Штаб-квартира IBM в Армонке, Нью-Йорк. | |
Тип | Общественные |
---|---|
Торгуется как | |
В | US4592001014 |
Промышленность | Облачные вычисления Искусственный интеллект Компьютерное оборудование Компьютерное программное обеспечение |
Предшественник | Банди, производственная компания, компания Computing Scale, Америка, международная компания записи времени, компания по производству табуляторов. |
Основан | 16 июня 1911 г. ; 110 лет назад (как Computing-Tabulating-Recording Company ) Эндикотт, Нью-Йорк, США ( 1911-06-16) |
Учредители | |
Штаб-квартира | Армонк, Нью-Йорк, нас |
Обслуживаемая площадь | 177 стран |
Действующие лица | Джинни Рометти ( председатель, президент и генеральный директор) |
Продукты | Посмотреть продукты IBM |
Услуги | |
Доход | 79,59 млрд долларов США (2018) |
Операционная прибыль | 13,21 миллиарда долларов США (2018) |
Чистая прибыль | 8,72 миллиарда долларов США (2018) |
Всего активов | 123,38 миллиарда долларов США (2018) |
Общий капитал | 16,79 млрд долларов США (2018) |
Количество работников | 350 600 (2018) |
Веб-сайт | www.ibm.com |
IBM Watson Health является подразделением International Business Machines Corporation ( IBM ), американской многонациональной компании, занимающейся информационными технологиями, со штаб-квартирой в Армонке, штат Нью-Йорк. Он помогает клиентам облегчить медицинские исследования, клинические исследования и решения в области здравоохранения за счет использования искусственного интеллекта, данных, аналитики, облачных вычислений и других передовых информационных технологий.
IBM начала свою деятельность в 1911 году в Эндикотте, штат Нью-Йорк, под названием Computing-Tabulating-Recording Company (CTR), а в 1924 году была переименована в "International Business Machines". Корпорация IBM зарегистрирована в Нью-Йорке.
IBM производит и продает компьютерное оборудование, промежуточное программное обеспечение и программное обеспечение, а также предоставляет услуги хостинга и консалтинга в различных областях, от мэйнфреймов до нанотехнологий. IBM также является крупной исследовательской организацией, удерживающей рекорд по количеству патентов в США, генерируемых бизнесом (по состоянию на 2019 год) в течение 26 лет подряд. Изобретения IBM включают банкомат (ATM), гибкий диск, жесткий диск, карту с магнитной полосой, реляционную базу данных, язык программирования SQL, штрих-код UPC и динамическую память с произвольным доступом (DRAM). Мэйнфреймов IBM, примером которого является System / 360, была доминирующей вычислительной платформы в течение 1960 - х и 1970 - х годов.
В сфере здравоохранения исследуются естественный язык Watson, генерирование гипотез и возможности обучения на основе фактов, чтобы увидеть, как Watson может внести свой вклад в системы поддержки клинических решений и развитие искусственного интеллекта в здравоохранении для использования профессионалами-медиками. Чтобы помочь врачам в лечении своих пациентов, после того, как врач отправил в систему запрос с описанием симптомов и других связанных факторов, Watson сначала анализирует входные данные, чтобы определить наиболее важные фрагменты информации; затем обрабатывает данные пациента, чтобы найти факты, относящиеся к его медицинскому и наследственному анамнезу; затем исследует доступные источники данных, чтобы сформировать и проверить гипотезы; и, наконец, предоставляет список индивидуальных рекомендаций с оценкой достоверности. Источники данных, которые Watson использует для анализа, могут включать рекомендации по лечению, данные электронных медицинских карт, заметки поставщиков медицинских услуг, материалы исследований, клинические исследования, журнальные статьи и информацию о пациентах. Несмотря на то, что Watson был разработан и продан как «консультант по диагностике и лечению», он никогда не принимал участия в процессе медицинской диагностики, а только помогал в определении вариантов лечения для пациентов, которым уже был поставлен диагноз.
В феврале 2011 года было объявлено, что IBM будет сотрудничать с Nuance Communications в рамках исследовательского проекта по разработке коммерческого продукта в течение следующих 18–24 месяцев, предназначенного для использования возможностей Watson по поддержке принятия клинических решений. Врачи Колумбийского университета помогли бы выявить критические проблемы в медицинской практике, в которых технология системы может внести свой вклад, а врачи из Университета Мэриленда будут работать над определением наилучшего способа взаимодействия такой технологии, как Watson, с практикующими врачами. оказываем максимальную помощь.
