PG ir Naujoji Afrika (IV dalis): PG taikymas Afrikoje

Praėjusią savaitę mes pasiūlėme aptarti kai kuriuos konkrečius PG taikymo atvejus, daugiausia dėmesio skiriant sveikatos apsaugai. Trumpai tariant, tikroji PG yra tada, kai sistema gali suprasti ir mokytis iš sudėtingų duomenų rinkinių, teikdama pagrįstas rekomendacijas ir pasiūlymus. Verta paminėti žodį „duomenys“, kuris yra informacija arba, konkrečiai kalbant, skaitmeniniu būdu prieinama informacija. AI labai priklauso nuo duomenų prieinamumo treniruoti mašiną, panašiai kaip žmonės mokosi imdami ir analizuodami duomenis. Skirtumas čia, pagrindiniame lygmenyje, yra idėja, kad mašinos mokosi su didžiuliu duomenų kiekiu per daug trumpesnį laiką ir padidintu greičiu. Taigi tai yra bandymas pagreitinti ir optimizuoti mašinų duomenų rinkimo greitį, analizuoti duomenis ir mokytis iš jų, kad prireikus būtų tikslesnės ir pagrįstos rekomendacijos ir pasiūlymai.

Mes esame augančios didesnės apimties technologinės revoliucijos nei internetas ir mobiliojo ryšio technologijos. Pastaruoju metu beveik viena diena nepraeina be pranešimo apie naują neįtikėtiną AI sieną. Tačiau didžioji dabartinė aplink AI kilusi hipotezė yra vadinama giliu mokymu (DL). PG, ypač DL, buvo naudojama daugelyje pramonės sričių ir gyvenimo aspektų - nuo bendravimo iki gabenimo, nuo klientų aptarnavimo iki finansų ir nuo gamybos iki sveikatos priežiūros ir kitose srityse. Apskritai PG gali turėti potencialiai žalingų pritaikymų, o poveikis dabartinei pasaulio ekonomikos architektūrinei tvarkai ir tokiose vietose kaip Afrika turėtų būti pasirengusios pasinaudoti šia galimybe ir būtinomis įvestimis.

PG sveikatos priežiūros srityje

Kaip pranešėme neseniai paskelbtame pranešime apie tai, kaip PG gali padėti pakeisti farmaciją Afrikoje, PG programos vis dažniau naudojamos diagnozavimui, chirurgijai, pacientų stebėjimui ir, žinoma, vaistų kūrimui ir pristatymui bei daugeliui sveikatos priežiūros paslaugų. Pagrindiniu lygmeniu tai būtų galima apibūdinti kaip didelių duomenų panaudojimą gyvybės moksluose, kai reikia greitai apdoroti ir pateikti didžiulį kiekį sveikatos ir biologinių duomenų ir jų įvairovę.

Šiuo metu tai didėjanti tendencija daugelyje sveikatos priežiūros sektorių, kur yra daugybė duomenų, tokių kaip laboratorijų duomenys, draudimo duomenys, pacientų įrašai, tyrimų duomenys ir netgi socialinės žiniasklaidos duomenys. Neseniai paskelbtoje ataskaitoje „CB Insights“ nustatė daugiau nei 100 gerbiamų kompanijų, kurios taiko kompiuterinio mokymosi algoritmus ir numatančią analizę įvairiose sveikatos priežiūros srityse, pavyzdžiui, sutrumpina vaistų atradimo laiką, teikia virtualią pagalbą pacientams ir diagnozuoja negalavimus apdorodamos medicininius vaizdus. .

Daugybė didžiųjų medicinos ir farmacijos kompanijų jau naudojasi dirbtinio intelekto jėgomis ir turi puikių rezultatų. Pavyzdžiui, „Johnson and Johnson's Sedasys“ sistema gavo FDA patvirtinimą, kad ji automatiškai atlieka anesteziją standartinėms procedūroms, tokioms kaip kolonoskopijos. Gydytojas prižiūri kelis aparatus vienu metu, todėl išlaidos yra daug mažesnės nei paskirtas žmogaus anesteziologas. „Insilico Medicine“ išmokė savo AI sistemą numatyti terapinį naujų vaistų vartojimą dar prieš jiems pradedant bandymo procesą. Taip pat yra daugybė robotų, skirtų įvairiems testavimo ir patvirtinimo ligos diagnozavimo etapams.

