هوش مصنوعی (AI) پتانسیل تغییر تحقیقات و توسعه مراقبت های بهداشتی را دارد. این در حال حاضر انقلابی را در فرآیند تشخیص مواد مخدر با بهینه سازی تحقیقات آغاز کرده است ، به طور بالقوه کاهش زمان و هزینه های لازم برای حذف داروهای جدید در بازار را کاهش داده است. هوش مصنوعی همچنین وعده بزرگی در تشخیص پزشکی نشان می دهد ، تجزیه و تحلیل تصویر را تسریع می کند و تشخیص بیماری را بهبود می بخشد.
یک استراتژی – داروی دقیق و شخصی (PPM) – بیماران را بر اساس تغییرات ژنومی و فنوتیپی آنها برای یافتن روشهای درمانی هدفمند طبقه بندی می کند. این رویکرد برای درمان بیماری ها و نتایج بیمار ، به ویژه در بیماری های ژنتیکی نادر و سرطانها ، پارادایم های متحول شده است. طبق گفته Globaldata ، پیش بینی می شود که روشهای درمانی PPM 106 میلیارد دلار تا 2029 هزینه داشته باشد که از سال 2022 از 44 ٪ افزایش یافته است.[i]S با این حال ، برای اینکه AI مدل های دقیقی را توسعه دهد ، نیاز به دسترسی به داده های گسترده و با کیفیت بالا برای بیماران از جمعیت های مختلف دارد.
در عین حال ، صنعت بهداشت در تلاش است تا از مقادیر عظیمی از داده های ذخیره شده در سوابق E -Health (EHR) و سایر منابع پزشکی استفاده کند ، عمدتاً به دلیل نحوه جمع آوری و ذخیره این داده ها. در ابتدا ، سیستم های EHR برای مدیریت پروفایل های جامع پزشکی بیمار ، از جمله داستانهای دارویی ، آلرژی ، وضعیت ایمن سازی و نتایج آزمایشگاهی طراحی شده اند. هدف نهایی ، با قابلیت همکاری ، تسهیل به اشتراک گذاری داده ها بین ارائه دهندگان مراقبت های بهداشتی بیمار است که امکان هماهنگی بهتر مراقبت را فراهم می کند.
متأسفانه ، با وجود مقادیر زیادی از داده های مراقبت های بهداشتی تولید شده ، بیشتر آنها در سیلوها گرفتار شده و فاقد ادغام هستند. این تکه تکه شدن عمدتاً به دلیل موسسات غیر متمرکز با استفاده از روشهای جمع آوری داده های غیر استاندارد است. بعلاوه ، بخش مهمی از داده های مراقبت های بهداشتی بدون ساختار مانند یادداشت های متن رایگان و تصاویر غیرقانونی باقی مانده است ، که تجزیه و تحلیل و ادغام داده ها را پیچیده می کند. این عدم هماهنگی به ارائه دهندگان مراقبت های بهداشتی اجازه نمی دهد تا از داده ها به طور مؤثر استفاده کنند ، در حالی که محققان و سازمان های سبک زندگی می توانند داده ها را غیرقابل دسترسی پیدا کنند.
این داده ها با ارزش هستند و حاوی اطلاعات مهمی در مورد تاریخ پزشکی ، تنوع و موفقیت درمان یا خرابی هستند. این فرصتی برای محققان بیوفارما به دنبال سبک زندگی جدید و سازمان های زندگی علمی است که به دنبال بازارهای جدید هستند. چگونه می توانیم بر این شکاف اطلاعات غلبه کنیم و به طور مؤثر مجموعه داده های بزرگ را تحکیم کنیم؟
چه کسی از داده های دنیای واقعی از EHR استفاده می کند؟
محققان بیوفارما:
علاوه بر داده های صورتحساب و ادعای ، محققان نیز اغلب به دنبال بینش بالینی از بیماران نماینده ملی بیماران هستند. محققان برای طیف گسترده ای از اهداف ، در دنیای واقعی (RWE) برای جمعیت های مختلف بیماران نیاز به شواهدی دارند. فراتر از داده های ساخت یافته ، داده های EHR نیز اغلب حاوی داده های بدون ساختار یا نیمه ساختار یافته هستند که می توانند با استفاده از AI و یادگیری ماشین باز شوند.
