स्वास्थ्य सेवा में कृत्रिम बुद्धिमत्ता

मुक्त ज्ञानकोश विकिपीडिया से
imported>InternetArchiveBot द्वारा परिवर्तित ०७:४४, ८ सितंबर २०२१ का अवतरण (Rescuing 1 sources and tagging 0 as dead.) #IABot (v2.0.8)
(अन्तर) ← पुराना अवतरण | वर्तमान अवतरण (अन्तर) | नया अवतरण → (अन्तर)
नेविगेशन पर जाएँ खोज पर जाएँ
कंप्यूटर सॉफ्टवेयर द्वारा हड्डी की उम्र की स्वचालित गणना के साथ, हाथ का एक्स-रे

स्वास्थ्य सेवा में कृत्रिम बुद्धिमत्ता, जटिल एल्गोरिदम और सॉफ्टवेयर का उपयोग है दूसरे शब्दों में कृत्रिम बुद्धिमत्ता (एआई) जटिल चिकित्सा और स्वास्थ्य संबंधी आंकड़ों के विश्लेषण, व्याख्या और मानव समझ में मानवीय अनुभूति का अनुकरण करना है। विशेष रूप से, AI प्रत्यक्ष मानव इनपुट के बिना अनुमानित निष्कर्ष के लिए कंप्यूटर एल्गोरिदम की क्षमता है।

स्वास्थ्य देखभाल में पारंपरिक तकनीकों से एआई प्रौद्योगिकी को अलग करता है जो जानकारी प्राप्त करने, इसे संसाधित करने और अंत-उपयोगकर्ता को एक अच्छी तरह से परिभाषित आउटपुट देने की क्षमता है। AI मशीन लर्निंग एल्गोरिदम और डीप लर्निंग के जरिए ऐसा करता है। ये एल्गोरिदम व्यवहार में पैटर्न को पहचान सकते हैं और अपना तर्क बना सकते हैं। त्रुटि के सम्भावना को कम करने के लिए, एआई एल्गोरिदम को बार-बार परीक्षण करने की आवश्यकता होती है। एआई एल्गोरिदम मनुष्यों से दो तरीकों से अलग व्यवहार करते हैं: (1) एल्गोरिदम शाब्दिक हैं: यदि आप एक लक्ष्य निर्धारित करते हैं, तो एल्गोरिथ्म खुद को समायोजित नहीं कर सकता है और केवल यह समझ सकता है जो इसे स्पष्ट रूप से कहा गया है, (2) और कुछ डीप लर्निंग एल्गोरिदम के आंतरिक व्यवहार को समझाने कि सम्भावना नही होती है। [१]

स्वास्थ्य संबंधी एआई अनुप्रयोगों का प्राथमिक उद्देश्य रोकथाम या उपचार तकनीकों और रोगी परिणामों के बीच संबंधों का विश्लेषण करना है। [२] एआई कार्यक्रमों को विकसित किया गया है और निदान प्रक्रियाओं, उपचार प्रोटोकॉल विकास, दवा विकास, व्यक्तिगत दवा और रोगी की निगरानी और देखभाल जैसी प्रथाओं पर लागू किया गया है। द मेयो क्लिनिक, मेमोरियल स्लोन केटरिंग कैंसर सेंटर, [३] [४] और ब्रिटिश नेशनल हेल्थ सर्विस, [५] जैसे चिकित्सा संस्थानों ने अपने विभागों के लिए एआई एल्गोरिदम विकसित किया है। आईबीएम [६] और Google, जैसी बड़ी प्रौद्योगिकी कंपनियों ने भी स्वास्थ्य सेवा के लिए एआई एल्गोरिदम विकसित किया है। इसके अतिरिक्त, लागत बचत में वृद्धि, रोगी संतुष्टि में सुधार, और उनके स्टाफ और कार्यबल की जरूरत को संतुष्ट करने जैसे परिचालन पहल को समर्थ करने वाले एआई सॉफ्टवेयर की आवश्यकता अस्पतालों को हैं। [७] कंपनियां प्रिडिक्टिव् एनालिटिक्स समाधान विकसित कर रही हैं जो स्वास्थ्य देखभाल प्रबंधकों को बढ़ते उपयोग, रोगी बोर्डिंग को कम करने, रहने की लंबाई कम करने और स्टाफिंग स्तरों के अनुकूलन के माध्यम से व्यवसाय संचालन में सुधार करने में मदद करता है।[८]

इतिहास

1960 और 1970 के दशक में अनुसंधान ने पहली समस्या-समाधान कार्यक्रम या विशेषज्ञ प्रणाली का उत्पादन किया, जिसे डेंड्राल के रूप में जाना जाता है।[९] जबकि यह कार्बनिक रसायन विज्ञान में अनुप्रयोगों के लिए बनाया गया था, इसने एक बाद की प्रणाली MYCIN[१०] के लिए आधार प्रदान किया, जिसे चिकित्सा में कृत्रिम बुद्धि के सबसे महत्वपूर्ण प्रारंभिक उपयोगों में से एक माना जाता है।[११] MYCIN और अन्य प्रणालियों जैसे कि इंटर्नस्ट -1 और CASNET ने चिकित्सकों द्वारा नियमित उपयोग को प्राप्त नहीं किया है।[१२]