В сентябре 2011 года IBM и WellPoint (теперь Anthem ) объявили о партнерстве, чтобы использовать возможности Watson для обработки данных, чтобы помочь врачам предлагать варианты лечения. Затем, в феврале 2013 года, IBM и WellPoint предоставили Watson первое коммерческое приложение для принятия управленческих решений при лечении рака легких в Мемориальном онкологическом центре Слоуна-Кеттеринга.
IBM объявила о партнерстве с Cleveland Clinic в октябре 2012 года. Компания направила Watson в Кливлендскую клинику Lerner College of Medicine of Case Western Reserve University, где она расширит свои знания в области здравоохранения и будет помогать медицинским специалистам в лечении пациентов. Медицинское учреждение будет использовать способность Watson хранить и обрабатывать большие объемы информации, чтобы ускорить и повысить точность процесса лечения. «Сотрудничество Cleveland Clinic с IBM захватывающе, потому что оно дает нам возможность научить Watson« думать »таким образом, который может сделать его мощным инструментом в медицине», - сказал К. Мартин Харрис, доктор медицины, директор по информационным технологиям Кливленда. Клиника.
В 2013 году IBM и онкологический центр Андерсона начали пилотную программу, направленную на выполнение «миссии центра по искоренению рака». Однако, потратив 62 миллиона долларов, проект не достиг поставленных целей и был остановлен.
8 февраля 2013 года IBM объявила, что онкологи из Центра онкологической медицины штата Мэн и Westmed Medical Group в Нью-Йорке начали тестировать суперкомпьютерную систему Watson, чтобы рекомендовать лечение рака легких.
29 июля 2016 года IBM и Manipal Hospitals (ведущая сеть больниц в Индии) объявили о запуске IBM Watson for Oncology для онкологических больных. Этот продукт предоставляет врачам и онкологическим больным информацию и советы, которые помогают им определять индивидуальные, основанные на фактических данных варианты лечения рака. Больницы Manipal - вторая больница в мире, принявшая эту технологию, и первая в мире, которая предлагает ее пациентам в режиме онлайн в качестве второго экспертного мнения через свой веб-сайт. Manipal прекратил действие этого контракта в декабре 2018 года.
7 января 2017 года IBM и Fukoku Mutual Life Insurance заключили контракт с IBM на предоставление анализа компенсационных выплат с помощью своего ИИ IBM Watson Explorer, что привело к потере 34 рабочих мест, и компания заявила, что ускорит анализ компенсационных выплат. за счет анализа заявлений и медицинских карт и повышения производительности на 30%. Компания также заявила, что сэкономит 140 миллионов иен на текущих расходах.
Говорят, что IBM Watson будет нести базу знаний из 1000 онкологов, что произведет революцию в области здравоохранения. IBM считается революционной инновацией. Однако онкология все еще находится на начальной стадии.
Несколько стартапов в сфере здравоохранения эффективно использовали семь архетипов бизнес-моделей, чтобы вывести на рынок решения, основанные на IBM Watson. Эти архетипы зависят от ценности, создаваемой для целевого пользователя (например, ориентация на пациента по сравнению с поставщиком медицинских услуг и ориентации на плательщика) и механизмов сбора ценности (например, предоставление информации или соединение заинтересованных сторон).
В 2019 году Элиза Стрикленд называет «историю Watson Health [...] поучительным рассказом о высокомерии и шумихе» и приводит «репрезентативную выборку проектов» с их статусом.
Последующий мотив слияния крупных медицинских компаний с другими медицинскими компаниями обеспечивает большую доступность медицинских данных. Более подробные данные о состоянии здоровья могут позволить расширить реализацию алгоритмов искусственного интеллекта.
Внедрение ИИ в секторе здравоохранения в значительной степени сосредоточено на системах поддержки принятия клинических решений. По мере увеличения объема данных системы поддержки принятия решений AI становятся более эффективными. Многие компании изучают возможности внедрения больших данных в отрасль здравоохранения.
IBM Watson Oncology разрабатывается в онкологическом центре Memorial Sloan Kettering и в клинике Кливленда. IBM также работает с CVS Health над приложениями искусственного интеллекта для лечения хронических заболеваний и с Johnson amp; Johnson над анализом научных статей, чтобы найти новые связи для разработки лекарств. В мае 2017 года IBM и Политехнический институт Ренсселера начали совместный проект под названием Health Empowerment by Analytics, Learning and Semantics (HEALS), посвященный изучению использования технологий искусственного интеллекта для улучшения здравоохранения.
