AI ja Uus-Aafrika (IV osa): AI kohaldamine Aafrikas

Eelmisel nädalal tegime ettepaneku arutada AI konkreetseid rakendusi, keskendudes tervishoiule. Lühidalt, tõeline AI on see, kui süsteem saab aru saada keerukatest andmekogumitest ja neist õppida, andes samal ajal kehtivaid soovitusi ja ettepanekuid. Siinkohal väärib märkimist sõna “andmed”, mis on teave või konkreetsemalt digitaalselt saadaolev teave. AI sõltub masina koolitamiseks palju andmete kättesaadavusest, nagu inimesed õpivad andmeid sisse võttes ja neid analüüsides. Erinevus siin põhimõttelisel tasemel seisneb idees, et masinad õpiksid kiirema kiirusega palju lühema aja jooksul tohutul hulgal andmeid. Seega on asi selles, et proovida kiirendada ja optimeerida masinate andmete kogumise kiirust, andmeid analüüsida ja nende põhjal õppida, et vajadusel anda täpsemaid ja kehtivamaid soovitusi ja ettepanekuid.

Oleme kogenud suuremat tehnoloogilist revolutsiooni kui Internet ja mobiilsidetehnoloogiad. Viimastel aegadel möödub vaevalt päev ilma teateta AI-s uskumatust uuest piirist. Kuid suurem osa praegusest AI ümbritsevast hüpist on tingitud tehnikast, mida nimetatakse süvaõppeks (DL). AI, eriti DL, on leidnud kasutamist paljudes tööstusharudes ja eluvaldkondades alates kommunikatsioonist kuni transportimiseni, klienditeenindusest rahastamiseni ning tootmisest tervishoiuni ja mujal. Üldiselt võib AI-l olla potentsiaalselt häirivaid rakendusi ning mõju globaalse majanduse praegusele arhitektuurilisele korraldusele ja Aafrika-sarnased kohad peaksid valmistuma nii selle kui ka vajalike sisendite ärakasutamiseks.

AI tervishoius

Nagu teatasime värskes postituses, kuidas AI võiks aidata muuta Aafrikas farmaatsiat, kasutatakse AI rakendusi üha enam diagnoosimisel, kirurgias, patsientide jälgimisel ja muidugi ravimite väljatöötamisel ja kohaletoimetamisel ning paljudes tervishoiuteenustes. Põhitasemel võiks seda kirjeldada suurte teadusuuringute teaduse rakendamisel bioteaduste valdkonnas, mis hõlmab tervise- või bioloogiliste andmete tohutute koguste ja sortide kiiret töötlemist ja kuvamist.

Praegu on see kasvav trend paljudes tervishoiusektorites, kus on tohutul hulgal andmeid, näiteks labori andmed, kindlustusandmed, patsientide andmed, uuringute andmed ja isegi sotsiaalmeedia andmed. Värskes aruandes tuvastas CB Insights üle 100 maineka ettevõtte, kes rakendavad masinõppe algoritme ja ennustavat analüütikat tervishoiu erinevates aspektides, näiteks vähendavad ravimite avastamise aega, pakuvad patsientidele virtuaalset abi ja diagnoosivad tervisehäireid, töödeldes muu hulgas meditsiinilisi pilte .

Paljud suured meditsiini- ja ravimiettevõtted kasutavad juba tehisintellekti jõudu suurepäraste tulemustega. Näiteks on Johnsoni ja Johnsoni Sedasys süsteem saanud FDA heakskiidu, et ta annaks anesteesia tavapäraste protseduuride jaoks nagu kolonoskoopiad automaatselt. Arst kontrollib korraga mitut aparaati, mis teeb kulud palju väiksemaks kui spetsiaalne inimese anestesioloog. Insilico Medicine on õpetanud oma AI-süsteemi, et ennustada uute ravimite terapeutilist kasutamist enne nende sisenemist testimisprotsessi. Haiguse diagnoosimiseks on katsetamise ja kinnitamise eri etappides ka arvukalt roboteid.

