Keuntungan dari Kecerdasan Buatan (AI) di Pasar Sektor Kesehatan global melampaui USD4,2 miliar pada tahun 2020 dan diperkirakan akan tumbuh sebesar 33,7% CAGR antara tahun 2021 dan 2027, mencapai USD34,5 miliar pada akhir periode. Menurut Siklus Hype Gartner untuk Penyedia Layanan Kesehatan, teknologi ini berada di puncak ekspektasi inflasi.

Healthcare is one of the most promising indKesehatan adalah salah satu industri yang paling menjanjikan dalam hal implementasi dan penerapan teknologi biometrik dan AI.
Memastikan penerapan analisis video yang didukung oleh AI di organisasi medis akan memungkinkan diagnosis sejak dini, sehingga mengurangi risiko pemburukan penyakit.
Selain itu, Clinical Decision Support System (СDSS) dapat membantu menganalisis citra medis, mengoptimalkan rencana perawatan individu, dan memprediksi kondisi pasien berdasarkan data yang tersedia, dan lain sebagainya.

NtechLab telah mewawancarai para pakar kesehatan dan mengidentifikasi berbagai potensi manfaat bagi komunitas medis dengan menyediakan solusi pencitraan medis berkemampuan AI di industri perawatan kesehatan.

Artikel ini akan membahas tantangan saat ini yang menghambat adopsi AI yang lebih luas dalam pencitraan medis, manfaat dari teknologi tersebut, dan peluang pemutakhiran.

Signify Research memperkirakan pasar global AI dalam Pencitraan Medis sebesar USD0,3 miliar, yang diperkirakan akan mencapai ISD1,15 miliar pada tahun 2025 dengan CAGR 25,6%.

Developer yang progresif telah mulai menerapkan otomatisasi inovatif seperti penginderaan komputer untuk DSS dalam berbagai diagnostik laboratorium.
Solusi pencitraan medis berpeluang untuk membangun segmen yang penting, tetapi ada beberapa kendala yang menghalangi sehingga belum dapat diterima secara luas di fasilitas kesehatan:

Penyimpanan Terdesentralisasi

Institusi medis biasanya menyimpan data pasien di sistem lokal.
Masalahnya adalah, tidak ada penyimpanan terpusat untuk seluruh riwayat medis dari semua pasien.
Dengan menganalisis big data secara terpisah dan sebagai kombinasi, kita dapat meningkatkan dan mengontrol kualitas diagnostik serta memprediksi progres penyakit.

Kepatuhan GDPR

Saat ini, Peraturan Perlindungan Data Umum (GDPR) tidak secara jelas menjelaskan hubungan antara developer dan tenaga kesehatan.
Kurangnya mekanisme hukum yang transparan menunda adopsi AI yang lebih luas dalam pencitraan medis.
Masalah teknis lainnya adalah legalisasi penginderaan komputer dan solusi berbasis AI yang memakan waktu lama.
Produk harus terdaftar dan menjalani berbagai tes sebelum dapat digunakan dalam praktik medis.

Kesulitan dalam Mengorganisir Konsensus Ahli

Dibutuhkan lebih dari satu dokter untuk melatih jaringan neural sekaligus mengembangkan solusi CDSS (Clinical Decision Support System).
Lima spesialis atau lebih harus memverifikasi hasil sebelum mengambil kesimpulan final untuk menghindari salah tafsir dan diagnosis yang fatal.

Konservatisme

Komunitas medis enggan menerima produk baru dan ini adalah hal yang wajar.
Satu-satunya hal yang dapat membantu mengatasi masalah ini adalah meningkatkan implementasi yang sukses dalam skenario penggunaan untuk mengonfirmasi keefektifan solusi inovatif ini.

Tingkat kesalahan diagnosis keseluruhan dalam praktik dunia nyata tidak diketahui, tetapi perkiraan yang sering dicantumkan berdasarkan pendapat ahli adalah sekitar 10−15% dari semua diagnosis yang diberikan ‘tidak tepat'.

Menerapkan AI dalam Pencitraan Medis

Diagnosis Pra-Medis

Aplikasi seluler untuk pemeriksaan medis mandiri secara cepat, kualitas tidur, dan pelacakan kesehatan membantu mempertahankan gaya hidup sehat dan mendeteksi penyimpangan kecil dan signifikan dari nilai standar tanpa harus memeriksakan diri ke dokter.

Diagnosis

CDSS dapat membantu meningkatkan kualitas diagnosis dengan menyoroti area patologi secara otomatis dan menghitung parameter untuk menentukan diagnosis.
Dalam skenario kejadian yang sempurna, algoritme akan dapat membuat opini medis awal menggunakan berbagai insiden serupa.
Dalam hal ini, dokter dapat menyetujui atau menolak pernyataan medis, dengan demikian akan menghemat waktu.

