شرکت نوپای هوش مصنوعی که آینده سلامت را تصویر می کنند

فناوری های دیجیتال از آنچه که در بهداشت و درمان و زیست شناسی امکان پذیر است، تعریف تازه ای ارائه می دهند. هوش مصنوعی به شکل های بسیاری در سال های آتی زندگی ما را متحول خواهد کرد، از این میان، اثرگذاری اش بر بهداشت و درمان احتمالا نسبت به هر حوزه دیگری، عمیق تر و گسترده تر خواهد بود. یادگیری ماشینی و بهداشت و درمان، از جهات بسیاری با یکدیگر تناسب دارند چرا که محوریت بیشتر مراقبت های بهداشتی، تشخیص الگو است.

بدن یک انسان سالم و سیستم های مختلفی که آن را تشکیل می دهند، به شکل یکدست و قابل سنجش عمل می کنند. وقتی اندام های انسان از دردی رنجور است، از تعادل خارج می شود و این خروج از تعادل قابل پیش بینی است.

این امکان به وجود آمده است که داده های مربوط به مواردی نظیر فشار خون، ساختار ژنتیک و ترکیب شیمیایی خون را گردآوری کرد و در کنار هم قرار داد و با الگوهای جمعیتی مقایسه کرد و بر این اساس وضعیت سلامت فرد را بررسی کرد. دسترسی به چنین داده هایی علاوه بر تشخیص به ما کمک می کند که اثر داروهای تجویزی بر سیستم های داخلی بدن را اندازه بگیریم و آن را بهینه کنیم.

اگر یادگیری ماشینی در یک کار تبحر داشته باشد، آن کار شناسایی الگوها و استخراج دانش موجود پیرامون سیستم های پیچیده با توجه به انبوه داده ها است. از این رو بهداشت و درمان، چالش های جذابی برای هوش مصنوعی دارد.

تاثیرگذاری هوش مصنوعی بر کدام بخش های سلامت چشمگیر خواهد بود؟

اگر بهداشت و درمان را به سه بخش اصلی داروسازی، بالینی و اداری تقسیم کنیم، در هر یک از این سه حوزه، همین حالا کاربردهایی از یادگیری ماشینی قابل مشاهده است و البته شتاب این کاربرد در سال های آتی بیشتر خواهد شد. در ادامه در خصوص چگونگی این اثرگذاری در بخش های بالینی و اداری بحث می کنیم.

بالینی

تصویربرداری

استفاده از دید رایانه ای (Computer Vision) برای شناسایی اختلالات و بیماری ها در تصاویر پزشکی، یکی از کابردهای رایج هوش مصنوعی در بهداشت و درمان است. فهم علت این موضوع آسان است، بررسی اسکن پزشکی به منظور رسیدن به این نتیجه که آیا یک تومور، ضایعه پوستی، بیماری شبکیه یا علائم دیگری وجود دارد یا نه، نمونه ای واضح از طبقه بندی اشیا است، دقیقا همان چیزی که یادگیری عمیق (Deep Learning) در آن تبحر دارد.

همان­طور که اسطوره هوش مصنوعی، جف هینتون[1] در اظهارات مشهور سال 2016 خود اعلام کرد: «دیگر باید تربیت رادیولوژیست را متوقف کنیم. کاملاً واضح است که طی 5 سال آینده، یادگیری ماشینی، عملکردی بهتر از رادیولوژیست­ها خواهد داشت.»

چند شرکت نوپا طی چند سال گذشته شکل گرفته اند تا تجزیه و تحلیل تصاویر پزشکی را خودکار سازند. از برجسته ترین آنها می توان به Caption Health، PathAI، Paige، و Zebra Medical Vision اشاره کرد.

علی­رغم صدها میلیون دلار سرمایه ای که به این حوزه تزریق شده، فناوری مذکور هنوز مورد پذیرش عام قرار نگرفته است. چالش بزرگ شرکت های هوش مصنوعی این بوده که متخصصان حوزه سلامت را متقاعد کنند تا روند کار خود را تغییر داده و بتوانند این راهکارها را در مقیاس گسترده به کار بگیرند، به­خصوص با توجه به اینکه این مورد مصرف، بسیار مستقیم فرصت های شغلی پزشکان را تهدید می کند.

جذب و متعهد کردن بیمار

حوزه­ی دیگری که هوش مصنوعی در آن ارائه مراقبت ها را بهبود خواهد بخشید، جذب و متعهد کردن بیمار است؛ یعنی بخش بسیار مهمی از فرآیند مراقبت های بهداشتی.

