根据美国卫生与公众服务部的数据,这方面的进展基于价值的医疗保健美国的医疗服务系统——基于病人治疗结果的医疗服务提供者支付模式——几乎与美国的医疗服务系统并行重要的实现率电子病历/电子医疗记录(EHR / EMR)。
市场研究公司研究和市场预测的EHR市场将达到到2025年将达到330亿美元。该公司预计,政府支持采用电子病历的举措将极大地影响这一趋势。
的体积患者数据一些医疗专业人士认为,寻找工具来获取见解的复杂性可能会变得更具挑战性。研究人员正在探索如何人工智能可以帮助汲取信息的形式大规模和复杂的数据集。
本文将着手确定的答案,以下几个问题:
- 现在出现了哪些类型的人工智能应用程序来改进医疗记录分析?
- 医疗保健市场是如何实现这些AI应用程序吗?
医学数据挖掘AI应用概览
我们的研究表明,大多数的AI使用情况和医疗数据挖掘新兴应用似乎可分成三大类:
- 预测分析:什么时候公司和医疗专业人员使用机器学习来分析病人数据,以确定可能的病人结果,如恶化或改善健康状况的可能性,或个人家庭遗传疾病的机会。
- 诊断分析:被定义Gartner公司为“该检查的数据或内容高级分析一表”,以确定为什么一个健康的结果发生。
- 规范的分析:当研究公司开发机器学习算法来执行患者数据的综合分析,以提高病人管理的质量,例如处理病人病例或协调的任务,如排序测试,医务人员之间的流动。
下面,我们提出从每个类别各实施例的有代表性的例子,以及目前的进展(资金上升,导频的应用,等等)。
预测分析
件技术
成立于2015年,总部设在德克萨斯州件技术声称它利用人工智能,机器学习和自然语言处理,以建立自己的软件平台来解释病人数据和推荐个性化的治疗方法。
具体而言,基于云的软件平台,决策科学(DS),培训了数十亿个数据点的使用算法来从患者的数据中得出的见解,提高护理质量,并降低在整个病人的旅程进行分析成本,根据饮片技术。
当用户登录到在线平台,他们可以看到各种不同的类别,包括个案管理,病人的登记和上次遇到的侧栏。经过健康服务提供者或健康专业人士,如医生,社会工作者或转运看到一个病人,他们可以登录到平台,点击进入案件管理类别和搜索客户端。然后,他们可以看到一个客户端配置文件,他们可以查看老最近的遭遇,或票据或数据从一个特定医生的预约或与健康护理专业交互信息。
在下面的2分钟,该公司提供的病人就诊将如何进入公司的虹膜平台的演示。
视频显示,输入Iris平台的数据可以与ai支持的DS平台协同工作,为社会服务提供者、医院和健康计划评估临床和社会因素。该公司称,它还可以防止新供应商在类似急诊室访问的情况下,重复添加相同的数据。
下面这个2分钟的视频进一步展示了人工智能是如何与这个平台结合使用的:
案例研究是当前不可用在该公司的网站。客户的例子包括孩子的健康在达拉斯,德克萨斯州和Parkview医疗中心总部设在科罗拉多州普韦布洛。
到目前为止,该公司已经募集$ 21.6万在总的资金。首席技术官,Rahav多尔,是在计算机科学博士学位谁在圣路易斯的华盛顿大学获得了他的训练。
KenSci
公司成立于2015年,总部位于西雅图的启动KenSci据报道,使用机器学习通过分析临床数据来预测病人的风险。该公司声称,其基于云计算的软件平台来自数据库平150个机器学习模型使用算法训练超过10M的存储组,其中包括从病人的医疗记录的临床数据。
KenSci的平台集成了临床系统,如电子医疗记录(EMR的),所以建议可以由医疗团队很容易实施,根据该公司。该公司声称,该软件识别的模式可能表明通过聚合,清理和分析客户数据的潜在风险以及对医疗结果提供预测见解。
类似于其他简单的分析仪表板,医疗服务提供者或专业人士可以登录到搜索各个组统计信息,如基于某些人群或地域的程序成本的在线平台;或再住院的各种健康状况的平均数量。进入如位置或健康状况的数据后,网站将展示基于其搜索参数的医疗专业人士的图表和数字。用户可以比打印或共享这些成果与同事。
下4分钟的演示提供了KenSci的临床分析解决方案可以如何通过帮助识别模式降低败血症与医院获得性条件(HAC)的总成本的影响,并预测谁是病人处于高风险的例子:
根据其网站,该平台可以提供投资回报率在12周内的客户,并提供有关预测分析1700万名患者。
在一个案例研究公司声称,它帮助美国军队医疗军团避免1666患者再住院了四年,并节省$ 33万美元设备在同一时间内。此前,护士使用的23岁的程序,而只需记录数据。案例研究指出,KenSci软件的使用率记录数据时,保存在平均11次点击用户。
KenSci的投资者包括微软通过其微软创投加速器在西雅图。
诊断分析
PROGNOS
成立于2010年,总部位于纽约的PROGNOS声称它使用机器学习来运行其软件,该软件声称从各医院和卫生保健系统的分析电子病历。
该公司表示,它的临床诊断信息数据库包括50种疾病和1000种算法进行培训,要分析14个十亿180万名患者病历。
该公司声称,它的算法,使平台能够找到患者早期谁需要加强治疗方案,除了提高全面风险管理和运营的质量。
该公司指出,该平台还可以提供制药客户提供每周通知初诊时患者已经确定,以帮助优化市场营销和销售策略。示例客户和合作者包括Biogen, QuestDiagnostics和LabCorp。
到目前为止,该公司已经募集$ 42.3亿资金总额和铅投资者包括默沙东全球健康创新基金和信诺。
“我们已经看到PROGNOS’功能第一手相信健康计划将整合受益非浅实时实验室和诊断数据情报,以完善其风险的方法调整、临床质量和护理管理。”-克雷格·希米尼,副总裁战略和业务发展部信诺(2017年11月)。
根据该公司的LinkedIn页面,费尔南多·施瓦茨他是一名数学博士,曾在康奈尔大学(Cornell University)和斯坦福大学(Stanford University)接受培训。
案例研究和对这个软件的演示视频也不会被发现。
规范的分析
CareSkore
公司成立于2014年,总部位于加州CareSkore声称,它利用机器学习产生预见性和规范性分析,以帮助医疗保健机构实施个性化的病人护理管理。
该平台,该公司声称可以与现有的各种病人的管理平台整合,收集包括临床信息,保险理赔和人口从电子医疗记录每个病人数据的组合。一旦配置文件为病人和医疗服务提供者登录到他们现有的病人管理平台产生的CareSkore的整合可以提醒有关谁似乎是可能disaffect他们的照顾因素的高风险患者的专业人士。因素例子包括感染和服药依从性的问题。这些信息可以由临床医生用于尝试发生之前,以防止这些风险。
该公司的机器学习分析引擎被称为ZEUS,其算法是在训练的报道从超过42万名患者4.3十亿个数据点。这些数据集代表从个性化的病人护理计划制定的框架。
下面的视频描述了CareSkore如何将多个数据源集成到其机器学习和人工智能驱动的患者参与平台中。
该公司的网站声称,与之相比,平均为60〜70%的传统分析解决方案的平台,达到90%的准确率。
CareSkore的网站上没有可用的用例,然而,芝加哥医学院指出它是一个客户:
“CareSkore已经大大简化了患者特异性先进的实施分析......通过访问,并与现有的电子病历和其他应用程序集成显著降低了障碍采用和部署。”-Rohit阿罗拉,MD,教授和心血管医学的主席,芝加哥医学院(2017年2月)
公司筹集了$ 440万日它的高级数据科学家,迈赫达德Nouralishahi是谁在电气工程/优化收到了来自UCLA他的训练博士学位。
漫游分析
成立于2013年,总部设在加州,漫游分析声称它利用机器学习提供了基于Web的医疗数据分析平台。
漫游说,算法驾驶成千上万的患者数据点,该平台抽奖等各种医疗机构电子病历数据。该公司还声称,收集非结构化数据,定义为“即没有标准内容规范记录的信息,通常记录为自由文本。”
虽然演示视频或网站上没有关于如何使用该平台的说明,但我们的研究发现,健康服务提供商会登录该平台并链接现有电子病历的数据。EMR信息从卫生组织整合后,该平台可以对每个患者提出“可操作的见解”。根据其网站,这可能包括治疗建议或测试,医生可能希望运行的基础上的意见,病人在预约。
卫生保健研究与质量机构已确定非结构化数据的主要障碍,以质量测量的努力。用例,视频演示和客户实例不能在我们的研究中找到。
在下面的6分钟,亚历克斯Turkeltaub,漫游CEO和联合创始人,提供了公司的概况,地址在合成从非结构化健康数据和各地消费者数据讨论了挑战可操作的见解的障碍。
迄今为止,漫游Analytics(分析)据报道,提出$ 21.9亿资金总额。共同创始人和首席科学家,安德鲁·马斯,获得了计算机科学斯坦福大学的博士学位。他获得学士学位从计算机科学与认知科学卡内基梅隆大学。使用无演示视频或指令可以在漫游的YouTube帐户,或在网上找到。
总结思考
在当前和医疗记录数据采矿业新兴的应用,我们的研究发现,机器学习应用显示的趋势。虽然这些平台的总体目标是基本相似,以获得医疗数据有用的信息,以提高患者的治疗效果,也有细微的差别值得强调。
预测分析解决方案似乎是用例的最大类别。这可能是机器学习应用程序的理想领域,因为领先的公司能够通过与医疗机构的合作访问大量的医疗数据,例如KenSci。
到推荐引擎类似,预测分析平台出现,即提供医疗保健空间证明有意义的医疗保健系统和投资者的发展趋势。随着公司历史最悠久的这篇文章,PROGNOS,成立于2010年成型,指出应用程序似乎是在早期阶段。
随着科技饮片,我们可以看到在临床和非临床数据的整合增加的趋势。展示基于价值的护理工作可以介绍来年更多的创新,以技术为基础的方法。其结果是,自动能够解释病人数据和所述多个其他数据类型的软件解决方案,影响患者的治疗结果将是非常有用的。
在我们的诊断分析平台的研究,我们发现较少的例子,这是强烈的对比量高的专注于诊断解决方案聊天机器人应用。这可能是一个分析平台提供诊断建议的想法可能比设计,以提供在定点护理诊断支持一个聊天机器人感觉不太直观。
将需要更多的时间和研究,以确定诊断分析AI应用在医疗行业获得更大的牵引力。相比较而言,规范性的分析应用,这是非常相似的,只是稍有不同的预测分析,似乎可以解决所面临的供应商和医疗保健系统的一些重要的挑战。
例如,“漫游分析”正在处理非结构化数据,传统上,非结构化数据是一种比较难分析和解释的数据类别。然而,人工智能方法似乎为从这些数据源收集有价值的信息提供了新的可能性。
而在美国,医疗服务可能会继续探索和实施技术解决方案,以价值为基础的医疗保健,这些技术也将必要高效和组织良好的用途。研究表明,在激励估计$ 17.2十亿已被分配用于“采用和有效使用卫生信息技术的一部分,其中涉及到的临床信息的电子交换的参与。”
标题图片来源:BetaNews的