Verwacht niet dat u de volgende keer dat u de spreekkamer bezoekt, door een robotarts wordt behandeld. Computers en algoritmen kunnen ons misschien vertellen wat we moeten kijken, wat we moeten kopen en wie we moeten toevoegen aan onze sociale netwerken, maar onderzoek suggereert dat AI in de gezondheidszorg zal niet de mens vervangen zorgverleners binnenkort.
Het kan echter helpen om verwarrend papierwerk, lange wachttijden, onjuiste diagnoses en andere ongewenste elementen van de zorgervaring te vervangen door gunstiger. AI kan menselijke artsen ook helpen hun praktijken op te schalen om meer patiënten te behandelen en hen in staat te stellen meer gepersonaliseerde, effectieve zorg te bieden aan individuele patiënten.
Ja, zelfs in 2021 zijn gesprekken over AI en automatisering in de zorg vaak gericht op potentieel, belofte en mogelijkheden. De meeste kansen voor AI-aangedreven toepassingen in de ruimte liggen immers nog steeds voor de hand, vooral omdat er nog grote hindernissen moeten worden genomen om de weg vrij te maken voor wijdverbreide acceptatie in de ruimte. Totdat dat gebeurt, zal deze transformatieve technologie worden besproken in termen van wat? kon zijn (in plaats van wat is).
Bij Shaip willen we het gesprek veranderen door AI-ontwikkelingsteams te helpen deze hindernissen te overwinnen. We praten er graag over wat de wasure zou kunnen houden voor AI in de gezondheidszorg, maar we houden er nog meer van om die toekomst te creëren. Maar laten we, voordat we ingaan op hoe we dat doen, even de tijd nemen om ons op het heden te concentreren.
AI is niet alleen klaar om de gezondheidszorg voor altijd te veranderen; het heeft al. Hoewel nog relatief nieuw, is de technologie doorgedrongen in bijna elk aspect van het moderne gezondheidszorgsysteem:
- In klinische omgevingen gebruiken artsen AI-ondersteunde beeldvormingstools met geavanceerde patroonherkenningsmogelijkheden om de resultaten van CT-scans, MRI's en andere soorten visuele analyses te onderzoeken, waardoor ze sneller en nauwkeuriger ziekten kunnen detecteren en letsel kunnen diagnosticeren.
- In de klas helpen machine learning-tools leerlingen om diepere inzichten over het menselijk lichaam te krijgen dan ooit tevoren en geven ze de kracht om nieuwe oplossingen bouwen met toepassingen uit de echte wereld.
- In het laboratorium gebruiken onderzoekers geavanceerde programma's om nieuwe medicijnformules te vergelijken met medicijnen waarvan al bekend is dat ze veilig zijn. Ze kunnen deze vervolgens repliceren en herhalen om in recordtijd tegengiffen en vaccins te ontwikkelen.
- Beheerders en leidinggevenden gebruiken AI-applicaties om intuïtievere, efficiëntere patiëntervaringen te creëren die tegelijkertijd de inkomsten voor zorgverleners verhogen en zorg van hogere kwaliteit voor patiënten garanderen. De lijst gaat maar door.
Omdat je dit leest, realiseer je je waarschijnlijk al dat de impact van AI op onze gezondheidszorg systeem is enorm geweest - en het zal alleen maar groter worden. Gezien de talloze verschillende actoren waaruit de sector bestaat, is het aantal uitdagingen dat AI-oplossingen mogelijk kunnen aanpakken schijnbaar oneindig.
Shaip is hier om te helpen deze oplossingen tot leven te brengen. Onze diensten stellen bedrijven en ondernemers in staat om transformatieve AI-technologieën voor de gezondheidszorg te bouwen die echte problemen op grote schaal kunnen oplossen door enkele van de grootste hindernissen op hun weg te elimineren. En voor teams die in de zorg werken, zijn die er genoeg.
Wegversperringen en rode vlaggen
Hoewel de belofte van AI in de gezondheidszorg nog nooit zo groot is geweest, zal het echt integreren van de technologie in het monolithische gezondheidszorgsysteem een proces zijn vol hindernissen. Misschien is geen enkele belangrijker dan de regelgevende obstakels die de geneeskunde onderscheiden van andere industrieën waarin de adoptie sneller heeft plaatsgevonden.