1980 और 1990 के दशक में माइक्रो कंप्यूटर और नेटवर्क कनेक्टिविटी के नए स्तरों का प्रसार हुआ। इस समय के दौरान, शोधकर्ताओं और डेवलपर्स द्वारा मान्यता प्राप्त थी कि स्वास्थ्य देखभाल में AI सिस्टम को सही डेटा की अनुपस्थिति को समायोजित करने और चिकित्सकों की विशेषज्ञता पर निर्माण करने के लिए डिज़ाइन किया जाना चाहिए।[१३] फजी सेट सिद्धांत,[१४] बायेसियन नेटवर्क [१५]और कृत्रिम तंत्रिका नेटवर्क [१६][१७] से संबंधित दृष्टिकोण, स्वास्थ्य सेवा में बुद्धिमान कंप्यूटिंग प्रणालियों के लिए लागू किए गए हैं।

इस अर्ध-शताब्दी की अवधि में होने वाली चिकित्सा और तकनीकी प्रगति ने कृत्रिम बुद्धिमत्ता के स्वास्थ्य संबंधी विकास अनुप्रयोगों को सक्षम किया है:

आजकल के संशोधन

चिकित्सा में विभिन्न विशिष्टताओं ने कृत्रिम बुद्धिमत्ता के संबंध में अनुसंधान में वृद्धि दिखाई है।

रेडियोलोजी

रेडियोलॉजी के साथ इमेजिंग परिणामों की व्याख्या करने की क्षमता एक छवि में एक मिनट के बदलाव का पता लगाने में चिकित्सकों की सहायता कर सकती है जो एक चिकित्सक को गलती से याद हो सकती है। स्टैनफोर्ड के एक अध्ययन ने एक एल्गोरिथ्म बनाया जो उस परीक्षण में निमोनिया का पता लगा सकता था, जिसमें शामिल रोगियों में एक बेहतर औसत एफ 1 मीट्रिक (सटीकता और याद पर आधारित एक सांख्यिकीय मीट्रिक), उस परीक्षण में शामिल रेडियोलॉजिस्ट की तुलना में।[२४] कई कंपनियों (इकोमेट्रिक्स, QUIBIM, Robovision, ...) ने पॉप अप किया है जो छवियों को अपलोड करने के लिए एआई प्लेटफार्मों की पेशकश करते हैं। UMC यूट्रेक्ट के IMAGR AI जैसे वेंडर-न्यूट्रल सिस्टम भी हैं।[२५] विशिष्ट बीमारियों और विकारों की एक विस्तृत श्रृंखला का पता लगाने के लिए गहन सीखने के माध्यम से इन प्लेटफार्मों को प्रशिक्षित किया जाता है।[२६][२७][२८] रेडियोलॉजी कॉन्फ्रेंस रेडियोलॉजिकल सोसाइटी ऑफ नॉर्थ अमेरिका (Radiological Society of North America) ने अपनी वार्षिक बैठक के दौरान इमेजिंग में एआई पर प्रस्तुतियों को लागू किया है। रेडियोलॉजी में एआई प्रौद्योगिकी के उद्भव को कुछ विशेषज्ञों द्वारा एक खतरे के रूप में माना जाता है, क्योंकि प्रौद्योगिकी अलग-अलग मामलों में कुछ सांख्यिकीय मैट्रिक्स में सुधार प्राप्त कर सकती है, जैसा कि विशेषज्ञों के विपरीत है।[२९][३०]

इमेजिंग

हाल के अग्रिमों ने कृत्रिम बुद्धिमत्ताके उपयोग का सुझाव दिया है ताकि चेहरे के आकर्षण या आयु के संबंध में मैक्सिलो-फेशियल सर्जरी के परिणाम या भंग तालु चिकित्सा के परिणाम का मूल्यांकन किया जा सके। [३१] [३२]

2018 में, एक कागज पत्रिका में प्रकाशित कैंसर विज्ञान के इतिहास(Annals of Oncology) का उल्लेख किया कि त्वचा कैंसर एक एआई प्रणाली (जो एक deep learning convolutional neural network का इस्तेमाल किया) द्वारा की तुलना में से अधिक सही पता लगाया जा सकता है त्वचा विशेषज्ञ । सीएनएन मशीन के लिए 95% की तुलना में, औसतन मानव त्वचा विशेषज्ञों ने छवियों से 86.6% त्वचा के कैंसर का सटीक पता लगाया। [३३]

मनश्चिकित्सा

मनोचिकित्सा में, एआई अनुप्रयोग अभी भी प्रमाण-अवधारणा के एक चरण में हैं। [३४] अन्य क्षेत्र जिस्में साक्ष्य जल्दी से चौड़े हो रहे हैं, उनमें चैटबॉट, संवादी एजेंट शामिल हैं जो मानव व्यवहार की नकल करते हैं और जिनका अध्ययन चिंता और अवसाद के लिए किया गया है। [३५]

चुनौतियां इस तथ्य को शामिल करती हैं कि निजी निगमों द्वारा क्षेत्र में कई अनुप्रयोगों को विकसित और प्रस्तावित किया जाता है, जैसे कि 2017 में फेसबुक द्वारा लागू की गई आत्मघाती मूर्ति की स्क्रीनिंग। [३६] स्वास्थ्य सेवा प्रणाली के बाहर इस तरह के अनुप्रयोग विभिन्न पेशेवर, नैतिक और नियामक प्रश्न उठाते हैं। [३७]