پیشرفت های اخیر در پردازش زبان طبیعی، وجود رابط های کاربری تعاملی بر مبنای هوش مصنوعی را ممکن ساخته است، رابط هایی که می توانند غربالگری و مراقبت از بیمار را خودکار کنند. مثلاً، بیماران می توانند علائم خود را اظهار کرده و از طریق پیام متنی، سؤالاتشان را بپرسند تا در پاسخ، راهنمای بالینی خودکار دریافت کنند. به همین شکل، هوش مصنوعی را می­توان به شکلی توسعه داد که دائماً با بیماران در ارتباط بوده و اطمینان یافت که آنها اصول درمانی خود را رعایت کرده و به آن متعهد هستند.

استفاده از هوش مصنوعی برای خودکارسازی این تعاملات هزینه ها را به طرز فاحشی کاهش داده و با ارائه راهنمایی تخصصی بهداشتی، بدون نیاز به زمان گرانقیمت پزشکان، دسترسی به مراقبت های بهداشتی را برای همگان ممکن خواهد ساخت.

«چت-بات»ها در سال های اخیر، انتقادات زیادی برانگیخته و به وعده های خود عمل نکرده اند. اما فناوری NLP (برنامه ریزی عصبی-زبان شناختی[2]) در حال حاضر با سرعت سرسام آوری در حال پیشرفت است و امکانات تازه ای را پیش روی هوش مصنوعی جنجال برانگیز قرار داده است.

بسترهای گفتگو محور، زمانی بیشترین اثرگذاری را دارند که هدف-محور بوده و برای مصرف خاصی ایجاد شوند (مثلاً متعهد کردن بیمار) و در زمان مناسب، یک انسان (مثلاً پزشک) را در جریان قرار دهند. انتظار می رود که رابطه ناهمگام پزشک با بیمار، طی سال های آتی بیش از پیش خودکار شود.

غول این عرصه، Babylon Health است که سرمایه ای شگفت انگیز به ارزش 635 میلیون دلار، عمدتاً از صندوق سرمایه گذاری دولتی عربستان سعودی جذب کرده است. شرکت های نوپای دیگر، ساختن ابزارهایی برای خودکارسازی جذب بیمار و برقراری ارتباط روی آورده اند، مثل Buoy، Gyant، Curai، و Memora.

به گفته نیل خوسلا[3]، مدیرعامل Curai، «هوش مصنوعی و برنامه ریزی عصبی-زبان شناختی این قابلیت را دارند که دسترسی به خدمات اولیه باکیفیت را بسیار بالا برده، و آن را با هزینه ای کمتر در اختیار افراد بیشتری قرار دهند. این آرمان ماست: دنیایی که تمام 8 میلیارد نفر ساکنش بتوانند به بهترین خدمات درمانی اولیه دسترسی داشته باشند.»

بهداشت و درمان از راه دور

کووید-19 سرعت پذیرش درمان از راه دور را به شدت بالا برده است چنانکه ارائه خدمات بالینی به بیماران از راه دور به جای رو در رو، با استفاده از ابزارهای دیجیتال رواج یافته است.

هرچند این همه گیری به عنوان یک کاتالیزور مدت عمل کرده، اما بسیاری از متخصصان بر این باورند که بهداشت و درمان از راه دور در حال تبدیل شدن به یک ستون دائمی و مهم در ارائه مراقبت­های بهداشتی است.

مک کینزی[4] برآورد می کند که در سال های پیش رو، فقط در ایالات متحده، بالغ بر 250 میلیون دلار از هزینه های مراقبت های بهداشتی، مجازی خواهند شد.

امروزه، پزشکی از راه دور اغلب در گفتگوی تصویری با یک پزشک خلاصه می­شود. این جلسات از راه دور، ارزشمند اما ناقص و ابتدایی هستند. پزشکی از راه دور، تنها زمانی تمام قابلیت های خویش را تحقّق می بخشد که از پیشتوانه یادگیری ماشینی و حسگرهای درست برخوردار باشد. چندین شرکت خوش آتیه، روی حل کردن این چالش کار می کنند:

Eko بستری متشکل از حسگرهای اختصاصی و الگوریتم های یادگیری ماشینی ساخته که می توانند از راه دور علائم حیاتی قلبی-ریوی بیماران را رصد و بیماری های قلبی-ریوی را زودتر تشخیص دهند. هوش مصنوعی Eko در شناسایی مشکلات قلبی، عملکردی بسیار دقیق تر و صحیح تر از پزشکانی دارد که از گوشی طبی استفاده می کنند. مثلاً، پزشکان عمومی فیبریلاسیون دهلیزی[5] را با صحت و دقت 70-80% تشخیص می دهند، در حالی که الگوریتم های Eko  این کار را با دقت 99% انجام می دهند.

