AI dan Afrika Baru (Bahagian IV): Memohon AI di Afrika

Minggu lepas, kami mencadangkan untuk membincangkan beberapa aplikasi konkrit AI dengan fokus pada penjagaan kesihatan. Secara ringkas, AI benar ialah apabila sistem dapat memahami dan belajar daripada set data yang rumit semasa membuat cadangan dan cadangan yang sah. Yang patut dicatat di sini adalah perkataan "data" yang merupakan maklumat atau, untuk menjadi maklumat khusus yang tersedia secara digital. AI bergantung banyak pada ketersediaan data untuk melatih mesin seperti manusia belajar dengan mengambil dan menganalisis data. Perbezaan di sini, pada tahap asas, adalah idea mesin pembelajaran dengan jumlah data yang banyak dalam tempoh yang lebih pendek pada kelajuan dipercepat. Oleh itu, ia bertujuan untuk mempercepat dan mengoptimumkan kadar di mana mesin mengambil data, menganalisis data dan belajar dari data untuk membuat cadangan dan cadangan yang lebih tepat dan sah di mana diperlukan.

Kami berada di awal revolusi teknologi magnitud yang lebih besar daripada teknologi komunikasi internet dan mudah alih. Baru-baru ini, hampir tidak ada hari yang berlalu tanpa pengumuman sempadan baru yang luar biasa di AI. Walau bagaimanapun, kebanyakan gembar-gembur semasa di sekitar AI adalah kerana teknik yang dikenali sebagai pembelajaran mendalam (DL). AI, terutama DL, telah menemui penggunaan dalam banyak industri dan aspek kehidupan dari komunikasi ke pengangkutan, dari khidmat pelanggan untuk membiayai dan dari pembuatan ke penjagaan kesihatan dan seterusnya. Keseluruhan AI boleh mempunyai aplikasi berpotensi mengganggu, dan implikasi untuk susunan arsitektur semasa ekonomi global dan tempat-tempat seperti Afrika harus bersedia untuk mengambil kesempatan daripada ini serta input yang diperlukan.

AI dalam Penjagaan Kesihatan

Seperti yang kita dilaporkan di post baru-baru ini mengenai cara AI dapat membantu mengubah pharma di Afrika, aplikasi AI semakin digunakan diagnosis, pembedahan, pemantauan pesakit dan tentu saja pembangunan dadah dan penghantaran dan banyak penjagaan kesihatan. Di peringkat asas, ini boleh digambarkan sebagai memanfaatkan kuasa data besar dalam sains hayat yang melibatkan pemprosesan dan memaparkan jumlah besar dan jenis kesihatan atau data biologi pada kadar yang cepat.

Pada masa ini, ini adalah trend yang semakin meningkat di banyak sektor penjagaan kesihatan di mana terdapat sejumlah besar data seperti data makmal, data insurans, rekod pesakit, data penyelidikan, dan juga data media sosial. Dalam laporan baru-baru ini, CB Insights mengenal pasti lebih daripada 100 syarikat terkemuka yang menggunakan algoritma pembelajaran mesin dan analisis ramalan dalam pelbagai aspek penjagaan kesihatan seperti mengurangkan masa penemuan ubat, memberikan bantuan maya kepada pesakit, dan mendiagnosis penyakit dengan memproses imej perubatan, antara lain .

Banyak syarikat perubatan dan farmaseutikal yang utama telah memanfaatkan kuasa kecerdasan buatan dengan hasil yang hebat. Sebagai contoh, sistem Sedasys Johnson dan Johnson telah menerima kelulusan FDA untuk menyampaikan anestesia untuk prosedur standard seperti kolonoskopi secara automatik. Seorang doktor menyelia pelbagai mesin sekaligus, menjadikan kosnya lebih rendah daripada pakar anestesi manusia yang berdedikasi. Insilico Medicine telah mengajar sistem AInya untuk meramalkan penggunaan ubat baru terapi sebelum mereka masuk ke dalam proses ujian. Terdapat juga banyak robot dalam pelbagai peringkat ujian dan kelulusan untuk mendiagnosis penyakit.