रोग का निदान

कई बीमारियां हैं और ऐसे कई तरीके हैं जो एआई का उपयोग कुशलतापूर्वक और सटीक रूप से निदान करने के लिए किया गया है। कुछ बीमारियाँ जो सबसे अधिक बदनाम हैं जैसे कि मधुमेह, और हृदय रोग (सीवीडी) जो दुनिया भर में मृत्यु के कारणों के लिए शीर्ष दस में हैं, पीछे का आधार रहा है   एक सटीक निदान पाने में मदद करने के लिए बहुत सारे शोध / परीक्षण। इन रोगों से जुड़ी इतनी उच्च मृत्यु दर के कारण सटीक निदान पाने में मदद करने के विभिन्न तरीकों को एकीकृत करने का प्रयास किया गया है। '

जियांग, एट अल द्वारा एक लेख। (२०१ AI) [३८] प्रदर्शित किया गया कि कई प्रकार की एआई तकनीकें हैं जिनका उपयोग विभिन्न प्रकार की बीमारियों के लिए किया जाता है। इन तकनीकों में से कुछ पर चर्चा की जियांग, एट अल। शामिल हैं: वेक्टर मशीनों, तंत्रिका नेटवर्क, निर्णय पेड़ों और कई और अधिक का समर्थन करें। इन तकनीकों में से प्रत्येक को "प्रशिक्षण लक्ष्य" के रूप में वर्णित किया गया है, इसलिए "वर्गीकरण यथासंभव परिणामों से सहमत हैं ..."।

रोग निदान / वर्गीकरण के लिए कुछ बारीकियों को प्रदर्शित करने के लिए इन रोगों के वर्गीकरण में दो अलग-अलग तकनीकों का उपयोग किया जाता है, जिसमें "कृत्रिम तंत्रिका नेटवर्क (ANN) और बायेसियन नेटवर्क (BN)" का उपयोग करना शामिल है। [३९] 2008-2017 के समय सीमा के भीतर कई अलग-अलग पत्रों की समीक्षा से उनके भीतर देखा गया कि दोनों में से कौन सी तकनीक बेहतर थी।   जो निष्कर्ष निकाला गया वह यह था कि “इनका प्रारंभिक वर्गीकरण   बीमारियों को आर्टिफिशियल न्यूरल नेटवर्क और बायेसियन नेटवर्क जैसे मशीन लर्निंग मॉडल को विकसित करने के लिए प्राप्त किया जा सकता है। ”   एक अन्य निष्कर्ष एलिक, एट अल। (2017) आकर्षित करने में सक्षम था कि दो एएनएन और बीएन के बीच कि एएनएन बेहतर था और अधिक सटीक रूप से मधुमेह / सीवीडी को "सटीकता के साथ" दोनों मामलों (मधुमेह के लिए 87.29 और सीवीडी के लिए 89.38) में वर्गीकृत कर सकता था।

टेलीहेल्थ

टेलीमेडिसिन की वृद्धि ने संभावित एआई अनुप्रयोगों के उदय को दिखाया है। [४०] एआई का उपयोग करने वाले रोगियों की निगरानी करने की क्षमता चिकित्सकों को सूचना के संचार के लिए अनुमति दे सकती है यदि संभव हो तो रोग गतिविधि हो सकती है। [४१] एक पहनने योग्य उपकरण एक रोगी की निरंतर निगरानी के लिए अनुमति दे सकता है और उन परिवर्तनों को नोटिस करने की क्षमता के लिए भी अनुमति देता है जो मनुष्यों द्वारा कम भिन्न हो सकते हैं।

इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड

स्वास्थ्य सेवा उद्योग के डिजिटलीकरण और सूचना प्रसार के लिए इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड महत्वपूर्ण हैं। हालाँकि, इस डेटा को लॉग करना उपयोगकर्ताओं के लिए संज्ञानात्मक अधिभार और बर्नआउट जैसी अपनी समस्याओं के साथ आता है। ईएचआर डेवलपर्स अब इस प्रक्रिया को बहुत अधिक स्वचालित कर रहे हैं और यहां तक ​​कि इस प्रक्रिया को बेहतर बनाने के लिए प्राकृतिक भाषा प्रसंस्करण (एनएलपी) उपकरण का उपयोग करना शुरू कर रहे हैं। सेंटरस्टोन रिसर्च इंस्टीट्यूट द्वारा किए गए एक अध्ययन में पाया गया कि ईएचआर डेटा की भविष्य कहनेवाला मॉडलिंग ने बेसलाइन पर व्यक्तिगत उपचार प्रतिक्रिया की भविष्यवाणी करने में 70-72% सटीकता हासिल की है। [उद्धरण वांछित] एक एआई टूल का उपयोग करना जो ईएचआर डेटा को स्कैन करता है।[४२] यह किसी व्यक्ति में बीमारी के पाठ्यक्रम का सटीक अनुमान लगा सकता है।