کانر لندگراف[6] مدیرعامل Eko می گوید «ما می توانیم با ارائه داده های تحلیلی از ده ها هزار آزمایش بیمار در گذشته، در عرض چند ثانیه، قضاوت پزشک در تشخیص های قلبی-ریوی را بهبود بخشیم. این الگوریتم ها در هر جایی از جهان در دسترس بوده، و امکان مراقبت بهتر از بیماران را فارغ از محل سکونتشان فراهم می سازند.»

در همین راستا، Aluna راهکاری ارائه می دهد که با استفاده از یک دستگاه تنفس سنج ساده، به بیماران اجازه می دهد خیلی راحت، از همان خانه، وضعیت سلامت ریوی خود را ارزیابی کنند. Aluna با اِعمال یادگیری ماشینی بر روی داده های تنفس سنج، آسم و فیبروز کیستیک[7] را در زمان واقعی رصد کرده و شرایط ریوی نگران کننده را هشدار می دهد.

شرکت هایی مثل Biofourmis، Current Health، و Myia هم راهکارهای هوش مصنوعی و حسگر ارائه داده اند که پزشکان را قادر به بررسی وضعیت سلامتی بیمار در سطوح جزئی می کند.

فرقی نمی کند که بیمار در کدام نقطه از جهان باشد؛ فناوری هایی از این دست، بیش از پیش مرز میان معاینات «بالینی» و کنترل روزانه سلامتی را محو کرده و مراقبت های بهداشتی با این فرآیند را مقرون به صرفه تر و در دسترس تر می سازند.

مراقبت در بیمارستان

پزشکی از راه دور هر چقدر هم که نویدبخش باشد، باز هم برای برخی اقدامات پزشکی ملاقات حضوری لازم است. هوش مصنوعی، کار پزشکان را از جهات مختلف، در بیمارستان ها بهبود خواهد بخشید.

به عنوان مثال، Gauss Surgical از دید رایانه ای به منظور رصد خون ریزی طی زایمان استفاده می کند. تخمین بصری پزشکان از شدت خون ریزی، به شدت نادرست است.  خون ریزی دلیل اصلی و البته قابل پیشگیری مرگ و میر مادران باردار محسوب می شود. در یک نظام بیمارستانی، راهکار هوش مصنوعی Gauss به 4 برابر شدن افزایش تشخیص خون ریزی و کاهش 34% مداخلات دیرهنگام در جلوگیری از خون ریزی، منجر شد.

به عنوان مثالی دیگر، می توان به Medical Informatics اشاره کرد. شرکتی واقع در بوستون که از یادگیری ماشین و تجزیه و تحلیل داده های به­دست آمده از مانیتورهای کنار تخت ها، ونتیلاتورها، EMR (پرونده های پزشکی الکترونیک[8]) بیمار و منابع اطلاعاتی گوناگون، برای نظارت بر سلامت بیماران در تخت های بیمارستانی بهره می گیرد.

حتی اگر راهکارهای هوش مصنوعی مثل این هرگز جایگزین تصمیم گیری بالینی انسانی نشده و تنها به عنوان ابزارهای اضافه به خدمت گرفته شوند، باز هم قابلیت بهبود فاحش نتایج درمان و نجات دادن زندگی افراد را دارند.

پزشکی دقیق[9]

از یک لحاظ، پزشکی دقیق، اوج قله توقعاتی است که از هوش مصنوعی برای بهبود سلامت انسان وجود دارد. چشم انداز پزشکی دقیق، جاه طلبانه تر، چالش های فنی آن پیچیده تر، و اثرگذاری احتمالی اش بزرگتر از احتمالاً هر برنامه دیگری است که در اینجا بررسی شد.

به طور خلاصه، حوزه پزشکی دقیق امیدوار است بتواند درمان هایی ارائه دهد که براساس ژنتیک و زمینه محیطی و رفتاری خاص هر بیمار، ویژه همان فرد طراحی شده باشند.