Organisasi penjagaan kesihatan semakin berusaha untuk mengotomatisasi proses diagnosis dengan mengembangkan platform data besar untuk meningkatkan kelajuan amalan penjagaan kesihatan dan penyelidikan. Dalam beberapa kes, seperti dengan Watson IBM, mesin ini mempunyai kadar ketepatan yang lebih tinggi untuk diagnosis daripada doktor manusia. Penerapan AI dan data besar dalam beberapa proses penjagaan kesihatan ini membolehkan sistem untuk memantau corak kompleks, sehingga membolehkan keberkesanan peningkatan ketika mengenal pasti penyakit dan membentuk diagnosis yang tepat. Malah ultrasound, misalnya, kini menggunakan sistem AI dan berasaskan awan serta teknologi pengimejan 3D untuk mencapai ketepatan dan ketepatan yang lebih baik. Menurut Harpreet Singh Buttar, penganalisis di Frost & Sullivan, "menjelang 2025, sistem AI boleh terlibat dalam segala-galanya daripada pengurusan kesihatan penduduk kepada avatar digital yang mampu menjawab pertanyaan pesakit tertentu."

Sekarang kita mempunyai lebih banyak tindak lanjut maya. Ini bermakna kakitangan klinikal, tidak perlu lagi menumpukan proses tindak lanjut masa. Ini kerana pesakit kini mempunyai pilihan untuk mengikuti melalui kaedah digital dan alat seperti aplikasi digital dan prosedur AI yang lain. Juga terdapat aplikasi robot yang pintar yang boleh menjawab soalan yang kerap ditanya dan menjejaki kesihatan pesakit dengan beberapa aplikasi lagi untuk memberi cadangan kepada pesakit berdasarkan diagnosis semasa dan laporan perubatan yang lepas. Tidak hairanlah semakin ramai pesakit digalakkan pergi digital.

Selain itu, semua alat teknologi penjagaan kesihatan lain (kedua-duanya lama dan baru) yang membantu menjadikan digital penjagaan kesihatan; diagnostik, telemedicine, EMR, rangkaian EMR (intranet atau internet), peralatan yang disambungkan melalui komputer, peringatan dadah, selfie ubat dan sebagainya, kini boleh mempunyai program AI atau cerdas yang dibina ke dalamnya. Akibatnya, alat ini tiba-tiba menjadi lebih bijak, belajar dari data dan membantu kami bekerja dengan lebih bijak.

Di teras, AI memudahkan akses, kesesuaian, dan kebolehlaksanaan maklumat penjagaan kesihatan. Sedikit lebih mendalam melihat aplikasi AI yang penting dalam penjagaan kesihatan, tepatnya industri farmaseutikal, akan membantu.

Fajar baru untuk Afrika; berubah menjadi pusat pharma global

Kami telah membincangkan beberapa perkara ini secara meluas dalam jawatan baru-baru ini. Semasa membincangkan masa depan pharma, Dr Bertalan Mesko mengatakan bahawa "keputusan perubatan dengan kecerdasan buatan menggunakan kuasa superkomputer akan mengubah ubat sehari-hari. Komputer kognitif, seperti IBM Watson, telah digunakan dalam banyak cara untuk menganalisis data besar, bukan sahaja dalam penyelidikan genom tetapi juga dalam bioteknologi. Ini juga akan membentuk cara ubat baru dijumpai. Ia mungkin membawa kepada ujikaji manusia melalui simulasi terperinci fisiologi manusia. Era kita, dengan ubat-ubatan yang diuji pada orang sebenar, akan kelihatan ganas kepada orang-orang masa depan. Bagaimana jika superkomputer boleh menguji beribu sasaran dadah pada berbilion-bilion simulasi memodelkan fisiologi badan manusia dalam beberapa saat? Pharma harus menyokong penyelidikan sedemikian untuk manfaat mereka. "

Seperti yang telah kita ketahui dan adalah baik untuk mengingatkan diri kita pada titik ini bahawa AI dan kebanyakan kemajuan teknologi lain pada dasarnya hanya "alat," alat untuk menyelesaikan masalah dan membuat perkara yang lebih baik. Jadi persoalannya ialah: Adakah terdapat masalah dalam pharma yang perlu ditangani? Adakah terdapat proses pharma yang perlu diperbaiki, dipertingkatkan dan dibuat lebih baik? Sesiapa pun yang hampir dengan pharma tahu ada masalah lama yang mencari penyelesaian dan proses yang patut diperbaiki daripada penemuan dan perkembangan dadah sebenar kepada penghantaran sebenar.