दवाओं का पारस्परिक प्रभाव

प्राकृतिक भाषा प्रसंस्करण में सुधार ने चिकित्सा साहित्य में ड्रग-ड्रग इंटरैक्शन की पहचान करने के लिए एल्गोरिदम का विकास किया। [४३] [४४] [४५] [४६] ड्रग-ड्रग इंटरैक्शन कई दवाओं को एक साथ लेने वालों के लिए खतरा पैदा करता है, और दवा लेने की संख्या के साथ यह खतरा बढ़ जाता है।[४७] सभी ज्ञात या संदिग्ध ड्रग-ड्रग इंटरैक्शन को ट्रैक करने की कठिनाई को दूर करने के लिए, चिकित्सा साहित्य से दवाओं और उनके संभावित प्रभावों के बारे में जानकारी निकालने के लिए मशीन लर्निंग एल्गोरिदम बनाया गया है। 2013 में DDIExtraction Challenge में प्रयासों को समेकित किया गया था, जिसमें Carlos III University के शोधकर्ताओं की एक टीम ने इस तरह के एल्गोरिदम के लिए मानकीकृत परीक्षण बनाने के लिए ड्रग-ड्रग इंटरैक्शन पर साहित्य का एक कोष इकट्ठा किया था। [४८] प्रतियोगी को परीक्षण से, सही तरीके से यह निर्धारित करने की उनकी क्षमता पर परीक्षण किया गया था कि कौन सी दवाओं को बातचीत करने के लिए दिखाया गया था और उनकी बातचीत की विशेषताएं क्या थीं। [४९] शोधकर्ताओं ने अपने एल्गोरिदम की प्रभावशीलता के माप को मानकीकृत करने के लिए इस कॉर्पस का उपयोग करना जारी रखा है। FDA प्रतिकूल घटना रिपोर्टिंग प्रणाली (FAERS) और विश्व स्वास्थ्य संगठन के VigiBase जैसे संगठन डॉक्टरों को दवाओं के संभावित नकारात्मक प्रतिक्रियाओं की रिपोर्ट प्रस्तुत करने की अनुमति देते हैं। दीप लर्निंग एल्गोरिदम को इन रिपोर्टों को पार्स करने के लिए विकसित किया गया है और यह उन पैटर्न का पता लगाता है जो दवा-दवा की बातचीत का संकेत देते हैं। [५०]

नई औषधियों का निर्माण

डीएसपी -1181, ओसीडी (जुनूनी-बाध्यकारी विकार) उपचार के लिए दवा का एक अणु, एक्ससेंटिया (ब्रिटिश स्टार्ट-अप) और सुमितोमो डेनिपन फार्मा (जापानी फार्मास्युटिकल फर्म) के संयुक्त प्रयासों के माध्यम से कृत्रिम बुद्धि द्वारा आविष्कार किया गया था। दवा के विकास में एक साल का समय लगा, जबकि दवा कंपनियां आमतौर पर इसी तरह की परियोजनाओं पर लगभग पांच साल बिताती हैं। DSP-1181 को मानव परीक्षण के लिए स्वीकार किया गया। [५१]

उद्योग

अन्य स्वास्थ्य कंपनियों के साथ विलय करने वाली बड़ी आधारित स्वास्थ्य कंपनियों के बाद के उद्देश्य, अधिक से अधिक स्वास्थ्य डेटा पहुंच के लिए अनुमति देते हैं। [५२] ग्रेटर स्वास्थ्य डेटा एआई एल्गोरिदम के अधिक कार्यान्वयन के लिए अनुमति दे सकता है। [५३]

स्वास्थ्य सेवा क्षेत्र में AI के कार्यान्वयन पर उद्योग का एक बड़ा हिस्सा नैदानिक निर्णय समर्थन प्रणालियों में है । [५४] जैसे-जैसे डेटा की मात्रा बढ़ती है, AI निर्णय समर्थन प्रणाली अधिक कुशल होती जाती है। कई कंपनियां स्वास्थ्य देखभाल उद्योग में बड़े डेटा को शामिल करने की संभावनाओं की तलाश कर रही हैं। [५५]

स्वास्थ्य सेवा में उपयोग के लिए एआई एल्गोरिदम में योगदान देने वाली बड़ी कंपनियों के उदाहरण निम्नलिखित हैं:

