AI och Nya Afrika (del IV): Tillämpa AI i Afrika

Förra veckan föreslog vi att diskutera några konkreta tillämpningar av AI med fokus på hälso- och sjukvård. Kortfattat sagt är sann AI när ett system kan förstå och lära sig av detaljerade uppsättningar av data samtidigt som de gör giltiga rekommendationer och förslag. Värt att notera här är ordet "data" som är information eller, för att vara specifik, digitalt tillgänglig information. AI förlitar sig mycket på tillgängligheten av data för att träna maskinen ungefär som människor lär sig genom att ta in och analysera data. Skillnaden här, på en grundläggande nivå, är idén att maskiner lär sig med stora mängder data under en mycket kortare period med en snabbare hastighet. Så det handlar om att försöka påskynda och optimera hastigheten som maskiner tar in data, analysera data och lära av data för att göra mer korrekta och giltiga rekommendationer och förslag där det behövs.

Vi är i början av en teknologisk revolution av större omfattning än internet- och mobilkommunikationsteknologier. På senare tid går det knappast en dag utan tillkännagivandet om en otrolig ny gräns i AI. Men det mesta av den nuvarande hype kring AI beror på en teknik som kallas djup inlärning (DL). AI, särskilt DL, har funnit användning i många branscher och aspekter av livet från kommunikation till transport, från kundservice till finansiering och från tillverkning till hälso- och sjukvård och därefter. Övergripande AI kan ha potentiellt störande tillämpningar, och konsekvenser för den nuvarande arkitektoniska ordningen för den globala ekonomin och platser som Afrika bör förbereda sig för att dra nytta av detta såväl som nödvändiga insatser.

AI inom hälsovård

Som vi rapporterade i ett senare inlägg om hur AI skulle kunna hjälpa till att förändra läkemedel i Afrika, används AI-applikationer alltmer diagnos, kirurgi, patientövervakning och naturligtvis läkemedelsutveckling och leverans och många sjukvård. På grundnivå kan detta beskrivas som att utnyttja kraften hos big data inom biovetenskapen, vilket innebär att man behandlar och visar enorma volymer och variationer av hälso- eller biologiska data i snabb takt.

För närvarande är detta en ökande trend i många sjukvårdssektorer där det finns en enorm mängd data som labdata, försäkringsdata, patientjournaler, forskningsdata och till och med sociala mediedata. I en ny rapport identifierade CB Insights över 100 välrenommerade företag som tillämpar maskininlärningsalgoritmer och prediktiv analys i olika aspekter av hälso- och sjukvården, som till exempel reducerar upptäcktider för läkemedel, ger virtuell hjälp till patienter och diagnostiserar sjukdomar genom att behandla medicinska bilder, bland annat .

Många stora medicinska och farmaceutiska företag utnyttjar redan kraften i konstgjord intelligens med fantastiska resultat. Till exempel har Johnson och Johnsons Sedasys-system fått FDA-godkännande för att leverera anestesi för standardförfaranden som koloskopier automatiskt. En läkare övervakar flera maskiner på en gång, vilket gör kostnaden mycket mindre än en dedikerad human anestesiolog. Insilico Medicine har lärt sitt AI-system att förutsäga den terapeutiska användningen av nya läkemedel innan de ens går in i testprocessen. Det finns också många robotar i olika stadier av testning och godkännande för att diagnostisera sjukdom.

Hälsoorganisationer anstränger sig alltmer för att automatisera diagnosprocessen genom att utveckla big data-plattformar för att öka hastigheten på vårdpraxis och forskning. I vissa fall, till exempel med IBMs Watson, har dessa maskiner en högre noggrannhetsgrad för diagnoser än mänskliga läkare. Tillämpningen av AI och big-data i vissa av dessa sjukvårdsprocesser gör det möjligt för system att övervaka komplexa mönster och därigenom möjliggöra ökad effektivitet när det gäller att identifiera sjukdomar och bilda korrekta diagnoser. Till och med ultraljud använder till exempel nu AI och molnbaserade system samt 3D-bildteknik för att uppnå bättre precision och noggrannhet. Enligt Harpreet Singh Buttar, en analytiker på Frost & Sullivan, "till 2025 skulle AI-system kunna vara involverade i allt från befolkningshälsohantering till digitala avatarer som kan svara på specifika patientfrågor."

Nu har vi mer av virtuella uppföljningar. Detta betyder att den kliniska personalen inte längre behöver ägna så mycket tid åt uppföljningsprocesser. Detta beror på att patienter nu har möjlighet att följa upp via digitala metoder och verktyg som digitala appar och andra AI-procedurer. Det finns också smarta robotappar som kan svara på vanliga frågor och spåra patientens hälsa med vissa appar som går vidare för att ge rekommendationer till patienter baserat på deras aktuella diagnos och tidigare medicinska rapporter. Inte konstigt att ett ökande antal patienter uppmuntras att gå digitalt.

Dessutom alla andra vårdtekniska verktyg (både gamla och nya) som hjälper till att göra vården digital; diagnostik, telemedicin, EMR, nätverks-EMR (intranät eller internet), utrustning ansluten via datorer, läkemedelspåminnelser, läkemedelselfies och så vidare, kan nu ha AI eller intelligenta program inbyggda i dem. Som ett resultat blir dessa verktyg plötsligt smartare, lära av data och hjälper oss att arbeta mer intelligent.

I kärnan underlättar AI tillgänglighet, relevans och handlingsbarhet för vårdinformation. En lite mer djupgående titt på en betydande tillämpning av AI inom hälso- och sjukvården, exakt läkemedelsindustrin, skulle vara till hjälp.

