetlerine rağmen, kaliteyi sürekli olarak iyileştiren bol miktarda (yapılandırılmamış) veri üretilmesine rağmen, daha önce analiz etmek ve anlamlı analizler üretmek için gerekli donanım ve yazılımlara sahip değildik.

Hastalık teşhisi, hastanın cildinin dokusundan, bir günde tükettiği şeker miktarına kadar çeşitli faktörleri içeren karmaşık bir süreçtir. Geçtiğimiz 2000 yıl boyunca ilaç, semptomatik tespit ile yönetildi ve hastanın rahatsızlıklarının ortaya çıkardığı semptomlara bağlı olarak teşhis edildi (örneğin ateş ve burun tıkanıklığı varsa, muhtemelen grip geçirirsiniz).

Ancak çoğu kez, özellikle kanser ve Alzheimer gibi hastalıklarla uğraşırken, saptanabilir semptomların ortaya çıkması çok geç olmaktadır. ML ile umut, hastalıkların zayıf imzalarının saptanabilir semptomlardan çok iyi keşfedilebilmesi, hayatta kalma olasılığının (bazen yüzde 90'a varan oranda) ve / veya tedavi seçeneklerinin artırılmasıdır.

Fırsatlar büyümeye devam ediyor ve sağlık pratisyenlerimize sağlığımızı ve refahımızı arttırmak için yeni yollar bulmak için ilham veriyor.

San Francisco merkezli bir girişim olan Freenome, kanınızdaki hastalık imzalarını dinamik olarak tespit etmeye yardımcı olan Adaptive Genomics Engine'i yarattı. Bunu mümkün kılmak için şirket freenom'unuzu kullanır - kanınızda yüzen genetik materyalin dinamik bir şekilde toplanması zaman içinde sürekli olarak değişir ve büyüdükçe, yaşarken ve yaşarken kim olduğunuzu genomik bir termometre sağlar.

Hastalık teşhisi ve tedavi planlarına bakıldığında Enlitik gibi şirketler, milyarlarca klinik vakadan etkilenebilir içgörüyü ayırt etmek için derin bilgileri tıbbi verilerle birleştirerek hasta sonuçlarının iyileştirilmesine odaklanır. IBM'in Watson'su New York'ta Memorial Sloan Kettering ile birlikte çalışarak kanser hastaları ve on yıllardır kullanılan tedaviler hakkında birçok veriyi özetler ve benzersiz kanser vakalarıyla uğraşırken doktorlara tedavi seçenekleri önerir.

Londra'da, Google'ın Deep Mind'i, doktorların göz hastalığını daha iyi anlamasına ve teşhis etmesine yardımcı olmak için gözün dijital taramalarını analiz etmek için Moorfields Göz Hastanesi'nin tıbbi kayıtları aracılığıyla madencilik yapıyor. Buna paralel olarak, Deep Mind ayrıca, boyun ve kafa kanserinden muzdarip hastalar için radyasyon terapisi haritalandırmasına yardım etmek için çalışan bir projeye sahiptir ve onkologların daha fazla hasta bakım odaklı görevlere odaklanmalarına olanak sağlamak için planlama saatlerini serbest bırakmaktadır.

Bütün bunlar ne anlama geliyor?

Sağlık sektöründe AI / ML uygulaması, sektörü yeniden şekillendirmek ve bir zamanlar somut bir gerçekliğe imkansız olanı yapmaktır.

AI / ML'nin sağlık hizmetlerinde yaygınlaşması için, ilgili verilere sürekli erişim başarı için gereklidir. Bir sistemin alabileceği daha özel veriler, “daha ​​akıllı” olur. Sonuç olarak, şirketler veri elde etmek için (anonimleştirilmiş formatta bulunan) büyük uzunluklara gidiyorlar. Örneğin, IBM Şubat 2016'da sağlık veri analiz şirketi Truven Health'i, öncelikle veri havuzlarına ve analizlerine erişim sağlamak için 2.6 milyar dolar karşılığında satın aldı. Ayrıca, yakın zamanda, gerçek zamanlı insülin verilerine erişerek, daha fazla Watson'ın diyabet duygusu kazandırabilmeleri için Medtronic ile ortaklık kurdular.

Veriler gittikçe zenginleştikçe ve teknoloji ilerledikçe fırsatlar büyümeye devam ediyor ve sağlığımızı ve refahımızı arttırmak için yeni yollar bulmak için sağlık pratisyenlerine ilham veriyor.