L’apprentissage automatique et son impact dans diverses facettes des soins de santé

  • FrançaisFrançais


  • Les données dans les milieux de la santé sont utilisées pour générer des informations quotidiennes ainsi que pour l’amélioration continue de l’ensemble du système de santé. Des pratiques obligatoires telles que les dossiers de santé électroniques (DSE) ont déjà amélioré les processus de soins de santé traditionnels en incorporant des données volumineuses pour effectuer des analyses de données de pointe. Les outils AI / ML sont en outre destinés à ajouter de la valeur à ce domaine.

    De l’analyse des radiographies, à l’identification des anomalies tissulaires, à l’amélioration de la précision de la prédiction de l’AVC basée sur les signes cliniques, au bénéfice du médecin de famille ou de l’interniste au chevet du patient pour soutenir leurs décisions cliniques, l’apprentissage automatique fournit l’opinion objective indispensable pour améliorer l’efficacité et la fiabilité. et la précision du flux des soins de santé.

    Les algorithmes prédictifs et l’apprentissage automatique sont aussi bons que les données d’entraînement derrière ces modèles avancés. À mesure que davantage de données seront disponibles, de meilleures informations seront disponibles pour créer ces modèles d’apprentissage automatique. Et par conséquent, nous voyons qu’une grande partie des succès initiaux de l’apprentissage automatique proviennent de grandes organisations dotées de grands ensembles de données – Google, Aurora Healthcare, NIH d’Angleterre pour ne nommer que quelques organisations capables d’exploiter les données.

    Ces entreprises disposant d’une quantité massive de données facilitent le développement de centres d’excellence (CoE) qui produisent des algorithmes d’apprentissage automatique uniques et puissants. Le fait de disposer de référentiels de données centralisés et synchrones permet le déploiement de ces algorithmes dans les cas d’utilisation des soins de santé. Vous trouverez ci-dessous quelques-uns des principaux cas d’utilisation, bien que non exhaustifs, qui décrivent le déploiement et l’utilisation de l’apprentissage automatique dans les soins de santé.

    Médecine personnalisée

    La médecine a parcouru un long chemin, à partir d’une approche de traitement antibiotique généralisée à large spectre pour le traitement des maladies et une approche de prévention qui prend en compte la variabilité individuelle des gènes, de l’environnement et du mode de vie pour chaque personne.

    InsightRX, par exemple, exploite la pharmacologie quantitative avec l’apprentissage automatique pour fournir une réponse personnalisée et individualisée du patient à divers traitements. En combinant des données cliniques, pharmaceutiques et socio-économiques avec des algorithmes d’apprentissage automatique, les chercheurs et les prestataires sont en mesure d’observer des modèles d’efficacité de traitements particuliers et d’identifier les variations génétiques qui peuvent être corrélées au succès ou à l’échec.

    La gestion des soins de santé

    De l’automatisation du front office de routine et des rapports à l’analyse de la recherche en marketing pharmaceutique, l’apprentissage automatique progresse dans de multiples domaines des opérations et de la gestion. Fondée en 2010, LeanTaaS utilise l’apprentissage automatique pour optimiser les ressources hospitalières telles que les périodes d’attente et les salles d’opération. Avec Goldman Sachs à la tête du soutien aux investissements, la société a levé plus de 100 millions de dollars de financement et est l’un des pionniers dans l’utilisation de l’apprentissage automatique pour améliorer la gestion des soins de santé.

    Diagnostic guidé par apprentissage automatique

    Les scientifiques des données travaillant chez Google ont développé des algorithmes d’apprentissage automatique pour détecter le cancer du sein en entraînant l’algorithme pour différencier les modèles de cancer des tissus environnants autrement sains. L’algorithme d’apprentissage automatique a entré de grandes quantités de données dans son système et formé pour différencier le modèle de tissu anormal des cellules environnantes normales.

    Des études montrent que ces technologies d’apprentissage automatique, d’analyse prédictive et de reconnaissance de formes ont été jugées avec une précision de plus de 89% par rapport à une précision de moins de 75% des pathologistes et des radiologues médicaux formés.

    Recherche et développement

    Les entreprises pharmaceutiques et les organisations de soins de santé ont dépensé des milliards de dollars en R&D pour identifier les facteurs affectant la réponse des patients et améliorer les résultats des soins de santé. Cependant, l’apprentissage automatique a révolutionné la recherche en utilisant ces facteurs, entre autres, pour identifier les patients qui obtiendront de meilleurs résultats que d’autres. De la détection précoce du cancer à l’identification des patients COVID -19 nécessitant une assistance respiratoire, l’apprentissage automatique améliore la recherche basée sur les résultats dans les différentes facettes de la R&D en santé.

    Conclusion

    L’intelligence artificielle et l’apprentissage automatique continuent de croître dans le secteur de la santé avec les progrès technologiques en constante évolution. Il y a eu plus de startups axées sur la santé qui déploient l’apprentissage automatique que jamais. Cependant, les modèles d’apprentissage automatique n’ont pas été mis en œuvre dans la même mesure dans les soins de santé qu’ils l’ont été dans d’autres secteurs verticaux. Premièrement, l’apprentissage automatique est une technologie récente et est loin de l’état de perfection.

    Qu’il s’agisse de son approbation FDA, ICMR ou EMA, c’est un processus long, ardu et coûteux pour tester, valider et approuver la technologie dans un environnement de soins de santé. Deuxièmement, la confidentialité et la sécurité des données sont l’un des plus grands obstacles à l’adoption de l’apprentissage automatique dans les soins de santé. Dans le secteur de la santé, les technologies et les systèmes doivent être développés de manière à être conformes aux lois et aux règles respectives des organisations gouvernantes sur les données.

    Malgré la multitude de défis dans le domaine des soins de santé, un besoin de percée dans la prestation des soins de santé est absolument nécessaire. Du vieillissement de la population de divers pays à la diminution du ratio médecin / patient et à un examen plus minutieux de l’exactitude du diagnostic, le besoin de nouvelles solutions innovantes dans le domaine des soins de santé est clair et explicite. Les meilleures opportunités pour l’IA dans le domaine de la santé sont celles où les cliniciens sont soutenus dans le diagnostic, la planification du traitement et l’identification des facteurs de risque, mais où les médecins conservent la responsabilité ultime des soins du patient.




    Source

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *