首页/正文
2030年怎么看病?智能健康监测与医疗会诊

 2020年09月30日  阅读 29  评论 0

摘要:
2030年怎么看病?智能健康监测与医疗会诊-服务大众健康生活

健康是关乎国计民生的重要议题。2016年10月 ,《“健康中国2030 ”规划纲要》正式发布,并提出了“立足全人群和全生命周期两个着力点,提供公平可及 、系统连续的健康服务 ,实现更高水平的全民健康” 。随着我国人口老龄化加剧、慢性病蔓延、亚健康常态化 ,人们的医疗健康需求激增。而优质医疗资源紧缺且分布不平衡,医生诊疗水平参差不齐,是实现“健康中国”目标面临的严峻挑战。这就需要全面提升医疗健康发展水平 ,促进人民群众的健康发展和社会的全面进步 。人工智能是引领这一轮科技革命和产业变革的战略性技术 。“智能+医疗健康 ”将是人工智能在社会生活中的一个重要应用,是解决我国医疗健康问题的重要手段。


智能健康监测与医疗会诊技术是一个复杂 、系统性的课题,需要连续对个体数据进行全方位和全周期采集 ,并对多模态数据进行整合与分析,使用疾病筛查 、辅助决策等技术手段,更快、更便捷、更准确地帮助医生进行决策会诊。智能健康监测与会诊技术的发展可以为连续 、精准监测多维度健康数据带来便捷 ,早期发现疾病风险,让“疾病治疗 ”到“疾病预防”成为可能,对于保障居民医疗健康、提升就医体验与居民生活幸福感 ,有非常重大的意义 。


数据自动化的收集与预警分析将极大地提升医生的工作效率,医生将能够从繁杂的日常监测、分析等工作中抽身出来,把更多的精力专注于更有意义的领域。利用人工智能技术为会诊提供实时辅助决策依据 ,将提升医生尤其是基层医生的决策准确率 ,医生整体的水平将得到大幅提高。通过在全社会推广智能健康监测与医疗会诊技术,能够让优质的医疗资源在基层变得更加可及,区域间医疗水平差异将被弥合 。同时 ,全生命周期健康管理的实现,将能够让大部分疾病在早期就得到控制,极大地节省全社会的医疗支出。


国内外研究现状

健康监测技术朝着便携式 、多维度和智能化方向发展。随着各种监测技术的发展 ,个人健康数据越来越多、越来越复杂,这些数据汇聚在一起,利用人工智能技术进行分析 ,可以对潜在健康风险做出提示,实现前瞻性健康管理 。


来自斯坦福大学的团队表示,利用可穿戴设备收集的个人数据可以检测出莱姆病、炎症甚至是胰岛素相关的重要生理指标异常。此外 ,麻省理工学院研发了一种运用无线电波监测睡眠治疗的AI算法,对患者睡眠阶段分类的准确率可达79.8%,优于基于射频信号估算方法64%的准确率 ,可有效辅助睡眠失调的患者在家中安心地接受治疗和医疗观测。在国内 ,兆观科技研发的无线睡眠呼吸监护仪“梦加”已经于2017年4月获得国家食品药品监督管理总局(CFDA)认证 。搭载有心电记录仪功能的华米智能手表在2018 年年初也获得了CFDA认证,依托其RealBeats AI 物数据引擎,可在设备端对心电图信号进行处理 ,实现心律不齐的本地识别,及时为用户发出预警,提高心脏健康监测的时效性和精确性。


