Merative LP , ранее IBM Watson Health , — американская медицинская технологическая компания, предоставляющая продукты и услуги, помогающие клиентам проводить медицинские исследования , клинические исследования , получать реальные доказательства и услуги здравоохранения с помощью искусственного интеллекта , аналитики данных , облачных вычислений и других передовых информационных технологий. Merative принадлежит Francisco Partners , американской частной инвестиционной компании со штаб-квартирой в Сан-Франциско, Калифорния . В 2022 году IBM продала и выделила свое подразделение Watson Health в Merative. По состоянию на 2023 год [обновлять]она остается самостоятельной компанией со штаб-квартирой в Энн-Арборе и инновационными центрами в Хайдарабаде , Бангалоре и Ченнаи . [1]
Thomson Healthcare была подразделением Thomson Corporation до 2008 года, когда после слияния Thomson с Reuters она стала подразделением здравоохранения Thomson Reuters . 23 апреля 2012 года Thomson Reuters согласилась продать ее Veritas Capital за 1,25 млрд долларов США. [2] 6 июня 2012 года продажа была завершена, и новая компания Truven Health Analytics стала независимой организацией, сосредоточенной исключительно на здравоохранении. [3]
Корпорация IBM приобрела Truven Health Analytics 18 февраля 2016 года и объединила ее с подразделением IBM Watson Health. [4] Truven Health Analytics предоставляла комплексные услуги по обработке и анализу данных в сфере здравоохранения, [5] Их решения включали информацию, аналитические инструменты, бенчмарки, исследования и услуги для отрасли здравоохранения , включая больницы, государственные учреждения, работодателей, медицинские планы, врачей, фармацевтические компании, биотехнологии и компании по производству медицинских приборов. Название компании Truven представляет собой гибрид слов «trusted» (доверенный) и «proven» (проверенный). [6]
В январе 2022 года IBM объявила о продаже части активов Watson Health, включая Truven, компании Francisco Partners за 1 миллиард долларов. [7] 30 июня 2022 года Francisco Partners объявила о завершении приобретения Watson Health и запустила компанию по обработке данных в сфере здравоохранения под названием Merative. [8] [9]
Исследуются возможности Watson в области естественного языка, генерации гипотез и обучения на основе фактических данных, чтобы увидеть, как Watson может способствовать системам поддержки принятия клинических решений и росту использования искусственного интеллекта в здравоохранении медицинскими работниками . [10] Чтобы помочь врачам в лечении своих пациентов, после того, как врач подал запрос в систему с описанием симптомов и других связанных факторов, Watson сначала анализирует входные данные, чтобы определить наиболее важные фрагменты информации; затем извлекает данные о пациенте, чтобы найти факты, имеющие отношение к истории болезни и наследственности пациента ; затем изучает доступные источники данных, чтобы сформировать и проверить гипотезы ; [10] и, наконец, предоставляет список индивидуальных рекомендаций с оценкой достоверности. [11] Источники данных , которые Watson использует для анализа, могут включать в себя руководства по лечению, данные электронных медицинских карт , заметки от поставщиков медицинских услуг, исследовательские материалы, клинические исследования, журнальные статьи и информацию о пациентах. [10] Несмотря на то, что Watson был разработан и позиционирован как «консультант по диагностике и лечению», он фактически никогда не участвовал в процессе медицинской диагностики , а только помогал определять варианты лечения для пациентов, которым уже поставили диагноз. [12]
В феврале 2011 года было объявлено, что IBM будет сотрудничать с Nuance Communications для исследовательского проекта по разработке коммерческого продукта в течение следующих 18–24 месяцев, предназначенного для использования возможностей поддержки клинических решений Watson. Врачи из Колумбийского университета помогут выявить критические проблемы в медицинской практике , где технология системы может внести свой вклад. А врачи из Мэрилендского университета будут работать над определением наилучшего способа, которым технология, подобная Watson, может взаимодействовать с врачами для оказания максимальной помощи. [13]
В сентябре 2011 года IBM и WellPoint (теперь Anthem ) объявили о партнерстве с целью использования возможностей обработки данных Watson для помощи в предложении вариантов лечения врачам. [14] Затем, в феврале 2013 года, IBM и WellPoint предоставили Watson его первое коммерческое приложение для принятия решений по управлению использованием при лечении рака легких в онкологическом центре Memorial Sloan–Kettering . [15]
IBM объявила о партнерстве с Cleveland Clinic в октябре 2012 года. Компания отправила Watson в Cleveland Clinic Lerner College of Medicine of Case Western Reserve University , где он повысит свою экспертизу в области здравоохранения и поможет медицинским специалистам в лечении пациентов. Медицинское учреждение будет использовать способность Watson хранить и обрабатывать большие объемы информации, чтобы ускорить и повысить точность процесса лечения. «Сотрудничество Cleveland Clinic с IBM является захватывающим, поскольку оно дает нам возможность научить Watson «думать» способами, которые потенциально могут сделать его мощным инструментом в медицине», — сказал доктор медицины С. Мартин Харрис, директор по информационным технологиям Cleveland Clinic . [16]