Некоторые другие крупные компании, которые внесли свой вклад в алгоритмы искусственного интеллекта для использования в здравоохранении, включают:
В рамках проекта Microsoft в Ганновере в партнерстве с Институтом рака Knight при Орегонском университете здоровья и науки анализируются медицинские исследования с целью прогнозирования наиболее эффективных вариантов лекарственного лечения рака для пациентов. Другие проекты включают анализ медицинских изображений прогрессирования опухоли и разработку программируемых клеток.
Google «s DeepMind платформа используется в Великобритании Национальной службы здравоохранения для выявления определенных рисков для здоровья на основе данных, собранных с помощью мобильного приложения. Второй проект с NHS включает анализ медицинских изображений, полученных от пациентов NHS, для разработки алгоритмов компьютерного зрения для обнаружения раковых тканей.
Подразделение венчурного капитала Intel, Intel Capital, недавно инвестировало в стартап Lumiata, который использует искусственный интеллект для выявления пациентов из группы риска и разработки вариантов лечения.
Искусственный интеллект в здравоохранении - это использование сложных алгоритмов и программного обеспечения для имитации человеческого познания при анализе сложных медицинских данных. В частности, ИИ - это способность компьютерных алгоритмов делать приблизительные выводы без прямого участия человека.
Что отличает технологию искусственного интеллекта от традиционных технологий в здравоохранении, так это способность получать информацию, обрабатывать ее и предоставлять конечному пользователю четко определенный результат. ИИ делает это с помощью алгоритмов машинного обучения. Эти алгоритмы могут распознавать закономерности в поведении и создавать свою собственную логику. Чтобы уменьшить погрешность, алгоритмы искусственного интеллекта необходимо многократно тестировать. Алгоритмы ИИ ведут себя иначе, чем люди, по двум причинам: (1) алгоритмы буквальны: если вы ставите цель, алгоритм не может подстроиться под себя и понимать только то, что было сказано явно, (2) а алгоритмы - это черные ящики ; алгоритмы могут предсказать чрезвычайно точно, но не причину или почему.
Основная цель приложений искусственного интеллекта, связанных со здоровьем, - анализ взаимосвязи между методами профилактики или лечения и результатами лечения пациентов. Программы искусственного интеллекта были разработаны и применены к таким практикам, как процессы диагностики, разработка протоколов лечения, разработка лекарств, персонализированная медицина, а также мониторинг и уход за пациентами. Медицинские учреждения, такие как клиника Майо, онкологический центр Мемориала Слоуна Кеттеринга и Национальная служба здравоохранения, разработали алгоритмы искусственного интеллекта для своих отделений. Крупные технологические компании, такие как IBM и Google, и стартапы, такие как Welltok и Ayasdi, также разработали алгоритмы искусственного интеллекта для здравоохранения. Кроме того, больницы ищут решения искусственного интеллекта для поддержки операционных инициатив, которые увеличивают экономию затрат, повышают удовлетворенность пациентов и удовлетворяют их кадровые и кадровые потребности. Компании разрабатывают решения для прогнозирующей аналитики, которые помогают менеджерам здравоохранения улучшить бизнес-операции за счет увеличения использования, сокращения количества пациентов, находящихся в стационаре, сокращения продолжительности пребывания в больнице и оптимизации численности персонала.
Следующие области медицины представляют интерес для исследований в области искусственного интеллекта:
Способность интерпретировать результаты визуализации с помощью радиологии может помочь клиницистам обнаружить мельчайшие изменения в изображении, которые врач может случайно пропустить. В ходе исследования в Стэнфорде был разработан алгоритм, который может обнаруживать пневмонию в этом конкретном месте у этих пациентов с лучшим средним показателем F1 (статистический показатель, основанный на точности и запоминании), чем у радиологов, участвовавших в этом испытании. Конференция по радиологии Радиологическое общество Северной Америки представило презентации по ИИ в визуализации во время своего ежегодного собрания. Появление технологии искусственного интеллекта в радиологии воспринимается некоторыми специалистами как угроза, поскольку эта технология может улучшить определенные статистические показатели в отдельных случаях, в отличие от специалистов.
Недавние достижения предложили использовать ИИ для описания и оценки результатов челюстно-лицевой хирургии или оценки лечения расщелины неба с точки зрения привлекательности лица или возрастной внешности.
В 2018 году в статье, опубликованной в журнале Annals of Oncology, упоминалось, что рак кожи может быть более точно обнаружен системой искусственного интеллекта (которая использует сверточную нейронную сеть с глубоким обучением), чем дерматологами. В среднем дерматологи точно выявляли 86,6% рака кожи по изображениям по сравнению с 95% для аппарата CNN.