基于人工智能的疾病筛查趋于全面化和精确化。疾病筛查是疾病防控的有效方法之一 。目前基于人工智能的疾病筛查覆盖病种逐步增多 ,筛查结果的准确率也在进一步提高 。在乳腺癌筛查方面,Alantari 等基于YOLO目标检测算法,先后对乳腺X射线图像数据进行识别正常 、良性和恶性乳腺组织的研究。在基因测试与筛查方面 ,Zeng等使用DNA序列信息特征训练卷积神经网络模型对CpG位点的甲基化状态进行预测,并开发出工具CpGenie预测基因异常。Zhou等开发了一个基于深度学习的框架Expecto,可以从DNA序列中精确预测已知罕见的或尚未观察到的突变 ,实现基因突变筛查 。此外,人工智能算法在宫颈癌、肺部结节和肺癌、前列腺癌等影像筛查领域均取得了令人瞩目的成果。目前,基于人工智能的疾病筛查工具已从技术变为现实。美国食品药品监督管理局(FDA)于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR ,该设备可通过拍摄患者眼底彩照 ,在无专业眼科医生辅助的情况下,使用算法实现对糖尿病视网膜病变风险的评估 。


国内在相关领域也开展了前沿探索和实践。在眼科疾病筛查方面,百度公司与中山大学眼科中心合作研发了一种AI循证算法 ,实现三种致盲眼底疾病(糖尿病视网膜病变 、青光眼、黄斑区病变)的早期筛查,筛查性能与三甲医院眼科医生相当。Wang等开发了一种基于序列的深度学习模型,可以准确地预测给定DNA 序列的转录因子(TF)结合强度 ,有望应用于检测破坏TF结合并导致人类疾病的变体 。


面向专病专科的智能医疗辅助决策逐渐接近人类医生水平。目前,人工智能技术在医疗领域的应用,主要集中在医疗辅助决策方面。在国外 ,人工智能公司DeepMind与摩菲(Moorfields)眼科医院等机构共同研发了基于深度学习的眼科疾病诊断软件,对眼部光学相干断层扫描(OCT)图像进行分析,给出50种以上的眼科疾病诊断及治疗建议 ,准确率高达94%,优于人类眼科专家水平 。2018年,谷歌与加利福尼亚州立大学旧金山分校、斯坦福大学 、芝加哥大学等知名机构联手对电子病历建模 ,在住院病历上构建加权循环神经网络 、前馈神经网络及基于时间的决策树三种模型 ,综合对住院患者的死亡风险、再住院风险、住院天数及出院诊断等进行预测,相比于临床传统方法,AUC普遍提高了0.1。


在我国 ,百度研究院提出“神经条件随机场 ”的全新病理切片分析算法,在公开数据集Camelyon16上,肿瘤定位FROC分数达到0.8096 ,超过专业病理医生水平。广州妇女儿童医学中心与依图科技等研究团队对儿科电子病历进行自然语言处理,并基于深度神经网络学习诊断逻辑,实现了55种儿科疾病的自动诊断技术 ,达到儿科主治医生水准 。2018 年11月,乐普医疗自主研发的心电图人工智能自动分析诊断系统AI-ECG Platform 成为国内首项获得FDA批准的人工智能心电产品,其诊断项目覆盖主要的心血管疾病 。


新一代移动通信技术将重构诊疗与服务模式。5G网络高速率 、低时延、大连接的能力 ,将使人们享受到便利的智能医疗服务,如远程手术、远程实时会诊 、5G 智能移动车载医疗等。Soldani等提出,针对远程手术 ,5G网络要保证端到端服务(QoS)质量 ,即高可靠性(失败率低于10−7)和高速率(每视图原始比特率需30~50Mb/s,或全息显示经编码后约需1Gb/s) 。在国外,诺基亚与芬兰奥卢大学合作启动OYS TestLab项目 ,将5G 网络运用在移动急救场景中,通过为救护车和急诊部门之间的实时数据提供通信支持,医院能够监控运送中的患者 ,并根据患者的患病情况提供相应的远程急救指导。2019年2月,沃达丰与巴塞罗那的Clínic医院合作成功实施了基于5G技术进行远程辅助的手术。


我国也启动了5G医疗相关的试点工作 。2019年2月,北京移动联合华为完成了中日友好医院5G室内数字化系统部署 ,为移动查房、移动护理、移动检测 、移动会诊等应用提供了5G网络环境。2019年2月,成都市第三人民医院专家通过5G 与近百千米以外的蒲江县人民医院医生共同为患者进行了一场远程超声会诊,远程超声诊断系统与近端超声检查图像质量高度一致 ,极大提高了会诊的准确率。2019年3月,全国首例基于5G的远程人体手术成功,医生为身处3000km以外的患者植入了脑起搏器 。