Sveikatos priežiūros organizacijos vis labiau stengiasi automatizuoti diagnozavimo procesą, kurdamos dideles duomenų platformas, kad padidintų sveikatos priežiūros praktikos ir tyrimų greitį. Kai kuriais atvejais, pavyzdžiui, naudojant „IBM Watson“, šie aparatai turi didesnį diagnozės tikslumą nei gydytojai žmonės. PG ir didelių duomenų taikymas kai kuriuose iš šių sveikatos priežiūros procesų leidžia sistemoms stebėti sudėtingus modelius, taip padidinant efektyvumą nustatant ligas ir formuojant tinkamas diagnozes. Pvz., Netgi ultragarsu, siekiant geresnio tikslumo, dabar naudojamos AI ir debesies sistemos, taip pat 3D vaizdavimo technologija. Pasak „Frost & Sullivan“ analitiko Harpreet Singh Buttar, „iki 2025 m. AI sistemos galėtų būti įtrauktos į viską, pradedant gyventojų sveikatos valdymu ir baigiant skaitmeniniais avatarais, galinčiais atsakyti į konkrečias paciento užklausas“.

Dabar mes turime daugiau virtualių tolesnių veiksmų. Tai reiškia, kad klinikiniam personalui nebereikia skirti tiek laiko stebėjimo procesams. Taip yra todėl, kad pacientai dabar turi galimybę sekti naudodamiesi skaitmeniniais metodais ir priemonėmis, tokiomis kaip skaitmeninės programos ir kitos PG procedūros. Be to, dabar yra intelektualių robotų programų, kurios gali atsakyti į dažnai užduodamus klausimus ir sekti paciento sveikatą, kai kurios programos toliau teikia pacientams rekomendacijas, remiantis jų dabartine diagnoze ir ankstesnėmis medicinos ataskaitomis. Nenuostabu, kad vis daugiau pacientų yra raginami naudotis skaitmeninėmis priemonėmis.

Be to, visos kitos sveikatos priežiūros technologijų priemonės (tiek senos, tiek naujos), kurios padeda sveikatos priežiūros paslaugas padaryti skaitmenines; Diagnostika, telemedicina, EMR, tinkle sujungtas EMR (vidinis tinklas ar internetas), per kompiuterius sujungta įranga, priminimai apie narkotikus, vaistų savitarnos ir pan., dabar juose gali būti integruota AI arba intelektualiosios programos. Dėl to šios priemonės staiga tampa protingesnės, mokosi iš duomenų ir padeda mums dirbti protingiau.

Esmė - PG palengvina sveikatos priežiūros informacijos prieinamumą, svarbą ir pritaikomumą. Padėtų šiek tiek nuodugniau išnagrinėti reikšmingą PG taikymą sveikatos priežiūros srityje, būtent farmacijos pramonėje.

Nauja aušra Afrikai; virsdamas pasauliniu farmacijos centru

Neseniai paskelbtame pranešime kai kuriuos iš jų išsamiai aptarėme. Aptardamas farmacijos ateitį, dr. Bertalanas Mesko sako, kad „medicininių sprendimų priėmimas dirbtiniu intelektu naudojant superkompiuterių galią pakeis kasdienę mediciną. Pažintiniai kompiuteriai, tokie kaip „IBM Watson“, buvo naudojami įvairiais būdais analizuojant didelius duomenis ne tik atliekant genominius tyrimus, bet ir atliekant biotechnologijas. Tai taip pat sukurs naujų narkotikų atradimo būdą. Dėl to gali būti baigtas eksperimentas su žmonėmis, detaliai imituojant žmogaus fiziologiją. Mūsų laikmetis, kai narkotikai bus išbandomi su tikrais žmonėmis, ateities žmonėms atrodys barbariški. O kas, jei superkompiuteriai galėtų ištirti tūkstančius narkotikų taikinių milijardais modelių, modeliuojančių žmogaus kūno fiziologiją per kelias sekundes? „Pharma“ turėtų paremti tokius tyrimus jų naudai. “

Kaip mes jau žinome ir šiuo metu pravartu sau priminti, kad AI ir dauguma kitų technologijų pažangų iš esmės yra tik „įrankiai“, įrankiai problemoms išspręsti ir pagerinti situaciją. Taigi kyla klausimas: ar yra problemų farmacijoje, kurias reikia išspręsti? Ar yra farmacijos procesų, kuriuos reikia patobulinti, patobulinti ir patobulinti? Visi, artimi farmacijai, žino, kad yra ilgalaikių problemų ieškant sprendimų ir procesų, kuriuos verta tobulinti, pradedant nuo faktinio vaistų atradimo ir tobulinimo iki faktinio pristatymo.