В 2013 году IBM и онкологический центр им. М. Д. Андерсона начали пилотную программу по дальнейшей «миссии центра по искоренению рака». [17] [18] Однако после того, как было потрачено 62 миллиона долларов, проект не достиг своих целей и был остановлен. [19]
8 февраля 2013 года IBM объявила, что онкологи из Центра онкологической медицины штата Мэн и Westmed Medical Group в Нью-Йорке начали тестировать суперкомпьютерную систему Watson, чтобы рекомендовать лечение рака легких. [20]
29 июля 2016 года IBM и Manipal Hospitals [21] (ведущая сеть больниц в Индии) объявили о запуске IBM Watson for Oncology для онкологических больных. Этот продукт предоставляет информацию и сведения врачам и онкологическим больным, помогая им определять персонализированные, основанные на фактических данных варианты лечения рака. Manipal Hospitals — вторая больница [22] в мире, принявшая эту технологию, и первая в мире, предлагающая ее пациентам онлайн в качестве экспертного второго мнения через свой веб-сайт . [23] Manipal прекратила этот контракт в декабре 2018 года.
7 января 2017 года IBM и Fukoku Mutual Life Insurance заключили контракт на предоставление IBM анализа компенсационных выплат с помощью своего искусственного интеллекта IBM Watson Explorer, что привело к потере 34 рабочих мест, и компания заявила, что ускорит анализ компенсационных выплат за счет анализа претензий и медицинских карт и повысит производительность на 30%. Компания также заявила, что сэкономит 140 млн иен на текущих расходах. [24]
Говорят, что IBM Watson будет нести базу знаний 1000 специалистов по раку, что произведет революцию в области здравоохранения. IBM рассматривается как подрывная инновация. Однако направление онкологии все еще находится в зачаточном состоянии. [25]
Несколько стартапов в сфере здравоохранения эффективно использовали семь архетипов бизнес-моделей для вывода на рынок решений [ модное слово ] на основе IBM Watson. Эти архетипы зависят от ценности, создаваемой для целевого пользователя (например, фокус на пациенте против фокуса на поставщике медицинских услуг и плательщике) и механизмов получения ценности (например, предоставление информации или подключение заинтересованных сторон). [26]
В 2019 году Элиза Стрикленд назвала «историю Watson Health [...] предостерегающей историей о высокомерии и шумихе» и привела «репрезентативную выборку проектов» с указанием их статуса. [27] В публикации 2021 года Ассоциации вычислительной техники (ACM) под названием «Что случилось с Watson Health?» были описаны проблемы управления портфелем Watson Health с учетом количества приобретений, связанных с созданием подразделения в 2015 году, и его почти тотального акцента на процессе «Blue Washing», а не на потребностях клиентской базы. [28]
21 января 2022 года IBM объявила о продаже Watson Health частной инвестиционной компании Francisco Partners . [29]
Последующий мотив слияния крупных медицинских компаний с другими медицинскими компаниями обеспечивает большую доступность данных о состоянии здоровья. [30] Более обширные данные о состоянии здоровья могут позволить более широко внедрять алгоритмы ИИ . [31]
Значительная часть отраслевого фокуса внедрения ИИ в секторе здравоохранения приходится на клинические системы поддержки принятия решений . [32] По мере увеличения объема данных системы поддержки принятия решений ИИ становятся более эффективными. Многочисленные компании изучают возможности внедрения больших данных в отрасль здравоохранения. [33]
Watson Oncology от IBM находится в разработке в онкологическом центре Memorial Sloan Kettering Cancer Center и клинике Кливленда . [34] IBM также сотрудничает с CVS Health над применением ИИ в лечении хронических заболеваний и с Johnson & Johnson над анализом научных статей для поиска новых связей для разработки лекарств . [35] В мае 2017 года IBM и Политехнический институт Ренсселера начали совместный проект под названием Health Empowerment by Analytics, Learning and Semantics (HEALS), который будет изучаться с использованием технологии ИИ для улучшения здравоохранения. [36]
Вот некоторые другие крупные компании, которые внесли свой вклад в разработку алгоритмов ИИ для использования в здравоохранении:
Проект Microsoft в Ганновере, в партнерстве с Институтом рака им. Найта при Университете здравоохранения и науки Орегона , анализирует медицинские исследования, чтобы предсказать наиболее эффективные варианты лечения рака у пациентов. [37] Другие проекты включают анализ медицинских изображений прогрессирования опухолей и разработку программируемых клеток . [38]
Платформа DeepMind от Google используется Национальной службой здравоохранения Великобритании (NHS) для обнаружения определенных рисков для здоровья с помощью данных, собранных через мобильное приложение. [39] Второй проект с NHS включает анализ медицинских изображений, полученных от пациентов NHS , для разработки алгоритмов компьютерного зрения для обнаружения раковых тканей. [40]
Венчурное подразделение Intel ( Intel Capital ) недавно инвестировало в стартап Lumiata, который использует ИИ для выявления пациентов из группы риска и разработки вариантов лечения. [41]
Искусственный интеллект в здравоохранении — это использование сложных алгоритмов и программного обеспечения для имитации человеческого познания при анализе сложных медицинских данных. В частности, ИИ — это способность компьютерных алгоритмов делать аппроксимирующие выводы без прямого человеческого участия.
