疾病監測
在疾病監測領域, 藉助基於機器學習或認知系統的預測模型, 醫生可以根據患者的特徵對其是否會患上慢性疾病進行風險預估, 無需堅持既定的護理計劃或讓患者重複入院治療. 這樣的早期幹預可以大大降低患者的醫療費用. Montefiore Health System部署了基於英特爾®至強®處理器上的數據分析平台, 該平台可即時分析各種大量原始數據, 幫助臨床醫生為患者確定最佳治療計劃. 同時還可以利用規範模型來識別病人呼吸衰竭的風險, 這樣醫護人員就可以採取預警措施, 從而及時幹預, 挽救生命並節約資源.
臨床環境
在臨床環境中也可以利用基於機器學習的模型, 常見的預測模型包括使用電子病曆數據來評估在醫院內感染疾病的風險, 通過操作模型預測病人進入急症室的機率等. 英特爾與夏普醫療共同開發的快速反應團隊模型, 可以根據電子病曆中的數據預測哪些病人需要快速反應小組的幹預. 同時通過該模型, 醫院也可以迅速找到相應的急救人員和設備, 進而縮短響應時間. 在利用曆史數據對模型進行測試的實驗中, 預估患者需要快速反應小組幹預的準確率約為80%.
成像分析
利用深度學習分析醫學映像也是人工智慧技術在醫療領域的重要應用之一. 在這方面英特爾已經與業界合作夥伴合作, 利用深度學習技術分析醫學映像來進行腫瘤檢測. 在與GE醫療的合作中, GE醫療集團採用英特爾®至強®可擴展平台, 將成像設備的總體擁有成本降低25% . 通過與GE Healthcare的成像解決方案配合使用, 英特爾至強可擴展平台可以幫助放射科醫師提高閱讀效率, 第一張映像顯示時間降至2秒以下, 全部研究載入時間降至8秒以下.
虛擬服務
人工智慧的第四個用例是以遠程醫療為代表的虛擬服務. 遠程醫療的應用為企業和消費者提供了更為豐富的解決方案, 住院醫療機器人InTouch Health就是新穎解決方案的代表之一. 同時, 由此產生的視頻數據集可用於開發人工智慧解決方案, 進而完善臨床診斷. 例如在遠程中風疾病診斷的案例中, 基於深度學習的模型可以識別患者的早期中風特徵, 繼而提高診斷正確率並大大縮短診療時間.
虛擬現實
人工智慧的第五個用例是建立下一代虛擬現實助手. 在未來, 人工智慧可以在虛擬現實會話中對參與者的交互進行響應. 患者可以與虛擬環境進行交互, 並觀察病情可能發生的變化. 在外科訓練方面, 人工智慧可以用來分析映像, 進而識別頂級外科醫生的最佳做法, 這些方法可以被反饋到類比中, 並可以隨著時間的推移不斷獲得改進.
總之, 數字化轉型為醫療健康領域帶來了新機會, 在轉型的過程中, 醫療組織應該將數據作為核心能力來提升業務流程和患者體驗. 隨著計算分析能力的進一步提升, 人工智慧在醫療健康領域的應用場景將更加豐富.