پزشکی دقیق مفهوم تازه ای نیست، اما کلان داده[10] (به­خصوص داده های ژنتیکی) و یادگیری ماشینی مدرن، تحقق کامل قابلیت های آن را ممکن ساخته است. به خاطر فراوانی حسگرها، دستگاه های متصل به اینترنت، پرونده های سلامت الکترونیک، تعیین توالی ژنتیک در حجم زیاد[11]، رایانش ابری، و دیگر فناوری های دیجیتال، در حال حاضر، هر روز حجم سرسام آوری از داده های بسیار جزئی پیرامون بهداشت و سلامت گردآوری می­شود. امسال چند تریلیون گیگابایت داده سلامت به دست خواهد آمد، رقمی که تا همین چند سال پیش غیرقابل تصور بود.

پیش فرض پزشکی دقیق این است که اگر یک سیستم رایانشی، کل ژنوم، مشخصات متابولیک، ترکیب میکروبیوم، تغذیه، میزان تحرک و ورزش، مقدار خواب و هزاران داده دیگر درمورد شما را بداند و بتواند مسیر یک بیماری خاص در بدن شما را تا سطح مولکولی بفهمد؛ آن وقت می تواند تمام این اطلاعات را ادغام کرده و یک رژیم دارویی و یا رفتاری تهیه کند که مخصوص شما و برای بهینه سازی واکنش بدن شما طراحی شده باشد.

هیچ انسانی هرگز قادر به فشرده کردن چنین داده های کمرشکن و تشخیص الگوی پنهان در آنها نیست. هوش مصنوعی برای اولین بار چنین کاری را -حداقل در حد نظریه- ممکن کرده است.

برجسته ترین شرکتی که این چشم انداز عالی از پزشکی دقیق براساس هوش مصنوعی را دنبال می­کند، Tempus است. Tempus رقم درشت 620 میلیون دلاری از سرکایه گذارانی مثل NEA و T. Rowe Price دریافت کرده است. این شرکت بر روی درمان سرطان متمرکز شده، هرچند اخیراً منابعی را به مبارزه علیه کووید-19 اختصاص داده است.

دیگر شرکت هایی از این دست که منابع مالی خوبی دریافت کرده اند، Syapse و GNS Healthcare هستند.

پزشکی دقیق، دهه ها یک احتمال وسوسه انگیز اما تحقق نیافته بود. زمان به ما خواهد گفت که آیا هوش مصنوعی همان کلیدی است که می تواند قفل قابلیت های وسیع آن را بگشاید یا خیر.

کارهای اداری

شاید به کارگیری هوش مصنوعی برای جنبه اداری بهداشت و درمان، در مقایسه با موارد مصرف علوم بالینی یا زیستی، عجیب به نظر برسد. اما فرصت عظیمی برای ارزش آفرینی در این حوزه وجود دارد.

همان­طور که همه افرادی که با نظام بهداشت و درمان سروکار داشته اند، می دانند، این نظام گرفتار اسراف و ناکارآمدی است. هر سال، فقط در آمریکا بیش از 600 میلیارد دلار صرف کارهای اداری و صدور صورت حساب می­شود. در سال های پیش رو فقط با منطقی کردن و ساده سازی اقدامات صورت گرفته در حوزه بهداشت و درمان، میلیاردها دلار آزاد خواهد شد. در اینجا هوش مصنوعی می تواند نقشی کلیدی ایفا کند.

عملیات تامین

هر وقت که بیماری با یکی از مراقبین بهداشت و سلامت تعامل برقرار می کند، دو جین فرآیند پشتیبانی در پس زمینه رخ می دهد: تشکیل پرونده بیمار، احراز هویت، پردازش ادعاها، صدور صورت حساب، تجویز دارو، مدیریت زنجیره تأمین، و موارد دیگر. امروزه این کارها به شکل دستی انجام شده و امکان بروز خطا در آنها وجود دارد.

تعداد قابل توجهی از شرکت ها، یادگیری ماشینی را برای خودکارسازی بسیاری از این وظایف محوری  به کار می برند:

شاید پرسروصداترین آنها Olive  باشد که 125 میلیون دلار از سرمایه گذارانی مثل General Catalyst و Khosla Ventures دریافت کرده است. Notable Health رقیب جدیدتری با همین مأموریت است. با بهره گیری از بات های نرم افزاری و دید رایانه ای می توان راهکارهای این شرکت ها را به منزله خودکارسازی روباتیک فرآیند[12] (RPA) در نظر گرفت که مخصوصاً برای موارد مصرف بهداشتی ساخته شده اند.