  • आईबीएम की वाटसन ऑन्कोलॉजी मेमोरियल स्लोन केटरिंग कैंसर सेंटर और क्लीवलैंड क्लिनिक में विकास में है। [५६] आईबीएम क्रॉनिक डिजीज ट्रीटमेंट में एआई एप्लीकेशंस पर सीवीएस हेल्थ और ड्रग डेवलपमेंट के नए कनेक्शन खोजने के लिए साइंटिफिक पेपर्स के विश्लेषण पर जॉनसन एंड जॉनसन के साथ भी काम कर रहा है। [५७] मई 2017 में, IBM और Rensselaer Polytechnic Institute ने हेल्थकेयर को बढ़ाने के लिए AI तकनीक का उपयोग करने के लिए Analytics, लर्निंग और सेमंटिक्स (HEALS) द्वारा हेल्थ एम्पावरमेंट नामक एक संयुक्त परियोजना शुरू की। [५८]
  • ओरेगन हेल्थ एंड साइंस यूनिवर्सिटी के नाइट कैंसर इंस्टीट्यूट के साथ साझेदारी में, माइक्रोसॉफ्ट की हनोवर परियोजना, रोगियों के लिए सबसे प्रभावी कैंसर ड्रग उपचार विकल्पों की भविष्यवाणी करने के लिए चिकित्सा अनुसंधान का विश्लेषण करती है। [५९] अन्य परियोजनाओं में ट्यूमर की प्रगति की चिकित्सा छवि विश्लेषण और प्रोग्राम कोशिकाओं के विकास शामिल हैं। [६०]
  • Google के डीपमाइंड प्लेटफॉर्म का उपयोग यूके नेशनल हेल्थ सर्विस द्वारा एक मोबाइल ऐप के माध्यम से एकत्रित डेटा के माध्यम से कुछ स्वास्थ्य जोखिमों का पता लगाने के लिए किया जा रहा है। [६१] एनएचएस के साथ एक दूसरी परियोजना में कैंसर के ऊतकों का पता लगाने के लिए कंप्यूटर विजन एल्गोरिदम विकसित करने के लिए एनएचएस रोगियों से एकत्रित चिकित्सा छवियों का विश्लेषण शामिल है। [६२]
  • Tencent कई चिकित्सा प्रणालियों और सेवाओं पर काम कर रहा है। [६३] इनमें AI मेडिकल इनोवेशन सिस्टम (AIMIS), AI- पावर्ड डायग्नोस्टिक मेडिकल इमेजिंग सर्विस; WeChat बुद्धिमान हेल्थकेयर; और Tencent डॉक्टवर्क [६४]
  • इंटेल का उपक्रम कैपिटल आर्म इंटेल कैपिटल ने हाल ही में स्टार्टअप लुमाटा में निवेश किया है जो एआई का उपयोग जोखिम वाले रोगियों की पहचान करने और देखभाल विकल्प विकसित करने के लिए करता है। [६५]
  • मैमोग्राम में स्तन कैंसर का पता लगाने के लिए खेयोन मेडिकल ने गहन शिक्षण सॉफ्टवेयर विकसित किया। [६६]
  • फ्रैक्टल एनालिटिक्स ने Qure.ai को इनक्यूबेट किया है जो रेडियोलॉजी को बेहतर बनाने और डायग्नोस्टिक एक्स-रे के विश्लेषण को गति देने के लिए गहन शिक्षण और एआई का उपयोग करने पर केंद्रित है। [६७]

डिजिटल कंसल्टेंट ऐप जैसे कि Babylon Health's GP at Hand, एडा हेल्थ, अलीहैट डॉक्टर यू, [६८] कारएक्सपर्ट [६९] और Your.MD व्यक्तिगत चिकित्सा इतिहास और सामान्य चिकित्सा ज्ञान के आधार पर चिकित्सा परामर्श देने के लिए एआई का उपयोग करते हैं [७०] । उपयोगकर्ता ऐप में अपने लक्षणों की रिपोर्ट करते हैं, जो बीमारियों के डेटाबेस के खिलाफ तुलना करने के लिए भाषण मान्यता का उपयोग करता है। तब बाबुल उपयोगकर्ता की चिकित्सा के इतिहास को ध्यान में रखते हुए एक अनुशंसित कार्रवाई प्रदान करता है। हेल्थकेयर में उद्यमी एआई समाधान लेने के लिए प्रभावी रूप से सात बिजनेस मॉडल आर्कटाइप्स का उपयोग कर रहे हैं   बाजार के लिए। ये आर्कटिक टारगेट यूजर (जैसे पेशेंट फोकस बनाम हेल्थकेयर प्रोवाइडर और पेअर फोकस) के लिए उत्पन्न वैल्यू और वैल्यू कैप्चरिंग मैकेनिज्म पर निर्भर करते हैं (जैसे जानकारी प्रदान करना या हितधारकों को जोड़ना)। [७१]

IFlytek ने एक सर्विस रोबोट “जिओ मैन” लॉन्च किया, जो पंजीकृत ग्राहक की पहचान करने और चिकित्सा क्षेत्रों में व्यक्तिगत सिफारिशें प्रदान करने के लिए कृत्रिम बुद्धिमत्ता तकनीक को एकीकृत करता है। यह मेडिकल इमेजिंग के क्षेत्र में भी काम करता है। [७२] [७३] यूबीटेक ("क्रूजर") [७४] और सॉफ्टबैंक रोबोटिक्स ("पेपर") जैसी कंपनियों द्वारा भी इसी तरह के रोबोट बनाए जा रहे हैं।

भारतीय स्टार्टअप हाप्तिक ने हाल ही में एक व्हाट्सएप चैटबाॉट विकसित किया है [७५] [७६] जो भारत में घातक कोरोनवायरस से जुड़े सवालों के जवाब देता है । [७७] [७८] [७९]

निहितार्थ

एआई के उपयोग की भविष्यवाणी चिकित्सा लागत को कम करने के लिए की जाती है क्योंकि निदान में अधिक सटीकता होगी और उपचार योजना में बेहतर भविष्यवाणियों के साथ-साथ बीमारी की अधिक रोकथाम भी होगी।

एआई के अन्य भविष्य के उपयोगों में ब्रेन-कंप्यूटर इंटरफेस (बीसीआई) शामिल हैं, जो कि उन लोगों को स्थानांतरित करने, बोलने या रीढ़ की हड्डी की चोट के साथ मदद करने के लिए पूर्वानुमानित हैं। बीसीआई इन रोगियों को स्थानांतरित करने और तंत्रिका सक्रियण को डिकोड करके संवाद करने में मदद करने के लिए एआई का उपयोग करेगा। [८०]