Het is bijna een kwart eeuw geleden dat het Congres de Health Insurance Portability and Accountability Act (HIPAA) uitvaardigde, maar diezelfde wetgeving bepaalt nog steeds hoe zorgverleners omgaan met patiëntgegevens in 2021. Helaas stelt het steeds meer vragen dan antwoorden voor artsen, patiënten en ondernemers die nieuwe medische technologieën willen bouwen. Bovendien komen HIPAA-mandaten nu overeen met recentere regelgeving inzake persoonlijk identificeerbare informatie (PII) zoals de Algemene Verordening Gegevensbescherming (AVG) van de Europese Unie, de Wet Bescherming Persoonsgegevens (PDPA) van Singapore en de California Consumer Privacy Act (CCPA), die de eerste uitgebreide wetgeving vertegenwoordigt die het gebruik van gegevens hier in de Verenigde Staten regelt.
De sterke toename van de vereisten voor telezorg die gepaard gingen met de COVID-19-pandemie heeft alleen meer regelgevende hoofdpijn toegevoegd. Om te beginnen krijgen veel patiënten behandeling op afstand via platforms die niet voldoen aan de HIPAA-normen, waardoor ze kwetsbaar kunnen zijn voor privacybedreigingen. Zelfs platforms die compliant zijn, vormen risico's, omdat ze gevoelige patiëntinformatie kunnen vrijgeven for winst. De groeiende vraag naar virtuele zorg heeft geleid tot veel digitale diensten die buiten de oorspronkelijke reikwijdte van HIPAA vallen, en heeft grote technologiebedrijven Facebook, Alphabet, Amazon en Microsoft gedwongen om onderneming in de markt, wat zowel nieuwe innovatie met zich meebrengt als de behoefte aan aanvullend toezicht.
Voor toezichthouders wordt het afdwingen van naleving binnen dit complexe systeem van mandaten steeds moeilijker, omdat data op nieuwe manieren en door een groeiend aantal actoren wordt gebruikt. Evenzo, voor teams die AI-aangedreven technologieën in de gezondheidszorg willen bouwen en implementeren, vereist het verzekeren dat deze tools voldoen aan de bestaande normen regelgevende expertise die eenvoudigweg moeilijk te vinden is.
Ook moeilijk te vinden? Medische gegevens van hoge kwaliteit. Regelgeving kan ervoor zorgen dat sommige nieuwe technologieën geen wijdverbreide acceptatie bereiken, maar zonder kwaliteitsgegevens zullen AI-aangedreven tools de ontwikkelingsfase niet eens halen.
A recent studies gepubliceerd in de Journal of the American Medical Association ontdekte dat de geografische spreiding van patiënten van wie de gegevens worden gebruikt om algoritmen voor machine learning te trainen, meestal beperkt is tot een paar staten, met name Californië, New York en Massachusetts. Gezien de economische, sociale, gedrags- en andere kenmerken die deze patiënten met elkaar kunnen delen, maar niet met de rest van het land, zouden algoritmen die op deze gegevens zijn getraind, slecht kunnen generaliseren. Dit probleem zou kunnen worden opgelost met meer diverse datasets, maar nogmaals, data is moeilijk te verkrijgen. Eenmaal verworven, is het ook moeilijk te organiseren, wat een andere cruciale stap is voor ontwikkelaars van machine learning-technologieën.
Veel bedrijven doen aanzienlijke investeringen om gegevens voor hun algoritmen te vinden of te creëren en besteden vervolgens nog meer aan het betalen van annotators om deze te labelen. Net als bij te homogene datasets, zullen gegevens die niet correct zijn gelabeld en samengesteld, AI-programma's trainen om bevooroordeelde en onnauwkeurige resultaten te genereren, waardoor problemen ontstaan die niet gemakkelijk kunnen worden opgelost. Helaas zullen deze problemen gemeengoed blijven voor teams die werken aan AI-technologie voor de gezondheidszorg. Uit onderzoek van Gartner blijkt dat tot 85% of AI-projecten zullen verkeerde resultaten opleveren als gevolg van vooringenomenheid op het gebied van gegevensbeheer tot 2022.