New Dawn för Afrika; förvandlas till det globala farma-navet

Vi har diskuterat en del av dessa i en nylig inlägg. Medan han diskuterar läkemedlets framtid, säger Dr. Bertalan Mesko att ”medicinskt beslutsfattande med artificiell intelligens med hjälp av superdatorns kraft kommer att förändra vardagen medicin. Kognitiva datorer, såsom IBM Watson, har använts på många sätt för att analysera big data, inte bara inom genomisk forskning utan också inom bioteknik. Detta kommer också att utforma hur nya läkemedel hittas. Det kan leda till slutet av mänskligt experiment genom detaljerad simulering av människans fysiologi. Vår era, med läkemedel som testas på faktiska människor, kommer att verka barbarisk för framtidens människor. Tänk om superdatorer kunde testa tusentals läkemedelsmål på miljarder simuleringar som modellerar fysiologin i människokroppen på några sekunder? Pharma bör stödja sådan forskning till gagn för dem. ”

Som vi redan vet och det är bra att påminna oss om att AI och de flesta andra tekniska framsteg i grunden är bara "verktyg", verktyg för att lösa problem och göra saker bättre. Så frågan är: Finns det problem inom farma som måste hanteras? Finns det farma-processer som måste förbättras, förbättras och förbättras? Nåväl som är nära pharma vet att det finns långvariga problem med att söka efter lösningar och processer som förtjänar förbättringar direkt från faktiskt läkemedelsupptäckt och utveckling till faktisk leverans.

En typisk tillämpning av AI är i läkemedelsupptäckt. I naturen och inom läkemedelsföretag finns enorma mängder molekyler och föreningar som kan vara lämpliga lösningar för att bekämpa specifika sjukdomar och förbättra hälsan, men utmaningen ligger i att identifiera dem som sådana; som potentiella terapeutiska enheter. Läkemedelsupptäckt och -utveckling är troligen inte bara den mest framstående utmaningen utan också den viktigaste möjligheten att förbättra vården. Att hitta ett nytt läkemedel kan vara mycket krävande och kostnadsöverkomligt. Det tar mycket tid med betydande ekonomiska och intellektuella krav. På grundnivå beror det vanligtvis på de processer som krävs för att säkerställa att vi har läkemedel som är effektiva och säkra att använda. I genomsnitt kan processerna för att göra läkemedel tillgängliga, från upptäckt till administration, kosta läkemedelsföretag upp till 2,6 miljarder dollar och det kan ta cirka 12 till 14 år att slutföra. På grund av detta är de ledande kort- till långsiktiga applikationerna av AI inom farma mer mot att minska tiden och därmed kostnaden för läkemedelsutveckling. Detta skulle inte bara förbättra avkastningen på investeringarna och minska användarnas kostnader utan det skulle vara till hjälp för att göra användbara produkter tillgängliga snabbare, särskilt där det är viktigast.

Vanligtvis studeras tusentals molekyler och passeras genom många processer och från vilka bara en handfull kunde komma till kliniska prövningar, med kanske två till ingen som godkänts som läkemedel av cirka tio tusen molekyler som studerats i genomsnitt. Frågorna är då: Finns det ett sätt som AI snabbt kan hjälpa läkemedelsutvecklare att undvika att spendera för många resurser på dömda för att misslyckas med molekyler? Kan läkemedelsutvecklare fokusera mer på bara en handfull av de mest potenta molekylerna som kan hamna lämpliga och godkända för deras specifika syften? Resultatet skulle minska resurserna drastiskt, påskynda läkemedelsupptäcktprocessen och säkerställa att läkemedel av bättre kvalitet upptäcks. Det visar sig att AI kan vara till hjälp och AI, som vi medger, hittar för närvarande applikationer i nästan alla aspekter av läkemedelsupptäcktprocessen.

En handfull AI-fokuserade företag inklusive Insilico Medicine, Atomwise, Numerate och andra gör mycket arbete och bearbetar stora kliniska och medicinska data för att hjälpa läkemedlet att göra bättre. Många, inklusive Frost & Sullivan, har nyligen erkänt insatsen för Insilico Medicine. Även med den nuvarande framstegstakten (och takten accelererar) skulle det sannolikt bli en minskning av kostnaden för medicinska behandlingar med hälften över hela linjen inom de närmaste åren.

Det har varit detta återkommande tema bland vissa människor i Afrika, både på höga och låga platser. De är av den uppfattningen att det skulle vara nära omöjligt att göra seriös forskning, utveckla läkemedel och ge mer originella bidrag till läkemedel på global nivå från Afrika. Många av dessa människor citerar vanligtvis de oöverkomliga och ökande kostnaderna för läkemedelsforskning och utveckling eftersom något som många afrikanska organisationer som är intresserade av läkemedel inte har råd. För dem är afrikanska institutioner bundna till rudimentära forskningsinsatser som oftast är bundna till hyllorna. Många erkänner detta som helt ohållbart. Tack och lov med hjälp av framsteg inom teknik, särskilt AI, finns det nu absolut ingen anledning till att forskare och utvecklare i Afrika inte kan vara mer produktiva och innovativa för att uppnå bättre läkemedelsupptäcktresultat. Detta skulle sannolikt förändra farma och hälsovård övergripande.

Om författaren

Iraneus Ogu leder Afrika Artificial Intelligence and Blockchain for Healthcare Initiative på Insilico Medicine, Inc. Förutom teknisk utveckling arbetar han med Longevity och Aging Interventions med sina forskningsinsatser med fokus på neuroregeneration. Han arbetar lika med utvecklingsgruppen på Longenesis.com och har också en bakgrund inom farmaceutiska vetenskaper vid University of Greenwich, där hans forskning fokuserade på doseringsformer med kontrollerad frisättning.