Tervishoiuorganisatsioonid teevad üha enam jõupingutusi diagnoosimisprotsessi automatiseerimiseks, arendades suuri andmeplatvorme, et kiirendada tervishoiupraktika ja teadustöö kiirenemist. Mõnel juhul, näiteks IBM-i Watsoni puhul, on nendel masinatel diagnooside täpsuse täpsus kõrgem kui inimeste arstidel. AI ja suurandmete kasutamine nendes tervishoiuprotsessides võimaldab süsteemidel jälgida keerulisi mustreid, võimaldades seeläbi haiguste tuvastamisel ja õigete diagnooside määramisel tõhusust. Parema täpsuse ja täpsuse saavutamiseks kasutab näiteks isegi ultraheli nüüd AI- ja pilvepõhiseid süsteeme ning 3D-kujutistehnoloogiat. Frost & Sullivani analüütiku Harpreet Singh Buttari sõnul võiksid AI süsteemid 2025. aastaks olla seotud kõigega, alates elanikkonna tervise haldamisest kuni digitaalsete avatariteni, mis suudavad vastata konkreetsetele patsiendi küsimustele.

Nüüd on meil rohkem virtuaalseid järelmeetmeid. See tähendab, et kliiniline personal ei pea enam pühendama nii palju aega järelkontrolli protsessidele. Selle põhjuseks on asjaolu, et patsientidel on nüüd võimalus jälgida digitaalsete meetodite ja tööriistade, näiteks digitaalsete rakenduste ja muude AI-protseduuride kaudu. Nüüd on olemas ka nutikad robotirakendused, mis suudavad vastata korduma kippuvatele küsimustele ja jälgida patsiendi tervist, mõne rakenduse abil antakse patsientidele soovitusi nende praeguse diagnoosi ja varasemate meditsiiniliste aruannete põhjal. Pole ime, et üha suuremat hulka patsiente julgustatakse digitaalseks muutma.

Lisaks on kõik muud tervishoiutehnoloogia tööriistad (nii vanad kui ka uued), mis aitavad muuta tervishoiuteenused digitaalseks; diagnostika, telemeditsiin, EMR, võrku ühendatud EMR (sisevõrk või Internet), arvutite kaudu ühendatud seadmed, narkomaania meeldetuletused, narkootikumide selfid ja nii edasi, võiks nendesse nüüd olla ehitatud AI või intelligentsed programmid. Selle tulemusel muutuvad need tööriistad äkki nutikamaks, õpivad andmetest ja aitavad meil intelligentsemalt töötada.

Keskmes on AI, mis hõlbustab tervishoiuteabe kättesaadavust, olulisust ja kasutatavust. Abiks oleks pisut põhjalikum uurimine AI olulisest rakendusest tervishoius, täpsemalt farmaatsiatööstuses.

Uus koidik Aafrikas; muutumas globaalseks ravimikeskuseks

Mõnda neist oleme hiljutises postituses põhjalikult arutanud. Farmaatsia tuleviku üle arutledes ütleb dr Bertalan Mesko, et “meditsiiniliste otsuste tegemine tehisintellektiga, kasutades superarvutite jõudu, muudab igapäevaseid ravimeid. Kognitiivseid arvuteid, näiteks IBM Watson, on suurandmete analüüsimiseks kasutatud mitmel viisil, mitte ainult genoomiuuringutes, vaid ka biotehnoloogias. See kujundab ka uute ravimite leidmise viisi. Inimese füsioloogia üksikasjaliku simuleerimise abil võib see viia inimkatsete lõppu. Meie ajajärk, kus narkootikume katsetatakse tegelike inimeste peal, tundub tuleviku inimestele barbaarne. Mis siis, kui superarvutid suudaksid sekunditega katsetada tuhandeid narkootikumide sihtmärke miljardite simulatsioonide abil, mis modelleerivad inimkeha füsioloogiat? Pharma peaks selliseid uuringuid nende kasuks toetama. ”

Nagu me juba teame ja on siinkohal hea endale meelde tuletada, et AI ja enamus muid tehnoloogia arenguid on põhimõtteliselt lihtsalt „tööriistad”, tööriistad probleemide lahendamiseks ja paremaks muutmiseks. Seega on küsimus järgmine: kas farmaatsias on probleeme, millega tuleb tegeleda? Kas on farmaatsiaprotsesse, mida tuleb täiustada, täiustada ja paremaks muuta? Kõik, kes on farmaatsias lähedased, teavad, et leidub lahendusi ja protsesse, mis vajavad täiustamist alates tegelikust ravimite avastamisest ja arendamisest kuni tegeliku kohaletoimetamiseni.