Penggunaan khas AI adalah dalam penemuan ubat. Secara semula jadi dan dalam syarikat farmaseutikal adalah sebilangan besar molekul dan sebatian yang boleh menjadi penyelesaian yang sesuai untuk memerangi penyakit tertentu dan meningkatkan kesihatan, tetapi cabarannya adalah mengenal pasti mereka; sebagai entiti terapeutik yang berpotensi. Penemuan dadah dan pembangunan mungkin bukan sahaja cabaran yang paling menonjol tetapi juga peluang paling penting untuk peningkatan dalam penjagaan kesihatan. Mencari ubat baru boleh menjadi sangat menuntut dan kos yang tinggi. Ia mengambil banyak masa dengan tuntutan kewangan dan intelektual yang besar. Pada peringkat asas, ini biasanya disebabkan oleh proses yang diperlukan untuk memastikan kami mempunyai ubat yang berkesan dan selamat digunakan. Rata-rata, proses yang terlibat dalam membuat ubat-ubatan yang tersedia, dari penemuan kepada pentadbiran, boleh menelan kos syarikat farmaseutikal hingga $ 2.6 bilion dan boleh mengambil masa 12 hingga 14 tahun untuk diselesaikan. Oleh kerana itu, penerapan AI dalam jangka panjang yang lebih rendah untuk jangka panjang adalah lebih kepada mengurangkan masa dan dengan itu kos pembangunan dadah. Ini bukan sahaja meningkatkan pulangan pelaburan dan mengurangkan kos untuk pengguna tetapi akan membantu dalam membuat produk berguna lebih cepat, terutamanya yang paling penting.

Biasanya, beribu-ribu molekul biasanya dikaji dan diteruskan melalui banyak proses dan dari mana hanya segelintir sahaja boleh sampai ke percobaan klinikal, dengan mungkin dua hingga tidak mendapat diluluskan sebagai obat dari sekitar sepuluh ribu molekul yang dipelajari secara rata-rata. Persoalannya ialah: Adakah cara AI dapat membantu pembangun farmaseutikal dengan cepat menghindarkan perbelanjaan terlalu banyak sumber pada azab yang gagal? Bolehkah pemaju farmaseutikal lebih fokus hanya pada segelintir molekul yang paling kuat yang boleh menjadi sesuai dan diluluskan untuk tujuan khusus mereka? Hasilnya akan secara drastik mengurangkan sumber yang dibelanjakan, mempercepat proses penemuan dadah dan memastikan bahawa ubat-ubatan yang berkualiti lebih baik ditemui. Nah, ternyata AI dapat membantu dan AI, seperti yang kita akui, sedang mencari aplikasi dalam hampir setiap aspek proses penemuan dadah.

Beberapa syarikat fokus AI termasuk, Insilico Medicine, Atomwise, Numerate dan lain-lain melakukan banyak kerja dan memproses data klinikal dan perubatan yang besar untuk membantu pharma melakukan lebih baik. Ramai, termasuk Frost & Sullivan, baru-baru ini mengiktiraf usaha di Insilico Medicine. Walaupun kadar kemajuan semasa (dan kadarnya mempercepatkan), terdapat kemungkinan pengurangan kos rawatan perubatan sebanyak separuh seluruh lembaga dalam tempoh beberapa tahun akan datang.

Terdapat tema berulang ini di kalangan beberapa orang di Afrika, di kedua-dua tempat yang tinggi dan rendah. Mereka berpendapat bahawa ia hampir mustahil untuk melakukan penyelidikan serius, membangunkan ubat-ubatan dan membuat lebih banyak sumbangan asal kepada pharma di peringkat global dari Afrika. Ramai orang-orang ini biasanya memetik kos dan penyelidikan ubat dan pembangunan yang melampau dan meningkat sebagai sesuatu yang banyak organisasi Afrika yang berminat dengan pharma tidak mampu. Bagi mereka, institusi Afrika terikat kepada usaha penyelidikan asas yang kebanyakannya terikat untuk rak. Ramai yang mengakui ini sebagai tidak lestari. Syukurlah dengan bantuan kemajuan teknologi terutama AI kini sama sekali tidak ada sebab mengapa saintis dan pemaju di Afrika tidak boleh menjadi lebih produktif dan inovatif ke arah mencapai hasil penemuan dadah yang lebih baik. Ini berkemungkinan mengubah penjagaan kesihatan dan kesihatan keseluruhan.

Mengenai Pengarang

Iraneus Ogu mengarahkan Intelijen Penciptaan Buatan dan Blockchain untuk Inisiatif Penjagaan Kesihatan di Insilico Medicine, Inc. Sebagai tambahan kepada perkembangan teknologi, beliau bekerja pada Longevity dan Intervensi Penuaan dengan usaha penyelidikannya yang memberi tumpuan kepada neuroregeneration. Dia sama-sama bekerja dengan pasukan pembangunan di Longenesis.com dan juga mempunyai latar belakang dalam Sains Farmasi di University of Greenwich, di mana penyelidikannya memberi tumpuan kepada bentuk dos larutan terkawal.