通过利用数据科学,人工智能和其他数字技术,医疗保健行业可以构建针对患者特定需求的个性化补充健康解决方案。 这是方法和原因。

根据联合国2017年的一份报告,世界人口每年超过8000万的速度增长。 到2050年,这个星球上将有100亿人,而且60岁及以上的人口有望翻一番。 显而易见,不断增长的老龄化世界人口需要更好,更可持续的健康和营养解决方案。 数据科学有能力从根本上改变患者的健康状况,医疗行业需要利用数字技术提供更好的解决方案。

人工智能和机器学习有助于利用数据,以便可以及早诊断出患者并获得对疾病的透彻和深入的了解。 这是根据患者的个人需求量身定制治疗方案,并确定将受益最大的患者的关键。 而且,数据驱动的数字解决方案有助于以前所未有的速度为患者提供新药。

及早发现疾病

综合患者护理始于确定相关信息。 尽早诊断疾病会对结果产生重大影响。 数字解决方案可以帮助医疗保健专业人员尽早做出适当的诊断。

例如,软件可以使用深度学习方法来支持放射线医师在CTPA(计算机断层扫描肺血管造影)扫描中识别CTEPH(慢性血栓栓塞性肺动脉高压)(一种罕见的肺动脉高压形式)的体征。 该软件结合患者的肺栓塞病史处理心血管,肺灌注和肺血管分析的图像结果。

此外,人工智能算法可以帮助医生更早,更准确地识别出患有心血管疾病高风险(例如心力衰竭和中风复发)的患者。 可以根据由特征(人口统计学以及诸如糖尿病和基因型等临床危险因素)的独特组合组成的复杂个人资料来区分患者。 这需要应用来自临床研究的结果数据,基因组和成像数据进行分层。

量身定制的治疗

个性化的患者治疗是可以通过数据实现的核心目标。 另一项工作是针对个体患者疾病的根本原因调整治疗方法。 一个这样的例子就是AI算法的开发,该算法旨在识别癌症可能是肿瘤细胞中NTRK基因融合的结果的患者-通常会导致TRK融合蛋白改变,从而导致癌症生长。 TRK融合癌虽然总体上很少见,但它同时影响儿童和成人,并且在各种肿瘤类型中以不同的频率发生,这使得测试这种改变非常重要。 AI算法可以帮助医生根据他们的肿瘤病理学来识别可能患有TRK融合癌的患者。 然后,通过已使用的经过特定验证的诊断方法来验证这些结果。 最终,AI算法可以帮助支持针对不同肿瘤类型的TRK融合癌的一致且广泛的测试,从而使更多患者受益于精确的肿瘤学治疗方法,该方法用于治疗由NTRK基因融合特别引起的实体瘤。

医疗保健领域的创新不仅仅限于药丸。 通过利用数据科学和AI以及其他数字技术,我们的行业可以构建针对患者和客户特定需求的个性化补充健康解决方案。 数字治疗的一个例子是移动游戏,它可以帮助患者主动管理慢性健康状况,例如压力,焦虑和抑郁。

加快新药的发展

由于药物研究非常复杂且项目成功的可能性相对较低,因此新药的研发仍然是一项重要的挑战。 CRM国际财团的数据显示,从早期研究(第一阶段)到市场批准,只有不到百分之十的项目做到了。 如今,从早期研究到新药的市场批准,这需要12-15年,甚至在临床开发的后期,大多数项目都失败了。

数据分析的进步加快了药物的发现,并在质量,成本和周期时间方面提高了药物开发的生产率。 在实践中,有两个应用领域显示出巨大的潜力,并且已经在使用AI技术。

首先,大数据和高级分析将帮助发现药物发现中创新药物的新目标,比以往任何时候都更快,更准确,更高效。 一旦确定了目标,AI在疾病阶段建模,线索选择和通过计算生物学优化方面的应用就有可能提高生产率并加快开发新药的过程。

其次,临床试验的速度和效率的提高是分散临床试验最令人期待的好处之一。 分散的临床试验不是将所有研究相互作用都发生在临床研究场所的墙壁内,而是将研究带给了患者。 这是通过数据点的组合来完成的,这些数据点包括电子同意书,远程医疗,可穿戴设备,传感器,调查表以及通过实验室,家庭健康或其他医疗服务提供者进行的亲自就诊。 通过制定使组织能够分散和数字化越来越多的临床试验的策略,您可以使更大范围的患者更容易进行研究。 通过采用分散式技术将试验带给患者,参与变得更加便捷,而收集现实生活中的数据和处理数据则变得更加高效和快捷。 可以缩短临床试验的时间,并且由于基于AI的患者分层和风险预测功能,我们希望能够通过更小的试验来更准确地预测现实生活中的患者结果。

大量数据集是应用数据驱动技术的关键先决条件。 来自学术界,生物技术行业和新兴社区的外部合作和战略合作伙伴关系,也是以最有意义和最有效的方式利用数据科学技术为患者带来更好健康结果的关键要素。

数据科学是我们作为一个行业进行数字化的生命线,并且是当今乃至未来改变患者健康的基础。

喜欢这篇文章吗? 在2019年Data Natives Conference上找到拜耳团队,并亲自与他们交谈有关改变患者健康的问题。

上一篇

并非所有怀孕都算在内:关于孕产妇健康和监狱的数据鸿沟

下一篇文章

2020年做出更好的数据驱动决策的五种方法