Tipiškas PG pritaikymas yra narkotikų atradimas. Gamtoje ir farmacijos kompanijose yra daugybė molekulių ir junginių, kurie galėtų būti tinkami sprendimai kovojant su specifinėmis ligomis ir gerinant sveikatą, tačiau iššūkis yra identifikuoti juos kaip tokius; kaip potencialūs terapiniai dariniai. Narkotikų atradimas ir tobulinimas yra ne tik svarbiausias iššūkis, bet ir reikšmingiausia galimybė tobulinti sveikatos apsaugą. Rasti naują vaistą gali būti labai sudėtinga ir brangu. Reikia daug laiko, kai reikia didelių finansinių ir intelektualinių poreikių. Pagrindiniu lygmeniu tai paprastai būna dėl būtinų procesų, reikalingų užtikrinti, kad mes turime veiksmingų ir saugių vaistų. Vidutiniškai vaistų pateikimo procesai nuo atradimo iki administravimo gali kainuoti farmacijos kompanijoms iki 2,6 milijardo USD ir gali trukti maždaug nuo 12 iki 14 metų. Dėl šios priežasties AI taikymas trumpalaikėje ir ilgalaikėje perspektyvoje yra susijęs su vaisto kūrimo laiko ir kartu išlaidų sumažinimu. Tai ne tik padidintų investicijų grąžą ir sumažintų vartotojų sąnaudas, bet būtų naudinga greičiau pateikti naudingus produktus, ypač ten, kur tai svarbiausia.

Paprastai tūkstančiai molekulių paprastai tiriami ir praeina daugybė procesų, iš kurių tik nedaugelis galėtų patekti į klinikinius tyrimus, o iš maždaug dešimties tūkstančių tiriamų molekulių galimai dviem būtų patvirtinta kaip vaistas. Kyla tokie klausimai: Ar yra būdų, kaip PG galėtų greitai padėti vaistų kūrėjams išvengti per daug išteklių išleidimo pasmerktoms žlugti molekulėms? Ar galėtų vaistų kūrėjai daugiau dėmesio skirti tik kelioms stipriausioms molekulėms, kurios galėtų būti tinkamos ir patvirtintos jų specifiniams tikslams? Rezultatas būtų drastiškai sunaudoti ištekliai, pagreitintas narkotikų atradimo procesas ir užtikrinta, kad bus atrasta geresnės kokybės narkotikų. Na, pasirodo, AI gali būti naudinga, o AI, kaip mes pripažįstame, šiuo metu randa paraiškų beveik visais narkotikų atradimo proceso aspektais.

Keletas į AI orientuotų kompanijų, įskaitant „Insilico Medicine“, „Atomwise“, „Numerate“ ir kitas, dirba daug darbo ir tvarko didelius klinikinius ir medicininius duomenis, kad vaistininkai galėtų geriau atlikti savo darbą. Daugelis, įskaitant „Frost & Sullivan“, neseniai pripažino „Insilico Medicine“ pastangas. Net ir esant dabartiniam progreso tempui (ir tempas spartėja), per artimiausius porą metų medicininio gydymo išlaidos greičiausiai sumažės perpus.

Kai kuriems Afrikos žmonėms tai buvo pasikartojanti tema ir aukštose, ir žemose vietose. Jie mano, kad beveik neįmanoma atlikti rimtų tyrimų, kurti vaistų ir originalesnio indėlio į farmaciją visame pasaulyje iš Afrikos. Daugelis šių žmonių paprastai nurodo draudžiamąsias ir didėjančias vaistų tyrimų ir plėtros sąnaudas, nes to negali sau leisti daugelis Afrikoje besidominčių Afrikos organizacijų. Jiems Afrikos institucijos yra įpareigotos vykdyti originalias mokslinių tyrimų pastangas, kurios dažniausiai yra lentynose. Daugelis pripažįsta, kad tai yra netvarus dalykas. Laimei, pasiekus pažangą technologijų srityje, ypač AI, dabar nėra jokios priežasties, kodėl mokslininkai ir kūrėjai Afrikoje negali būti produktyvesni ir novatoriškesni siekdami geresnių narkotikų atradimo rezultatų. Tai greičiausiai pakeistų farmaciją ir sveikatos apsaugą apskritai.

apie autorių

Iraneus Ogu vadovauja „Afrikos dirbtinio intelekto“ ir „Blokinių grandinių“ sveikatos priežiūros iniciatyvai įmonėje „Insilico Medicine, Inc.“. Be technologinių pokyčių, jis dirba su ilgaamžiškumo ir senėjimo intervencijomis, tyrinėdamas neuroregeneraciją. Jis taip pat dirba su „Longenesis.com“ kūrimo komanda ir turi farmacijos mokslų išsilavinimą Grinvičo universitete, kur savo tyrimuose daugiausia dėmesio buvo skiriama kontroliuojamo atpalaidavimo vaisto formoms.