Отличие технологии ИИ от традиционных технологий в здравоохранении заключается в способности получать информацию, обрабатывать ее и выдавать четко определенный результат конечному пользователю. ИИ делает это с помощью алгоритмов машинного обучения . Эти алгоритмы могут распознавать закономерности в поведении и создавать собственную логику. Чтобы уменьшить погрешность, алгоритмы ИИ необходимо многократно тестировать. Алгоритмы ИИ ведут себя иначе, чем люди, в двух отношениях: (1) алгоритмы буквальны: если вы ставите цель, алгоритм не может подстроиться и понимает только то, что ему было сказано явно, (2) и алгоритмы являются черными ящиками ; алгоритмы могут предсказывать чрезвычайно точно, но не причину или почему. [42]
Основная цель приложений ИИ, связанных со здоровьем, заключается в анализе взаимосвязей между методами профилактики или лечения и результатами для пациентов. [43] Программы ИИ были разработаны и применены к таким практикам, как диагностические процессы, разработка протоколов лечения , разработка лекарств , персонализированная медицина , а также мониторинг и уход за пациентами. Медицинские учреждения, такие как The Mayo Clinic , Memorial Sloan Kettering Cancer Center , [44] [45] и National Health Service , [46] разработали алгоритмы ИИ для своих отделений. Крупные технологические компании, такие как IBM [47] и Google , [46] и стартапы, такие как Welltok и Ayasdi, [48] также разработали алгоритмы ИИ для здравоохранения. Кроме того, больницы ищут решения ИИ [ модное слово ] для поддержки операционных инициатив, которые увеличивают экономию средств, повышают удовлетворенность пациентов и удовлетворяют их потребности в персонале и рабочей силе. [49] Компании разрабатывают решения для предиктивной аналитики [ модное слово ] , которые помогают менеджерам здравоохранения улучшать бизнес-операции за счет увеличения использования, сокращения количества пациентов, посещающих больницы, сокращения продолжительности пребывания и оптимизации уровней кадрового обеспечения. [50]
Следующие области медицины представляют интерес для исследований в области искусственного интеллекта:
Возможность интерпретировать результаты визуализации с помощью рентгенологии может помочь врачам обнаружить мельчайшие изменения на изображении, которые врач может случайно пропустить. Исследование в Стэнфорде создало алгоритм, который может обнаружить пневмонию в этом конкретном месте у этих пациентов с лучшей средней метрикой F1 (статистической метрикой, основанной на точности и отзыве), чем рентгенологи, участвовавшие в этом исследовании. [51] Конференция по радиологии в Радиологическом обществе Северной Америки внедрила презентации по ИИ в визуализации во время своего ежегодного собрания. Появление технологии ИИ в радиологии воспринимается некоторыми специалистами как угроза, поскольку эта технология может достичь улучшений в определенных статистических показателях в отдельных случаях, в отличие от специалистов. [52] [53]
Недавние достижения предполагают использование ИИ для описания и оценки результатов челюстно-лицевой хирургии или оценки терапии расщелины неба с точки зрения привлекательности лица или внешнего вида с учетом возраста. [54] [55]
В 2018 году в статье, опубликованной в журнале Annals of Oncology, упоминалось, что рак кожи может быть обнаружен более точно с помощью системы искусственного интеллекта (которая использовала сверточную нейронную сеть глубокого обучения ), чем дерматологами . В среднем, дерматологи-люди точно обнаружили 86,6% случаев рака кожи на изображениях, по сравнению с 95% для машины CNN. [56]
Существует множество болезней, но также существует множество способов, с помощью которых ИИ эффективно и точно диагностирует их. Некоторые из наиболее известных болезней — это диабет и сердечно-сосудистые заболевания (ССЗ), которые входят в первую десятку причин смерти во всем мире и стали основой для многих исследований/тестирований, помогающих получить точный диагноз. Из-за столь высокого уровня смертности , связанного с этими заболеваниями, были предприняты попытки интегрировать различные методы, помогающие получить точный диагноз.