待解决的关键技术问题


我们看到 ,人工智能在为健康监测与医疗会诊技术带来巨大的发展机遇的同时 ,在发展海量健康数据融合技术、完善智能医疗影像技术、通过分析和挖掘多模态健康数据帮助医生辅助决策等方面仍然有待突破。同时,医疗健康大数据还面临安全和隐私方面的挑战。


健康数据融合技术 。健康数据具有分散 、多源异构、时序性、大规模等特点,为了更便捷 、高效 、可靠地运用这些数据进行分析决策 ,需要对其进行处理,并进行融合分析。


在健康数据的统一表示与表达标准上,关键是数据交换标准及数据融合表达模型两个方面 ,在保证足够轻量化并可动态扩展的条件下,面向医疗领域的语义网技术已成为研究重点。健康数据的质量直接决定基于此构建出的AI模型的可靠性,因此 ,面向大规模健康数据的自动化质控技术成为重要且极具挑战的研究方向 。在数据结构化上,由于医疗很强的专业性,研究面向医疗的自然语言理解技术对健康数据中的医疗要素进行识别、属性分析和规范化处理 ,并将不同来源同一用户的数据映射并按时序进行聚合,仍然具有很大挑战 。在统一医疗知识体系的构建上,以医疗标准术语体系为基础 ,面向医疗专业领域的知识图谱构建技术仍处于初级阶段 ,大量权威医学出版物、用户健康数据尚未经过知识化形成大规模的医疗语义网络,在此基础上构建基于知识的推理决策引擎在可解释性 、效果稳定性方面尚待突破。另外,以该医疗语义网络为核心 ,需要突破多模语义归一技术,将异构数据向该核心进行语义链接,进一步支撑多维、多模的上层分析。


智能医疗影像技术 。相较于传统视觉问题 ,智能医疗影像分析有其特殊性,在小样本学习、可解释性探索 、微小目标检测与识别等方向上仍有待突破。随着更多智能医疗应用场景的涌现,我们越来越面临着样本数量不足且不平衡的问题。在小样本学习方面 ,如何利用不平衡的小样本数据设计出准确的算法是需要面临的关键挑战之一 。


在可解释性方面,由于在医疗诊断流程中,临床医生需要为疾病阳性判断给出依据 ,而传统的深度学习算法依赖于大量的数据,驱动端对端的特征学习,这种黑盒模型缺乏可解释性 ,给算法的实际落地带来巨大阻碍。在可解释性算法的研究探索中 ,深度网络可视化热力图和领域特征融合可解释性算法是两个热点方向。


针对微小目标的检测/识别也是智能医疗影像的难点与重点 。在医疗影像中,很多早期的关键病灶在整图中的分辨率占比极小,如病理图像中的肿瘤细胞、眼底彩图中的微动脉瘤等 ,这些病灶的占比一般都小于十万分之一。这些微小物体远远小于当前主流的目标检测算法所处理的目标,检测/识别这些微小目标具有重要意义。


基于多模态健康数据的医疗辅助决策技术 。目前,基于人工智能的医疗辅助决策技术研究主要针对文本类数据或图像数据分别建模 ,随着智能健康监测技术的发展,对多模联合推理分析技术的依赖也会越来越迫切。针对多模联合推理,多模态数据异构鸿沟融合和多模态知识交互推理是当前的研究热点。


多模态数据异构鸿沟是指不同模态数据特征处于不同空间 ,无法直接度量其间的相似性及对应关系 。目前学界提出了采用子空间学习及度量学习等思路来解决该问题 。但是,这些方法的学习效率受到数据规模的严重制约。另外,现阶段健康数据尚未标准化带来的不同模态间数据对应关系稀疏问题 ,也给多模特征融合带来巨大挑战。多模态知识交互推理涉及两个层面:模态间知识相关性分析及高效协同推理 。但是基于概率图模型的方法推理效率低,而且很难建立完备的医疗知识图谱,而端对端的多模态推理中存在难以解释的问题 ,因此 ,如何得到一个高效且可解释的多模态推理模型仍然任重道远,值得深入探索。


数据安全和隐私保护技术。医疗健康数据具有普遍的真实性和隐私性,且具有很高的价值 ,所以,在共享和流通中面临着很多现实挑战 。随着《健康医疗数据信息指南》《健康医疗数据安全指南》等标准的陆续制定,医疗健康数据的安全管理和隐私保护日益受到重视。医疗健康数据因其特殊性 ,对安全和隐私保护的要求也有别于其他系统。


为了在确保安全和隐私的前提下获取标准化、场景全面的数据支持临床科研和全民健康管理,标识隐私匿名保护 、医疗数据分级保护、基于访问控制的隐私保护等技术都有待进一步发展,并且需要在存储、访问 、应用等环节形成系统性的保护 。如何在保护数据隐私和数据安全的前提下 ,利用分散在不同地方的数据来训练机器学习/深度学习模型,也成为一个迫切需要解决的问题。


应用前景

预计到2030 年,智能健康监测与医疗会诊技术能够大规模应用于快速预警、精准医疗、临床决策辅助 、疾病全流程管控 、疾病成因量化分析、疾病暴发预测与提前干预、医疗标准修订等多个方面。该技术将可以做到个体疾病的快速预警 ,实现更快速的疾病预警和预防,而不是事后的治疗;基于全面的个体数据,进行精准化的医疗方案定制 ,更符合患者本身的需求 。


人工智能技术辅助医生诊疗 ,能够实现对患者的更快速 、更准确治疗。特别是低年资的医生,能够真正借助人工智能的力量,提升临床决策的标准化和规范化。基于完整数据及决策分析 ,医生能够对患者的疾病进行全流程管控,包括诊前信息收集、诊后随访及跟进,都能够顺利实现 。基于统计意义的健康大数据 ,能够实现疾病成因的量化分析,更好地助力新的疾病治疗方案的推出 。


支持智能健康监测与会诊技术的科研与发展,并进行大规模推广 ,将能够大规模降低社会整体的医疗支出,减少医保浪费,还能够对疾病暴发进行提前预测 ,并进行提前干预,应对规模化的突发性疾病。同时,借助更全面的人工智能分析技术 ,可以不断修订现有医疗标准 ,完善医疗体系。


人工智能与医疗健康的结合能够产生改善健康结果、提高医疗服务质量 、提升患者就医体验、节约医疗成本、强化医院运营管理等多方面价值,在医疗和健康各个环节具有重要的应用价值 。未来,医院服务将打破院墙与家庭和线上融合 ,医疗服务将由当前的重视治疗拓展到未来的主动式健康管理,各级医机构能够提供规范化的 、精准的、体验良好的医疗服务,真正实现无处不在的全生命周期健康管理 ,提高全民健康水平。


2030年怎么看病?智能健康监测与医疗会诊-服务大众健康生活

本文摘编自《中国信息领域2030技术预见》,标题和内容有调整。


版权声明:本文为 “桂芝健康网” 原创文章,转载请附上原文出处链接及本声明;

原文链接:https://www.gxgztfg.com/jiankang/90198.html

发表评论:

关于我们
桂芝健康网为广大网友提供最新健康资讯,报道最新健身动态,追踪减肥新闻焦点事件,解读瘦身新闻热点话题,服务大众健康生活。
网站地图
网站地图
百度地图
百度地图
扫码关注
联系方式
全国服务热线:桂芝健康网
地址:桂芝健康网
Email:桂芝健康网
邮编:桂芝健康网
Copyright https://www.ycjldnt.com/
广西桂之通机械设备有限公司 桂芝健康网
桂ICP备16003593号-1