AI tüüpiline rakendus on ravimite avastamine. Looduses ja ravimiettevõtetes on tohutul hulgal molekule ja ühendeid, mis võiksid olla sobivad lahendused konkreetsete haiguste vastu võitlemiseks ja tervise parandamiseks, kuid väljakutse seisneb nende kui selliste tuvastamises; potentsiaalsete terapeutiliste üksustena. Uimastite avastamine ja arendamine on tõenäoliselt mitte ainult kõige silmatorkavam väljakutse, vaid ka kõige olulisem võimalus tervishoiu parandamiseks. Uue ravimi leidmine võib olla väga nõudlik ja kulusid piirav. Sisuliste rahaliste ja intellektuaalsete nõudmistega läheb palju aega. Põhitasemel on need tavaliselt tingitud vajalikest protsessidest, mis on vajalikud tõhusate ja ohutute ravimite kasutamiseks. Keskmiselt võivad ravimite kättesaadavaks tegemise protsessid alates avastamisest kuni manustamiseni maksta ravimifirmadele kuni 2,6 miljardit dollarit ja nende valmimine võib võtta umbes 12–14 aastat. Seetõttu on AI lühiajaline ja pikaajaline rakendamine farmaatsias pigem ravimi väljatöötamise aja ja seega ka kulude vähendamine. See mitte ainult ei suurendaks investeeringutasuvust ja vähendaks kasutajate kulusid, vaid oleks kasulik ka kasulike toodete kiiremini kättesaadavaks tegemisel, eriti kui see on kõige olulisem.

Tavaliselt uuritakse ja läbitakse paljude protsesside kaudu tuhandeid molekule, millest vaid käputäis pääseb kliinilistesse uuringutesse, keskmiselt kümnest tuhandest uuritud molekulist võib ravim heakskiidu saada kahest. Küsimused on järgmised: kas on olemas viis, kuidas AI saaks kiiresti aidata ravimiarendajatel vältida liigsete ressursside kulutamist hukule määratud molekulide jaoks? Kas ravimiarendajad võiksid keskenduda rohkem vaid käputäis kõige tõhusamatele molekulidele, mis võiksid lõpuks olla sobivad ja heaks kiidetud nende konkreetseks otstarbeks? Selle tulemuseks oleks kulutatud ressursside drastiline kärpimine, ravimite avastamise protsessi kiirendamine ja parema kvaliteediga ravimite avastamise tagamine. Noh, selgub, et AI-st võiks abi olla ja AI, nagu me tunnistame, otsib praegu rakendusi peaaegu igas uimastite avastamise protsessi osas.

Käputäis AI-le keskendunud ettevõtteid, sealhulgas Insilico Medicine, Atomwise, Numerate ja teised, teevad ära palju tööd ja töötlevad suuri kliinilisi ja meditsiinilisi andmeid, et aidata farmaatsial paremini hakkama saada. Paljud, sealhulgas Frost & Sullivan, on hiljuti tunnustanud Insilico Meditsiini jõupingutusi. Isegi praeguse edenemiskiirusega (ja tempo kiireneb) väheneks tõenäoliselt järgmise paari aasta jooksul raviteenuste hind poole võrra.

Aafrikas on see korduv teema olnud nii kõrgetes kui ka madalates kohtades. Nad on seisukohal, et Aafrikast oleks peaaegu võimatu teha tõsiseid uuringuid, arendada ravimeid ja anda farmaatsias omapärasemat panust. Paljud neist inimestest nimetavad tavaliselt ravimite uurimise ja arendamise liiga suuri ja kasvavaid kulusid, mida paljud farmaatsiast huvitatud Aafrika organisatsioonid ei saa endale lubada. Nende jaoks on Aafrika institutsioonid seotud algeliste teadusuuringutega, mis on enamasti seotud riiulitega. Paljud tunnistavad, et see on täiesti jätkusuutmatu. Õnneks tänu tehnoloogia arengule, eriti AI, pole praegu mingit põhjust, miks Aafrika teadlased ja arendajad ei saaks olla paremad ravimite avastamise tulemuste saavutamiseks produktiivsemad ja innovaatilisemad. See muudaks tõenäoliselt farmaatsia ja tervishoiu üldiselt.

Autori kohta

Iraneus Ogu juhib Insilico Medicine, Inc-is Aafrika kunstliku intelligentsuse ja plokiahela tervishoiu algatust. Lisaks tehnikaarendustele töötab ta pikaealisuse ja vananemisega seotud sekkumisi, keskendudes neuroregeneratsioonile. Ta töötab võrdselt arendusmeeskonnaga saidil Longenesis.com ja tal on ka farmaatsiateaduste taust Greenwichi ülikoolis, kus tema uurimistöö keskendus kontrollitud vabanemisega ravimvormidele.