Nogmaals, er zijn tal van andere uitdagingen voor het maken van AI-toepassingen voor de gezondheidszorg, zowel bekende als onbekende. Naarmate meer ontwikkelaars de ruimte betreden en meer providers worden geconfronteerd met beslissingen over het al dan niet toevoegen van AI-aangedreven oplossingen aan hun strategieën voor de behandeling van patiënten, doen deze uitdagingen de overhand. Hoewel obstakels onvermijdelijk zijn wanneer je probeert nuttige, transformatieve tools te bouwen met behulp van nieuwe technologieën, helpt Shaip teams om veel van de grootste hindernissen te overwinnen waarmee ontwikkelaars in de ruimte momenteel worden geconfronteerd.
Hoe Shaip de AI-vooruitgang in de gezondheidszorg bevordert
Shaip biedt een reeks oplossingen die speciaal zijn ontworpen voor teams die werken aan AI-toepassingen in de gezondheidszorg. Samen kunnen ze u helpen een aanzienlijk en veelzijdig rendement op uw investering te realiseren en schaalbare producten te bouwen die een echt blijvende impact op de branche hebben.
Volledig beheerde gegevensverzameling
Om applicaties te bouwen die echt nuttig kunnen zijn voor zorgorganisaties, moeten teams oplossingen bouwen die consistent nauwkeurige, onbevooroordeelde resultaten genereren. Natuurlijk hoor je misschien over AI-technologieën die ziekten nauwkeurig detecteren en diagnosticeren, maar dit gebeurt meestal in scenario's waarin kunstmatige beperkingen worden gebruikt om te controleren op bekende trainingsbeperkingen, zoals een gebrek aan relevante kwaliteitsgegevens. Als u een product hoopt te ontwikkelen dat wijdverbreid wordt toegepast in echte klinische omgevingen, moet het in staat zijn optimale resultaten te leveren onder een breed scala aan veeleisende omstandigheden. Met andere woorden, u hebt veel betrouwbare gegevens van wereldklasse nodig om uw algoritmen te trainen.
De volledig beheerde gegevensverzamelingsservices van Shaip zorgen ervoor dat u over de gegevens beschikt die u nodig hebt wanneer u die nodig hebt. Met onze eigen mobiele app, gepatenteerd webgebaseerd platform en ervaren interne projectteams zijn we in staat om gegevens te verkrijgen van bijna elke combinatie van leeftijdsgroepen, demografische gegevens en educatieve achtergronden. Ons human-in-the-loop verzamelproces omvat materiedeskundigen uit de gezondheidszorg om ervoor te zorgen dat de gegevens die u ontvangt voldoen aan de hoogste normen voor kwaliteit en betrouwbaarheid. Naast het identificeren, profileren en sourcen van gegevens, zorgen we ook voor het opschonen en voorbereiden van gegevens, zodat uw team zich kan concentreren op andere high-impact activiteiten.
Meerdere gegevensformaten
We kunnen een diverse dataset leveren met afbeeldingen, video, audio en tekst om een breed scala aan AI-modellen aan te sturen.
Tekst:
Shaip heeft honderden ervaren professionals beschikbaar om gegevens aantekeningen te maken op vrijwel elk type tekstgegevens, van doktersnotities tot verzekeringsclaims, waardoor u inzichten kunt ontdekken die anders verborgen zouden blijven in ongestructureerde datasets. Bovendien stelt ons intuïtieve, aanpasbare cloudplatform u in staat om annotaties aan te passen voor zeer specifieke gebruiksscenario's en domeinspecifieke inzichten te krijgen om technologie-ontwikkeling te informeren.
audio:
Shaip heeft een bewezen staat van dienst in het bouwen en optimaliseren van zeer functionele gespreks-AI, chatbots en spraakbots. Dankzij ons wereldwijde netwerk van gekwalificeerde linguïsten en een team dat in staat is grote hoeveelheden audiogegevens te verzamelen en te annoteren — inclusief niet-gescripte gesprekken tussen artsen en patiënten, uitingen en wekwoorden, monologen en andere soorten spraak — kunnen we u helpen bij het trainen van spraak -enabled applicaties snel en effectief.