जैसा कि प्रौद्योगिकी विकसित होती है और अधिक कार्यस्थलों में कार्यान्वित की जाती है, कई लोग डरते हैं कि उनकी नौकरियों को रोबोट या मशीनों द्वारा बदल दिया जाएगा। यूएस न्यूज स्टाफ (2018) लिखते हैं कि निकट भविष्य में, एआई का उपयोग करने वाले डॉक्टर उन डॉक्टरों पर "जीत" करेंगे जो नहीं करते हैं। AI हेल्थकेयर वर्करों की जगह नहीं लेगा, बल्कि उन्हें बेडसाइड कारों के लिए अधिक समय देने की अनुमति देगा। एअर इंडिया स्वास्थ्य सेवा कर्मी को जला सकती है और संज्ञानात्मक अधिभार कर सकती है। कुल मिलाकर, जैसा कि क्वान-हासे (2018) कहते हैं, प्रौद्योगिकी "सामाजिक लक्ष्यों की सिद्धि तक फैली हुई है, जिसमें उच्च स्तर की सुरक्षा, समय और स्थान पर संचार के बेहतर साधन, स्वास्थ्य देखभाल में सुधार और स्वायत्तता में वृद्धि शामिल है" (पी।   43)। जैसा कि हम अपने अभ्यास में एआई को अनुकूलित करते हैं और उपयोग करते हैं, हम अपने रोगियों के लिए हमारी देखभाल को बढ़ा सकते हैं जिसके परिणामस्वरूप सभी के लिए अधिक परिणाम प्राप्त होंगे।

विकासशील राष्ट्रों की देखभाल का विस्तार करना

एआई के उपयोग में वृद्धि के साथ, विकासशील देशों में अधिक देखभाल उपलब्ध हो सकती है। एआई अपनी क्षमताओं में विस्तार करना जारी रखता है और जैसा कि यह रेडियोलॉजी की व्याख्या करने में सक्षम है, यह कम डॉक्टरों की आवश्यकता के साथ अधिक लोगों का निदान करने में सक्षम हो सकता है क्योंकि इनमें से कई देशों में कमी है। [८०] एआई का लक्ष्य दुनिया में दूसरों को सिखाना है, जिसके बाद बेहतर इलाज और अंतत: वैश्विक स्वास्थ्य में सुधार होगा। विकासशील देशों में एआई का उपयोग जिनके पास संसाधन नहीं हैं, वे आउटसोर्सिंग की आवश्यकता को कम कर देंगे और रोगी की देखभाल में सुधार के लिए एआई का उपयोग कर सकते हैं। [८१] उदाहरण के लिए, प्राकृतिक भाषा प्रसंस्करण, और मशीन सीखने का उपयोग थाईलैंड, चीन और भारत जैसे स्थानों में कैंसर के उपचार के लिए किया जाता है। शोधकर्ताओं ने रोगी के रिकॉर्ड के माध्यम से एनएलपी का उपयोग करने और उपचार प्रदान करने के लिए एक एआई एप्लिकेशन को प्रशिक्षित किया। एआई एप्लिकेशन द्वारा किए गए अंतिम निर्णय विशेषज्ञ निर्णयों के 90% समय से सहमत थे।

विनियमन

जबकि स्वास्थ्य सेवा में एआई के उपयोग पर शोध का उद्देश्य व्यापक रूप से अपनाने से पहले रोगी के परिणामों में सुधार करने में इसकी प्रभावकारिता को मान्य करना है, फिर भी इसका उपयोग रोगियों और स्वास्थ्य सेवा प्रदाताओं के लिए कई नए प्रकार के जोखिम का परिचय दे सकता है, जैसे कि एल्गोरिदमिक पूर्वाग्रह, निहितार्थों का समाधान न करें, और अन्य मशीन नैतिकता मुद्दों। एआई के नैदानिक उपयोग की इन चुनौतियों ने विनियमों की संभावित आवश्यकता को पूरा किया है। [८२]

वर्तमान में स्वास्थ्य सेवा में एआई के उपयोग के लिए कोई नियम विशेष रूप से मौजूद नहीं हैं। मई 2016 में, व्हाइट हाउस ने मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस पर राष्ट्रीय विज्ञान और प्रौद्योगिकी परिषद (NSTC) उपसमिति की कार्यशालाओं की एक श्रृंखला की मेजबानी करने की अपनी योजना की घोषणा की। [८३] अक्टूबर 2016 में, समूह ने द नेशनल आर्टिफिशियल इंटेलिजेंस रिसर्च एंड डेवलपमेंट स्ट्रेटेजिक प्लान प्रकाशित किया, जिसमें फेडरली-फंडेड एआई रिसर्च एंड डेवलपमेंट (सरकार और शिक्षा के भीतर) के लिए अपनी प्रस्तावित प्राथमिकताओं को रेखांकित किया गया। रिपोर्ट में स्वास्थ्य सूचना प्रौद्योगिकी के क्षेत्र के विकास के चरणों में रणनीतिक आरएंडडी योजना पर ध्यान दिया गया है। [८४]

एकमात्र एजेंसी जिसने चिंता व्यक्त की है वह एफडीए है। एफडीए के डिजिटल हेल्थ के एसोसिएट सेंटर के निदेशक बकुल पटेल ने मई 2017 में कहा है।