یکی از کاربرد­های اداری چالش برانگیز و مهم برای مراقبین بهداشتی، مدیریت چرخه درآمد[13] (RCM) است. RCM به مجموعه فرآیندهایی اطلاق می شود که مراقبین برای ردگیری و دریافت پرداخت های انجام شده در ازای خدمت رسانی به بیماران به کار می برند.

هوش مصنوعی از فرصت خوبی برای روشمند کردن و خودکارسازی مدیریت چرخه درآمد برخوردار است تا آن را سریع تر، ارزان تر، و دقیق تر کند. یک شرکت نوپای خوش آتیه که بر RCM متمرکز شده، Alpha Health نام دارد.

چالش اداری مهم دیگر برای تأمین کنندگان، خدمت رسانی بیمارستان به بیمار و تخصیص منابع است. بیمارستان ها نظام پیچیده ای دارند، و بیماران و پزشکان دائماً در واحدهای خود حرکت می کنند. سود بیمارستان ها به هماهنگی این جریان ها به شکلی مؤثر بستگی دارد. هرچند آنها در حال حاضر اصلاً بهینه نیستند. بالغ بر 25% از روزهای بستری بودن بیماران در ICU غیرضروری است؛ طبق برآوردها 15% از کل تخت های اشغال شده بیماران، به خاطر مدیریت ناکارآمد پذیرش بیماران به هدر می رود. این دقیقاً همان نوعی از مسئله بهینه سازی غنی از داده است که هوش مصنوعی در آن تبحّر دارد.

Qventus شرکتی است که از هوش مصنوعی برای رسیدن به نتایج عملیاتی بهتر در بیمارستان ها بهره می گیرد. این شرکت ادعا می کند که فناوری اش، بیمارستان ها را قادر ساخته تا 30% روزهای اضافی سپری شده در بیمارستان ها، 20 درصد زمان انتظار بیمار در اورژانس تا ملاقات با پزشک و به طور میانگین 0.8 روز طول زمان اقامت در بیمارستان را کاهش دهند. این کارآمدی های عملیاتی، به معنای تجارب بهتر بیمار و بهبودی قابل توجه اصول نظام های سلامت است.

درنهایت، هوش مصنوعی می تواند با خودکارسازی رعایت مقررات، سود فراوانی در پی داشته باشد. بهداشت و درمان به دلایل درستی، در میان همه صنایع، یکی از مقرراتی ترین هاست. پیگیری و اطمینان از پای بندی به ملزومات قانونی و مقرراتی فراوانی که کادر درمان باید به آنها مقیّد باشند، چالش برانگیز و هزینه بر است.

دو مسئله مهم، حفظ حریم خصوصی بیمار و مدیریت داروهاست. در هر دو مورد، یادگیری ماشینی می تواند نقشی کلیدی در خودکارسازی اقدامات لازم برای رعایت قانون مثل تشخیص نقض قانون و رسیدگی به آن ایفا کند. بدین ترتیب از بیماران محافظت کرده، هزینه ها را پایین می آورد و به پزشکان اجازه می دهد که انرژی خود را روی مراقبت از بیماران متمرکز سازند. یکی از شرکت هایی که در این رده قابل توجه است، Protenus نام دارد.

زیرساخت داده ها

یکی از چالش های اساسی موجود بر سر راه نظام بهداشتی بهتر، داده های بسیار پراکنده آن است. محدودیت های نظارتی سخت، معماری قدیمی نرم افزاری، و انگیزه های ناهماهنگ افراد ذینفع، همگی اشتراک گذاری و همکاری داده های ارزشمند را تضعیف می کنند. امروزه، فراهم ساختن تصویری کامل از سلامت یک بیمار، اثربخشی یک درمان جدید یا الگوهای سلامت یک جامعه، به طرز اجتناب ناپذیری سخت است.

این یک چالش گسترده و چند بعدی است. تعدادی از شرکت های بزرگ، به ابعاد مختلف این چالش پرداخته اند، ازجمله: Komodo Health، Datavant، Abacus Insights، HealthyVerity، Kyruus، Ribbon Health، و Redox. این شرکت ها از محصولات متنوع و راهبردهای متفاوتی برای ورود به بازار بهره می گیرند اما در یک رویکرد جامع با هم اشتراک دارند: از بین بردن موانع داده به منظور رسیدن به نتایج سلامتی بهتر.