Afbeelding:
Onze beeldtrainingsgegevenssets worden geanalyseerd met behulp van een combinatie van chirurgisch nauwkeurige handmatige processen en geavanceerde technologie voor toepassingen die afhankelijk zijn van geavanceerde computervisie en patroonherkenning. En we leveren niet alleen de gegevens; we kunnen u ook helpen bij het ontwikkelen van machine learning-algoritmen van wereldklasse om oplossingen aan te sturen die menselijke gezichten, voedsel, documenten, medische laboratoriumafbeeldingen, geospatiale afbeeldingen en andere visuele informatie kunnen herkennen.
Video:
Onze mensen, ervaring en technologie stellen ons in staat om aan vrijwel alle vereisten voor video-annotaties te voldoen. Wat we het beste doen, is objecttracking: video's frame voor frame annoteren om computers te leren specifieke objecten te herkennen door middel van machine learning. Of u nu AI-compatibele robotapparatuur bouwt om artsen in klinische omgevingen te helpen of toepassingen die de interactie tussen patiënten en verpleegkundigen tijdens telezorgafspraken verbeteren, wij kunnen u helpen.
Verzekering van naleving
Het beschermen van patiëntinformatie is van cruciaal belang voor het ontwikkelen van levensvatbare AI-zorgtoepassingen. Het verzamelen van voldoende gegevens kost echter tijd en het de-identificeren van die informatie kost nog meer. Wanneer het uw doel is om nieuwe technologie te bouwen, testen en implementeren, is er weinig tijd.
Shaip biedt gelicentieerde zorggegevens om deze last te verlichten voor teams die AI-modellen ontwikkelen die op tekst gebaseerde medische dossiers van patiënten, afbeeldingen van CT-scans, röntgenfoto's (en andere visuele diagnostiek), opnames van artsen en tientallen andere gegevenstypen analyseren. Met Shaip API's krijgt u on-demand toegang tot deze groeiende bibliotheek van geanonimiseerde dossiers en hoogwaardige gecontextualiseerde medische gegevens (inclusief meer dan 10 miljoen datasets afkomstig van meer dan 60 verschillende locaties over de hele wereld) die voldoen aan alle HIPAA en Safe Harbor standaarden (inclusief de redactie van alle 18 identifiers die in deze richtlijnen worden behandeld). Voor teams die uitgebreidere services nodig hebben, kunnen we de de-identificatie van gegevens schalen in meerdere regelgevende rechtsgebieden.
Als marktleider op het gebied van gegevensde-identificatie, gegevensmaskering en gegevensanonimisering vormt de privacy van patiënten de kern van onze oplossingen. We bieden deskundige certificering en audits van de-identificatiekwaliteit en houden ons aan de uitgebreide richtlijnen voor persoonlijke gezondheidsinformatie (PHI) in overeenstemming met de Safe Harbor-normen. Evenzo geeft het ShaipCloud-platform u toegang tot uw gegevens in een beveiligde omgeving, waardoor het risico van niet-naleving verder wordt verkleind.
Laten we samen verder gaan
Bij Shaip begrijpen we het immense potentieel van AI om vrijwel elk aspect van het bestaande gezondheidszorgsysteem te verbeteren, en we zijn verheugd om onze expertise te lenen aan de organisaties die werken aan het ontsluiten van dat potentieel. We zijn ook zeer bekend met de unieke uitdagingen waarmee deze organisaties worden geconfronteerd, en al onze services zijn ontworpen met deze uitdagingen in gedachten.
Als je deel uitmaakt van een team dat werkt aan oplossingen voor de gezondheidszorg aangedreven door AI en machine learning-technologieën, helpen we u graag verder met uw initiatief. Onze ervaring omvat de hele levenscyclus van AI-ontwikkeling en we hebben aan projecten van bijna elke omvang gewerkt - we zijn er nog geen tegengekomen die te groot of te klein was. Neem vandaag nog contact op als u meer informatie nodig heeft.