“हम ऐसे लोगों को प्राप्त करने का प्रयास कर रहे हैं, जिनके पास उत्पाद के पूर्ण जीवन चक्र के साथ विकास का अनुभव है। हमारे पास पहले से ही कुछ वैज्ञानिक हैं जो कृत्रिम बुद्धिमत्ता और मशीन लर्निंग जानते हैं, लेकिन हम ऐसे पूरक लोग चाहते हैं जो आगे देख सकें और देखें कि यह तकनीक कैसे विकसित होगी। " [८५]

स्वास्थ्य के लिए आर्टिफिशियल इंटेलिजेंस(FG-AI4H) पर संयुक्त ITU-WHO फोकस समूह ने स्वास्थ्य क्षेत्र में एआई अनुप्रयोगों के परीक्षण और बेंचमार्किंग के लिए एक मंच बनाया है। [८६] नवंबर 2018 तक, आठ उपयोग मामलों को बेंचमार्क किया जा रहा है, जिसमें हिस्टोपैथोलॉजिकल इमेजरी से स्तन कैंसर के जोखिम का आकलन करना, साँप की छवियों से विष-रोधी चयन का मार्गदर्शन करना और त्वचा के घावों का निदान करना शामिल है। [८७] [८८]

सन्दर्भ

  1. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  2. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  3. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  4. ↑ Bahl M, Barzilay R, Yedidia AB, Locascio NJ, Yu L, Lehman CD (March 2018). "High-Risk Breast Lesions: A Machine Learning Model to Predict Pathologic Upgrade and Reduce Unnecessary Surgical Excision". Radiology. 286 (3): 810–818. doi:10.1148/radiol.2017170549. PMID 29039725.
  5. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  6. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  7. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  8. ↑ साँचा:cite web
  9. ↑ साँचा:cite journal
  10. ↑ साँचा:cite book
  11. ↑ साँचा:cite book
  12. ↑ साँचा:cite journal
  13. ↑ साँचा:cite journal
  14. ↑ साँचा:cite journal
  15. ↑ साँचा:cite journal
  16. ↑ साँचा:cite journal
  17. ↑ साँचा:cite journal
  18. ↑ Koomey J, Berard S, Sanchez M, Wong H (March 2010). "Implications of historical trends in the electrical efficiency of computing". IEEE Annals of the History of Computing. 33 (3): 46–54. doi:10.1109/MAHC.2010.28.
  19. ↑ साँचा:cite book
  20. ↑ Jha AK, DesRoches CM, Campbell EG, Donelan K, Rao SR, Ferris TG, Shields A, Rosenbaum S, Blumenthal D (April 2009). "Use of electronic health records in U.S. hospitals". The New England Journal of Medicine. 360 (16): 1628–38. doi:10.1056/NEJMsa0900592. PMID 19321858.
  21. ↑ Banko M, Brill E (July 2001). "Scaling to very very large corpora for natural language disambiguation]" (PDF). Proceedings of the 39th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics: 26–33. Archived from the original (PDF) on 7 अप्रैल 2019. Retrieved 24 अगस्त 2020. {{cite journal}}: Check date values in: |access-date= and |archive-date= (help)
  22. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  23. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  24. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  25. ↑ साँचा:cite web
  26. ↑ साँचा:cite webसाँचा:category handlerसाँचा:main otherसाँचा:main other[dead link]
  27. ↑ साँचा:cite journal
  28. ↑ साँचा:cite journal
  29. ↑ साँचा:cite journal
  30. ↑ साँचा:cite journal
  31. ↑ Patcas R, Bernini DA, Volokitin A, Agustsson E, Rothe R, Timofte R (January 2019). "Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age". International Journal of Oral and Maxillofacial Surgery. 48 (1): 77–83. doi:10.1016/j.ijom.2018.07.010. PMID 30087062.
  32. ↑ Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, Bornstein MM (August 2019). "Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups". European Journal of Orthodontics. 41 (4): 428–433. doi:10.1093/ejo/cjz007. PMID 30788496.
  33. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  34. ↑ Graham, Sarah; Depp, Colin; Lee, Ellen E.; Nebeker, Camille; Tu, Xin; Kim, Ho-Cheol; Jeste, Dilip V. (2019-11-07). "Artificial Intelligence for Mental Health and Mental Illnesses: an Overview". Current Psychiatry Reports (in अंग्रेज़ी). 21 (11): 116. doi:10.1007/s11920-019-1094-0. ISSN 1535-1645. PMID 31701320.
  35. ↑ Fulmer, Russell; Joerin, Angela; Gentile, Breanna; Lakerink, Lysanne; Rauws, Michiel (2018-12-13). "Using Psychological Artificial Intelligence (Tess) to Relieve Symptoms of Depression and Anxiety: Randomized Controlled Trial". JMIR Mental Health. 5 (4): e64. doi:10.2196/mental.9782. ISSN 2368-7959. PMID 30545815.
  36. ↑ Coppersmith, Glen; Leary, Ryan; Crutchley, Patrick; Fine, Alex (January 2018). "Natural Language Processing of Social Media as Screening for Suicide Risk". Biomedical Informatics Insights (in अमेरिकी अंग्रेज़ी). 10: 117822261879286. doi:10.1177/1178222618792860. ISSN 1178-2226. PMID 30158822.
  37. ↑ Brunn, Matthias; Diefenbacher, Albert; Courtet, Philippe; Genieys, William (2020-05-18). "The Future is Knocking: How Artificial Intelligence Will Fundamentally Change Psychiatry". Academic Psychiatry (in अंग्रेज़ी). doi:10.1007/s40596-020-01243-8. ISSN 1545-7230. PMID 32424706.
  38. ↑ Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y (December 2017). "Artificial intelligence in healthcare: past, present and future". Stroke and Vascular Neurology. 2 (4): 230–243. doi:10.1136/svn-2017-000101. PMID 29507784. {{cite journal}}: Unknown parameter |displayauthors= ignored (help)
  39. ↑ Alić B, Gurbeta L, Badnjević A (June 2017). "Machine learning techniques for classification of diabetes and cardiovascular diseases". 2017 6th Mediterranean Conference on Embedded Computing (MECO). IEEE: 1–4. doi:10.1109/meco.2017.7977152. ISBN 978-1-5090-6742-8.