Статья Цзяна и др. (2017) [57] продемонстрировала, что существует множество различных типов методов ИИ, которые использовались для различных заболеваний. Некоторые из этих методов, обсуждаемых Цзяном и др., включают: опорные векторные машины , нейронные сети , деревья решений и многие другие. Каждый из этих методов описывается как имеющий «цель обучения», чтобы «классификации максимально соответствовали результатам…». [57]
Чтобы продемонстрировать некоторые особенности диагностики/классификации заболеваний, существуют два различных метода, используемых при классификации этих заболеваний, которые включают использование « искусственных нейронных сетей (ИНС) и байесовских сетей (БС)». [58] Из обзора нескольких различных статей в период с 2008 по 2017 год [58] было отмечено, какой из двух методов был лучше. Был сделан вывод, что «ранняя классификация этих заболеваний может быть достигнута путем разработки моделей машинного обучения, таких как искусственная нейронная сеть и байесовская сеть». В другом выводе Алик и др. (2017) [58] смогли сделать вывод, что между двумя; ИНС и БС, ИНС была лучше и могла более точно классифицировать диабет/ССЗ со средней точностью в «обоих случаях (87,29 для диабета и 89,38 для ССЗ).
Развитие телемедицины продемонстрировало рост возможных применений ИИ. [59] Возможность наблюдения за пациентами с использованием ИИ может позволить передавать информацию врачам, если возможная активность заболевания могла иметь место. [60] Носимое устройство может позволить осуществлять постоянный мониторинг пациента, а также давать возможность замечать изменения, которые могут быть менее различимы для людей.
Электронные медицинские записи имеют решающее значение для цифровизации и распространения информации в сфере здравоохранения. Однако регистрация всех этих данных сопряжена со своими собственными проблемами, такими как когнитивная перегрузка и выгорание пользователей. Разработчики EHR теперь автоматизируют большую часть процесса и даже начинают использовать инструменты обработки естественного языка (NLP) для улучшения этого процесса. Одно исследование, проведенное исследовательским институтом Centerstone, показало, что прогностическое моделирование данных EHR достигло 70–72% точности в прогнозировании индивидуального ответа на лечение на исходном уровне. [61] Это означает, что использование инструмента ИИ, который сканирует данные EHR, позволит довольно точно предсказать причину заболевания у человека.
Улучшения в обработке естественного языка привели к разработке алгоритмов для определения взаимодействия лекарств в медицинской литературе. [62] [63] [64] [65] Взаимодействие лекарств представляет угрозу для тех, кто принимает несколько лекарств одновременно, и опасность возрастает с количеством принимаемых лекарств. [66] Чтобы решить проблему отслеживания всех известных или предполагаемых взаимодействий лекарств, были созданы алгоритмы машинного обучения для извлечения информации о взаимодействующих лекарствах и их возможных эффектах из медицинской литературы . Усилия были объединены в 2013 году в DDIExtraction Challenge, в котором группа исследователей из Университета Карлоса III собрала корпус литературы по взаимодействию лекарств, чтобы сформировать стандартизированный тест для таких алгоритмов. [67] Участники были проверены на их способность точно определять из текста, какие препараты, как было показано, взаимодействуют и каковы характеристики их взаимодействия. [68] Исследователи продолжают использовать этот корпус для стандартизации меры эффективности своих алгоритмов. [62] [63] [65]
Другие алгоритмы идентифицируют лекарственные взаимодействия по шаблонам в пользовательском контенте, особенно в электронных медицинских картах и/или отчетах о неблагоприятных событиях. [63] [64] Такие организации, как Система отчетности о неблагоприятных событиях FDA (FAERS) и VigiBase Всемирной организации здравоохранения (ВОЗ) позволяют врачам отправлять отчеты о возможных негативных реакциях на лекарства. Алгоритмы глубокого обучения были разработаны для анализа этих отчетов и обнаружения шаблонов, которые подразумевают лекарственные взаимодействия. [69]