از آنجاکه یادگیری ماشینی در مجموعه داده های عظیم شکوفا می شود، این راهکارها زمینه لازم برای نوآوری بی حد و مرز هوش مصنوعی در آینده را فراهم می سازند. یک زیست بوم داده یکپارچه تر، امکان بروز کاربردهای جدید و بی شمار هوش مصنوعی در مراقبت های بهداشتی را فراهم می سازد که اکثر آنها هرگز تصور نمی شدند.

مستندات پزشکی

آخرین حوزه اداری که هوش مصنوعی در آن آمادگی ارزش آفرینی گسترده ای را دارد، ثبت اسناد پزشکی است. یادداشت برداری از ملاقات با بیماران، بخش قابل توجهی از زندگی کاری پزشکان را به خود اختصاص می دهد. در عصر پرونده های سلامت الکترونیک، این مسئله به مشکلی واقعی تبدیل شده است. امروزه با وجود رایانه در هر اتاق معاینه، این نگرانی گسترده در حرفه پزشکی مطرح است که مبادا پزشکان حین ملاقات با بیمار آن قدر محو صفحه کلید خود شوند که نتوانند ارتباط کاملی با او برقرار کنند.

یادگیری ماشینی می تواند حجم زیادی از این بار را از روی دوش پزشکان برداشته و امکان وقت گذاشتن بیشتر آنها برای بیماران و صرف وقت کمتر پای صفحه نمایش را فراهم سازد.

فناوری های محوری پردازش زبان طبیعی و تشخیص گفتار طی چند سال اخیر بهبود فاحشی داشته اند، هرکس که از Alexa یا Siri استفاده می کند، این مسئله را تصدیق خواهد کرد. این فناوری، امکان توسعه راهکارهای صوتی را فراهم ساخته که پزشکان می توانند به جای وارد کردن دستی EHR، به صورت شفاهی مطالب را دیکته کنند. می توان این راهکارها را به شکلی ساخت که به طور خودکار در چارچوب های کاری موجود و نرم­افزارهای EHR ادغام شوند.

به این شکل بازدهی به شدت بالا می رود. Augmedix ادعا می کند که این راهکار صوتی، روزانه 2 تا 3 ساعت در وقت پزشکان صرفه جویی می کند. Suki، رقیب دیگری در این حوزه، می­گوید که هوش مصنوعی اش، یادداشت های 100 درصد درستی به دست داده و پزشکان را قادر می سازد تا 76% سریع تر یادداشت هایشان را تکمیل کنند. در مجموع، تأثیر این فناوری ها که در کل سیستم های سلامت تکثیر شده­اند، فوق العاده است.

امروزه این راهکارها هنوز برای کنترل کیفیت به حضور انسان ها در چرخه نیاز دارند؛ فناوری های گفتاری و NLP هرچند تاثیرگذار، اما هنوز ناقص هستند. با ادامه یافتن بهبود هوش مصنوعی زیربنای این فناوری ها، نیاز به مداخله انسانی، کمتر و کمتر خواهد شد و این به معنای بازدهی بیشتر و صرفه جویی در هزینه ها خواهد بود.

نتیجه گیری

مراقبت بهداشتی، بخش لاینفک زندگی شخصی و خانوادگی ماست که هیچ بخش اقتصادی دیگری این چنین نیست. از این رو، امروزه عدم کارایی سیستم مراقبت های بهداشتی بسیار نگران کننده شده است.

هیچ فناوری ای نمی تواند در حکم گلوله ای نقره ای برای سیستمی به پیچیدگی نظام بهداشت و درمان مدرن باشد. البته هوش مصنوعی، بیش از هر نیروی دیگری در جهان، توانایی بازنویسی قوانین بازی را به ما می دهد. اگر هوش مصنوعی با دقت و هوشمندانه به کار گرفته شود می تواند محدودیت ها و پیش فرض هایی که مدت هاست در مورد نحوه کار سیستم بهداشت و درمان پذیرفته شده اند، زیر و رو کرده و بازتعریفی از رابطه میان هزینه، دسترسی و کیفیت ارائه دهد، همان رابطه ای که امروزه به شدت از هم گسیخته است.

هرگز برای کارآفرین بودن در حوزه بهداشت و درمان، زمانی بهتر از این وجود نداشته است.

[1] Geoff Hinton

[2] Neuro-linguistic programming

[3] Neal Khosla

[4] McKinsey

[5] atrial fibrillation

[6] Connor Landgraf

[7] cystic fibrosis

[8] Electronic health record

[9] Precision Medicine

[10] big data

[11] mass-market gene sequencing

[12] robotic process automation

[13] revenue cycle management

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *