پیچیدگی و افزایش داده ها در مراقبت های هوش مصنوعی حل تکالیف بهداشتی به این معنی است که هوش مصنوعی (AI) به طور فزاینده ای در این زمینه اعمال خواهد شد. چندین نوع هوش مصنوعی در حال حاضر توسط پرداخت کنندگان و ارائه دهندگان مراقبت و شرکت های علوم زیستی به کار گرفته شده است. دسته‌های کلیدی برنامه‌ها شامل توصیه‌های تشخیص و درمان، مشارکت و پایبندی بیمار و فعالیت‌های اداری است. اگرچه موارد زیادی وجود دارد که در آنها هوش مصنوعی می تواند وظایف مراقبت های بهداشتی را به خوبی یا بهتر از انسان ها انجام دهد، عوامل اجرایی از اتوماسیون در مقیاس بزرگ مشاغل حرفه ای مراقبت های بهداشتی برای مدت قابل توجهی جلوگیری می کند هوش مصنوعی حل تکالیف . مسائل اخلاقی در کاربرد هوش مصنوعی در مراقبت های بهداشتی نیز مورد بحث قرار می گیرد.
کلمات کلیدی: هوش مصنوعی، پشتیبانی تصمیم گیری بالینی، سیستم های پرونده الکترونیک سلامت
رفتن به:
معرفی
هوش مصنوعی (AI) و فن‌آوری‌های مرتبط به طور هوش مصنوعی حل تکالیف فزاینده‌ای در تجارت و جامعه رواج یافته‌اند و شروع به استفاده از آن در مراقبت‌های بهداشتی کرده‌اند. این فناوری‌ها پتانسیل تغییر بسیاری از جنبه‌های مراقبت از بیمار و همچنین فرآیندهای اداری را در سازمان‌های ارائه‌دهنده، پرداخت‌کننده و داروسازی دارند.
در حال حاضر تعدادی از مطالعات تحقیقاتی وجود دارد که نشان می‌دهد هوش مصنوعی می‌تواند به خوبی یا بهتر از انسان در وظایف کلیدی مراقبت‌های بهداشتی مانند تشخیص بیماری عمل کند. امروزه الگوریتم‌ها در تشخیص تومورهای بدخیم از رادیولوژیست‌ها پیشی می‌گیرند و محققان را در نحوه ایجاد گروه‌هایی برای آزمایش‌های بالینی پرهزینه راهنمایی می‌کنند. با این حال، به دلایل مختلف، ما معتقدیم که سال‌ها طول می‌کشد تا ه هوش مصنوعی حل تکالیف وش مصنوعی جایگزین انسان‌ها در حوزه‌های فرآیند پزشکی گسترده شود. در این مقاله، هم پتانسیل‌هایی را که هوش مصنوعی برای خودکارسازی جنبه‌های مراقبت ارائه می‌دهد و هم برخی از موانع اجرای سریع هوش مصنوعی در مراقبت‌های بهداشتی را شرح می‌دهیم.
رفتن به:
انواع هوش مصنوعی مرتبط با مراقبت های بهداشتی
هوش مصنوعی یک فناوری نیست، بلکه مجموعه آموزش برنامه نویسی کودکان و نوجوانان ای هوش مصنوعی حل تکالیف از آنهاست. بسیاری از این فناوری‌ها ارتباط فوری با حوزه مراقبت‌های بهداشتی دارند، اما فرآیندها و وظایف خاصی که از آنها پشتیبانی می‌کنند بسیار متفاوت است. برخی از فناوری‌های هوش مصنوعی که اهمیت بالایی برای مراقبت‌های بهداشتی دارند در زیر تعریف و توضیح داده شده‌اند.
یادگیری ماشین - شبکه های عصبی و یادگیری عمیق
یادگیری ماشینی یک تکنیک آماری برای تطبیق مدل‌ها با داده‌ها و «یادگیری» با آموزش مدل‌ها با داده است. یادگیری ماشینی یکی از رایج ترین اشکال هوش مصنوعی است. در نظرسنجی Deloitte در سال 2018 از 1100 مدیر آمریکایی که سازمان‌هایشان قبلاً هوش مصنوعی را دنبال می‌کردند، 63 درصد از شرکت‌های مورد بررسی از یادگیری ماشینی در تجارت خود استفاده می‌کردند.1 این یک تکنیک گسترده در هسته بسیاری از رویکرد هوش مصنوعی حل تکالیف های هوش مصنوعی است و نسخه‌های زیادی از آن وجود دارد. .
در مراقبت‌های بهداشتی، رایج‌ترین کاربرد یادگیری ماشینی سنتی، پزشکی دقیق است – پیش‌بینی اینکه چه پروتکل‌های درمانی احتمالاً بر روی یک بیمار بر اساس ویژگی‌های مختلف بیمار و زمینه درمان موفق خواهند شد. مجموعه داده ای که متغیر پیامد آن (مثلاً شروع بیماری) شناخته شده است. این یادگیری تحت نظارت نامیده می شود.
شکل پیچیده‌تر یادگیری ماشینی شبکه عصبی است هوش مصنوعی حل تکالیف – فناوری که از دهه 1960 در دسترس بوده است، برای چندین دهه در تحقیقات مراقبت‌های بهداشتی به خوبی تثبیت شده است و برای کاربردهای دسته‌بندی مانند تعیین اینکه آیا بیمار به بیماری خاصی مبتلا می‌شود یا خیر، استفاده می‌شود. مشکلات را بر حسب ورودی ها، خروجی ها و وزن متغیرها یا «ویژگی هایی» که ورودی ها را با خروجی ها مرتبط می کند، مشاهده می کند. آن را به روشی تشبیه کرده اند که نورون ها سیگنال ها را پردازش می کنند، اما قیاس با عملکرد مغز نسبتا ضعیف است.
پیچیده ترین اشکال یادگیری ماشینی شامل یادگیری عمیق یا مدل های شبکه عصبی با سطوح بسیاری از ویژگی ها یا متغیرهایی است که نتایج را پیش بینی می کنند. ممکن است هزاران ویژگی پنهان در چنین مدل‌هایی وجود داشته باشد که با پردازش سریع‌تر واحدهای پردازش گرافیکی امروزی و معماری‌های ابری آشکار می‌شوند. یکی از کاربردهای رایج یادگیری عمیق در مراقبت های بهداشتی، شناسایی ضایعات بالقوه سرطانی در تصاویر رادیولوژی است. یادگیری عمیق به طور فزاینده ای در مورد رادیومیک ها یا تشخیص ویژگی های مرتبط بالینی در داده های هوش مصنوعی حل تکالیف تصویربرداری فراتر از آنچه که توسط چشم انسان قابل درک است، اعمال می شود. رادیومیک و یادگیری عمیق بیشتر در تجزیه و تحلیل تصویر انکولوژی گرا یافت می شود. به نظر می رسد ترکیب آنها نسبت به نسل قبلی ابزارهای خودکار برای تجزیه و هوش مصنوعی حل تکالیف تحلیل تصویر، که به عنوان تشخیص به کمک رایانه یا CAD شناخته می شود، دقت بیشتری را در تشخیص نوید می دهد.
یادگیری عمیق نیز به طور فزاینده ای برای تشخی Artificial intelligence to solve homework ص گفتار استفاده می شود و به این ترتیب، نوعی پردازش زبان طبیعی (NLP) است که در زیر توضیح داده شده است. بر خلاف اشکال قبلی تجزیه و تحلیل آماری، هر ویژگی در یک مدل یادگیری عمیق به طور معمول
راه های کسب درآمد برای نوجوانان