Perawatan

Dokter perlu menghitung parameter pembedahan secara manual tanpa perangkat lunak khusus berbasis AI.

Perangkat lunak ini memungkinkan dokter melakukan penghitungan secara otomatis, sehingga mereka dapat menghindari kesalahan perhitungan dan dapat segera merujuk pasien untuk berkonsltasi ke divisi bedah.

Fasilitas perawatan kesehatan dapat memanfaatkan analisis berbasis AI untuk skrining, pengobatan, dan penilaian risiko yang presisi untuk membantu dokter melihat genetika, lingkungan, dan gaya hidup seseorang guna memilih perawatan yang paling cocok untuk mereka.

Pemantauan

Memantau tindakan perawat dan dokter dapat membantu menepati jadwal bypass pasien.
Analisis video yang didukung AI dapat mendeteksi apakah pasien diberi obat secara tepat waktu atau tidak.

Prediksi

Observasi pasien pada periode pascarehabilitasi dapat membantu mencegah kembalinya patologi. Dokter dapat menganalisis big data dalam kasus serupa untuk mendeteksi kekambuhan. Selain itu, pemerintah dapat memprediksi dan mengendalikan penyebaran virus atau progres penyakit.

Audit kualitas diagnostik otomatis baik di instansi medis maupun di tingkat peraturan kesehatan negeri memungkinkan peninjauan dan analisis studi kasus medis, untuk mengidentifikasi ketidakakuratan.

Diagnostik otomatis juga dapat diterapkan untuk menguji subjek yang berpartisipasi dalam uji klinis obat baru guna mempelajari kondisi fisik mereka.

Siapa yang Diuntungkan?

  • Perawatan kesehatan adalah salah satu dari beberapa sektor di mana kesalahan sekecil apa pun bisa menjadi sangat fatal. Baik orang sehat maupun pasien rumah sakit dapat mendapatkan diagnosis, resep, dan rekomendasi dokter yang akurat.
  • Dokter adalah manusia, dan manusia dapat lengah atau lelah.
    Meskipun semuanya bergantung pada keputusan mereka, kita perlu mengembangkan lebih banyak solusi diagnosis otomatis untuk membantu dokter mengidentifikasi kondisi dengan lebih cepat, sehingga bisa melakukan intervensi lebih awal.
  • Peneliti harus mengecek sejumlah besar data setiap hari ketika menemukan obat baru, melakukan penelitian genetik, atau uji klinis.
    Dengan teknologi berbasis AI dalam pencitraan medis, mereka dapat memproses set data yang lebih besar, menyetujui obat baru sehingga lebih cepat dipasarkan, dan mendorong kemajuan dalam teknologi perawatan kesehatan modern.
  • Institusi perawatan kesehatan dapat memanfaatkan teknologi penginderaan komputer untuk mengelola proses operasional.
    Beberapa contoh aplikasinya adalah memantau aktivitas staf atau sebagai terminal check-in online.
  • Pemerintah dapat memprediksi penyebaran virus dan penyakit dengan menganalisis data dalam jumlah besar.

Pasar AI dalam pencitraan medis berkembang pesat dan akan mendorong perubahan yang signifikan di komunitas medis.
Saat ini ada banyak proyek ambisius, tetapi hanya sedikit yang bisa diwujudkan menjadi skenario penggunaan aktual karena berbagai alasan yang disebutkan dalam artikel ini.

Terutama masalah tanggung jawab dan moralitas yang tidak terletak pada produknya tetapi pada penggunaan produk dan pengembangannya. Dengan kata lain, developer harus mempertimbangkan diversifikasi set data dan menghindari kesimpulan yang bias.
Dokter harus membuat mengambil dengan bantuan teknologi, dan menggunakannya sebagai opini kedua yang tepercaya. Produk tidak dirancang untuk menggantikan dokter, hanya untuk mendukung proses pengambilan keputusan.

AI di sektor Pencitraan Medis adalah ranah bisnis baru dan tanggung jawab baru untuk NtechLab. Perusahaan kami terbuka untuk proposal kerja sama dan mengundang komunitas ilmiah, medis, dan bisnis untuk bergabung bersama kami.

Hubungi kami

Sumber:

1) Machine Learning in Medical Imaging. World Market Analysis 2021 (July / Signify Research) — www.gminsights.com/industry-analysis/healthcare-artificial-intelligence-market
2) «GMInsights 2020 & Market & Market Report 2020.»
3) «Hype Cycle for Healthcare Providers, Gartner, 2021.»
4) Newman-Toker, David, et al. «Rate of Diagnostic Errors and Serious Misdiagnosis-Related Harms for Major Vascular Events, Infections, and Cancers: Toward a National Incidence Estimate Using the ‘Big Three.'» De Gruyter, 1 Feb. 2021 — www.degruyter.com/document/doi/10.1515/dx-2019−0104/html