سازمان های دولتی:
سازمان های دولتی مانند FDA به دنبال اطلاعاتی هستند تا تأیید کنند که درمان در حال کار است و نیازهای ناراضی فعلی چیست. داده های دنیای واقعی (RWD) از EHR ها می توانند برای این امر ارزشمند باشند.
تیم های تجاری Biopharma:
استراتژی های تجاری مدیریت شده توسط داده ها می توانند دسترسی به بازار را بهبود بخشند و محصولات را حفظ کنند. EHRS RWD می تواند نشان دهد که چگونه روشهای درمانی در دنیای واقعی ارائه می شود و این می تواند به آنها کمک کند تا در زمان مناسب روی پزشکان و بیماران مناسب تمرکز کنند.
چگونه شواهد واقعی را به داده های قابل استفاده تبدیل می کنید؟
با استفاده از هوش مصنوعی و یادگیری ماشین ، شواهد مفیدی در دنیای واقعی می تواند از داده های EHR ، حتی توسط یادداشت های پزشکان و نمودارهای بیماران حاصل شود. شرکتی که نشانه خود را در این زمینه نشان می دهد ، Veradigm مستقر در ایالات متحده است ، که یک شرکت یکپارچه داده و سیستم های خدمات است که بینش های بالینی را که توسط ابزاری اداره می شود ، ترکیب می کند که می تواند برای کمک به ذینفعان در مراقبت های بهداشتی برای بهبود کیفیت و کارآیی ارائه خدمات درمانی حاصل شود.
داده های شبکه Veradigm EHR برای تحقیق در نظر گرفته شده است ، و دسترسی ساده به بیش از 152 میلیون سوابق بیمار را فراهم می کند[ii] با ترکیب چندین منبع داده EHR. با استفاده از مدل های پردازش زبان طبیعی خود (NLP) ، عناصر معنی دار از داده های بدون ساختار و نیمه ساختار یافته استخراج می شوند و ایده ای عمیق تر از علاقه بیمار ارائه می دهند. Veradigm با استفاده از یک سازمان استاندارد و تعاریف متغیرها بین منابع ، یکپارچگی داده ها را بهبود می بخشد.
مجموعه داده های Veradigm شامل داده هایی از طیف گسترده ای از اقدامات پزشکی است که شامل تخصص های اساسی و داروهای خانوادگی می شود ، و نگاهی دقیق به مراقبت از بیمار و نتایج سلامتی در بسیاری از شرایط مختلف ارائه می دهد. Veradigm همچنین توانایی انجام مطالعات آینده نگر و گذشته نگر ، مطالعات بیمار و روشن کردن داده ها را به دلیل ارتباط مستقیم آن با ارائه دهندگان مراقبت های بهداشتی دارد.
با استفاده از داده ها با مسئولیت پذیری
تحول داده های EHR از طریق هوش مصنوعی با بهبود مدیریت داده ، بهبود مراقبت از بیمار و بهینه سازی جراحی ، می تواند در مراقبت های بهداشتی متحول شود. با این حال ، به اشتراک گذاری و استفاده از داده های مراقبت های بهداشتی می تواند باعث نگرانی های محرمانه شود ، بنابراین همکاری با شرکتی مانند Veradigm ، که به مفاد اشتراک گذاری داده ها و روش هایی که محرمانه بودن را حفظ می کند ، پیروی می کند.
Veridigm هوش مصنوعی را در مراقبت های بهداشتی پوشش می دهد ، و پتانسیل آن را برای انقلابی در صنعت به رسمیت می شناسدS از طریق همکاری ، ابتکارات تحقیقاتی و نوآوری ها ، Veradigm برای تهیه راه حل هایی که پتانسیل بهبود مراقبت از بیمار ، بهره وری عملیاتی و نتایج بهداشتی را دارد ، ایجاد شده است.
برای کسب اطلاعات بیشتر در مورد اینکه چگونه Veradigm می تواند به شما در داده های دنیای واقعی کمک کند ، مقاله رایگان را در زیر بارگیری کنید.
[i] Globaldata: توجیهی تحلیلگر: دقت و پزشکی شخصی به سرعت فراتر از انکولوژی ، ژوئیه 2023 در حال گسترش است.
[ii] اعداد ارائه شده توسط Veradigm ، 2025.
برای جمع آوری اخبار روزانه ما ثبت نام کنید!
تجارت خود را با بینش های صنعتی پیشرو ما ارائه دهید.