  40. ↑ Pacis, Danica (February 2018). "Trends in telemedicine utilizing artificial intelligence". AIP Conference Proceedings. 1933 (1): 040009. Bibcode:2018AIPC.1933d0009P. doi:10.1063/1.5023979.
  41. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  42. ↑ Bennett, Casey C.; Selove, Rebecca; Doub, Thomas W. (April 2012). "EHRs Connect Research and Practice: Where Predictive Modeling, Artificial Intelligence, and Clinical Decision Support Intersect". Health Policy and Technology. 1 (2): 105–114. arXiv:1204.4927. doi:10.1016/j.hlpt.2012.03.001 – via ResearchGate.
  43. ↑ Bokharaeian B, Diaz A, Chitsaz H (2016). "Enhancing Extraction of Drug-Drug Interaction from Literature Using Neutral Candidates, Negation, and Clause Dependency". PLOS ONE. 11 (10): e0163480. Bibcode:2016PLoSO..1163480B. doi:10.1371/journal.pone.0163480. PMID 27695078.
  44. ↑ Cai R, Liu M, Hu Y, Melton BL, Matheny ME, Xu H, Duan L, Waitman LR (February 2017). "Identification of adverse drug-drug interactions through causal association rule discovery from spontaneous adverse event reports". Artificial Intelligence in Medicine. 76: 7–15. doi:10.1016/j.artmed.2017.01.004. PMID 28363289.
  45. ↑ Christopoulou F, Tran TT, Sahu SK, Miwa M, Ananiadou S (January 2020). "Adverse drug events and medication relation extraction in electronic health records with ensemble deep learning methods". Journal of the American Medical Informatics Association : JAMIA. 27 (1): 39–46. doi:10.1093/jamia/ocz101. PMID 31390003.
  46. ↑ Zhou D, Miao L, He Y (May 2018). "Position-aware deep multi-task learning for drug-drug interaction extraction" (PDF). Artificial Intelligence in Medicine. 87: 1–8. doi:10.1016/j.artmed.2018.03.001. PMID 29559249.
  47. ↑ साँचा:cite report
  48. ↑ Herrero-Zazo M, Segura-Bedmar I, Martínez P, Declerck T (October 2013). "The DDI corpus: an annotated corpus with pharmacological substances and drug-drug interactions". Journal of Biomedical Informatics. 46 (5): 914–20. doi:10.1016/j.jbi.2013.07.011. PMID 23906817.
  49. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  50. ↑ Xu B, Shi X, Yin Y, Zhao Z, Zheng W, Lin H, Yang Z, Wang J, Xia F (May 2019). "Incorporating User Generated Content for Drug Drug Interaction Extraction Based on Full Attention Mechanism". IEEE Transactions on NanoBioscience. 18 (3): 360–7. doi:10.1109/TNB.2019.2919188. PMID 31144641.
  51. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  52. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  53. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  54. ↑ Horvitz EJ, Breese JS, Henrion M (July 1988). "Decision theory in expert systems and artificial intelligence". International Journal of Approximate Reasoning. 2 (3): 247–302. doi:10.1016/0888-613x(88)90120-x. ISSN 0888-613X.
  55. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  56. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  57. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  58. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  59. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  60. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  61. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  62. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  63. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  64. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  65. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  66. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  67. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  68. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  69. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  70. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  71. ↑ Garbuio, Massimo; Lin, Nidthida (2019). "Artificial Intelligence as a Growth Engine for Health Care Startups: Emerging Business Models". California Management Review. 61 (2): 59–83. doi:10.1177/0008125618811931.
  72. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  73. ↑ Kong X, Ai B, Kong Y, Su L, Ning Y, Howard N, Gong S, Li C, Wang J, Lee WT, Wang J, Kong Y, Wang J, Fang Y (2019). "Artificial intelligence: a key to relieve China's insufficient and unequally-distributed medical resources". American Journal of Translational Research. 11 (5): 2632–2640. PMID 31217843.
  74. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  75. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  76. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  77. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  78. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  79. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  80. ↑ अ आ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  81. ↑ Chen AF, Zoga AC, Vaccaro AR (1 November 2017). "Point/Counterpoint: Artificial Intelligence in Healthcare". Healthcare Transformation. 2 (2): 84–92. doi:10.1089/heat.2017.29042.pcp.
  82. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  83. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  84. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  85. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  86. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  87. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
  88. ↑ स्क्रिप्ट त्रुटि: "citation/CS1" ऐसा कोई मॉड्यूल नहीं है।
"https://hiwiki.iiit.ac.in/index.php?title=स्वास्थ्य_सेवा_में_कृत्रिम_बुद्धिमत्ता&oldid=264896" से लिया गया