Есть много болезней, но есть также много способов использования ИИ для их эффективной и точной диагностики. Некоторые из самых известных заболеваний, такие как диабет и сердечно-сосудистые заболевания (ССЗ), которые входят в первую десятку причин смерти во всем мире, послужили основой для множества исследований / тестов, помогающих поставить точный диагноз. Из-за того, что от этих заболеваний связан такой высокий уровень смертности, были предприняты усилия по интеграции различных методов, помогающих поставить точный диагноз ».
В статье Цзян и др. (2017) показано, что существует множество различных методов искусственного интеллекта, которые используются для лечения множества различных заболеваний. Некоторые из этих методов, обсуждаемых Цзян и др., Включают: вспомогательные векторные машины, нейронные сети, деревья решений и многое другое. Каждый из этих методов описывается как имеющий «тренировочную цель», поэтому «классификации в максимально возможной степени соответствуют результатам…».
Чтобы продемонстрировать некоторые особенности диагностики / классификации заболеваний, при классификации этих заболеваний используются два различных метода, включая использование «искусственных нейронных сетей (ИНС) и байесовских сетей (BN)». Из обзора нескольких разных работ в период с 2008 по 2017 год в них выяснил, какой из двух методов был лучше. Был сделан вывод, что «ранняя классификация этих заболеваний может быть достигнута с помощью моделей машинного обучения, таких как искусственная нейронная сеть и байесовская сеть». Другой вывод, который удалось сделать Alic и др. (2017), заключался в том, что между двумя ANN и BN эта ANN была лучше и могла более точно классифицировать диабет / сердечно-сосудистые заболевания со средней точностью в «обоих случаях (87,29 для диабета и 89,38 для сердечно-сосудистых заболеваний)..
Увеличение телемедицины, показал рост возможных применений искусственного интеллекта. Возможность контролировать пациентов с помощью ИИ может позволить передавать информацию врачам, если могла произойти возможная активность заболевания. Носимое устройство может обеспечивать постоянный мониторинг пациента, а также дает возможность замечать изменения, которые могут быть менее различимы людьми.
Электронные медицинские карты имеют решающее значение для цифровизации и распространения информации в отрасли здравоохранения. Однако регистрация всех этих данных сопряжена со своими проблемами, такими как когнитивная перегрузка и выгорание пользователей. Разработчики EHR теперь автоматизируют большую часть процесса и даже начинают использовать инструменты обработки естественного языка (NLP) для улучшения этого процесса. Одно исследование, проведенное исследовательским институтом Centerstone, показало, что прогнозирующее моделирование данных EHR достигло 70–72% точности в прогнозировании индивидуального ответа на лечение на исходном уровне. Это означает, что с помощью инструмента искусственного интеллекта, который сканирует данные EHR, он может довольно точно предсказать течение болезни у человека.
Усовершенствования в обработке естественного языка привели к разработке алгоритмов для определения лекарственного взаимодействия в медицинской литературе. Лекарственное взаимодействие представляет собой угрозу для тех, кто принимает несколько лекарств одновременно, и опасность возрастает с увеличением количества принимаемых лекарств. Чтобы решить проблему отслеживания всех известных или предполагаемых взаимодействий между лекарственными средствами, были созданы алгоритмы машинного обучения для извлечения информации о взаимодействующих лекарствах и их возможных эффектах из медицинской литературы. В 2013 году усилия были объединены в DDIExtraction Challenge, в ходе которого группа исследователей из Университета Карлоса III собрала корпус литературы по лекарственным взаимодействиям, чтобы сформировать стандартизированный тест для таких алгоритмов. Конкуренты были проверены на их способность точно определять по тексту, какие наркотики взаимодействуют друг с другом и каковы характеристики их взаимодействия. Исследователи продолжают использовать этот корпус для стандартизации оценки эффективности своих алгоритмов.
Другие алгоритмы идентифицируют взаимодействие лекарств с лекарствами по шаблонам в пользовательском контенте, особенно в электронных медицинских записях и / или отчетах о побочных эффектах. Такие организации, как системы FDA Неблагоприятные события отчетности (FAERS) и Всемирной организации здравоохранения VigiBase позволяют врачам представлять отчеты о возможных реакций отрицательных на лекарства. Алгоритмы глубокого обучения были разработаны для анализа этих отчетов и выявления закономерностей, которые предполагают взаимодействие лекарств.