在革命的边缘,医疗健康领域准备利用人工智能(AI)为患者、员工和利益相关者提供创新解决方案。尽管期望和兴奋达到了前所未有的高度,但医疗机构(HCOs)正面临着伦理考量和内部流程缺口所带来的障碍,这些障碍正在阻碍AI在患者护理和运营工作流程中的嵌入。 凭借在数据科学、AI驱动分析和创新技术方面数十年的经验,IQVIA团队开发了一种可扩展、安全的信息管理和技术支持模型,以加速医疗健康领域AI的可靠和负责任的应用。欲了解更多信息,请参阅此电子书。 AI 在医疗保健领域的前景和挑战4可信框架的核心组件10为什么是 IQVIA ?17案例研究23 AI 在医疗保健领域的前景和挑战 生成 AI (GenAI) 为 AI 在医疗保健领域创造了一个拐点 AI 正在对医疗保健产生积极影响 针对 GenAI 的医疗保健挑战 医疗保健中采用 AI 的挑战 单击绿色组件以了解更多信息。 在医疗保健中采用 AI 克服挑战 可信框架的核心组件 框架为 AI 采用和持续增长提供了结构 单击绿色组件以了解更多信息。 在您的组织内建立 AI 计划 : 4. 定义流程数据登机和支持标准数据源清单和数据定义。 5. Conduct技术的价值证明自动化分析、监控、审核、数据质量和问题跟踪。 变更管理 / 采用 / 培训 创建 AI 采用路线图 人工智能将如何管理、治理 , 并与组织的战略、愿景和价值观保持一致 ? 使用数据策略开始您的评估 数据策略突出了当前和期望的数据能力之间的差距以及 AI 的准备情况 单击绿色组件以了解更多信息。 企业 GenAI 架构的高级视图 定义、实施和完善构建 AI 解决方案的流程 从可信和经过验证的数据开始 , 通过 AI 解决方案提供差异化价值 确定 AI 战略路线图的重点位置 为什么是 IQVIA ? 为医疗保健开发 AI 的丰富历史 IQVIA 屡获殊荣的 AI 方法在 100 多种疾病中得到验证 您如何评估采用 AI 的准备情况 ? 用于 AI 应用程序的构建块 , 可实现公平性、隐私性、精确性和可操作的见解 回顾 : AI 在医疗保健中的关键组成部分 医疗保健级 AI ™ 的构建模块 1. 法规遵从性 : 60 多年来 , 法规遵从性数据一直是行业标准。 2. 地理覆盖范围 :访问可信数据集 , 通过在不同的代表性数据集上进行训练 , 最大限度地减少 AI 中偏差的影响。 3. 隐私和公平 :采用广泛的方法、保障措施、控制手段、治理机制以及增强隐私的技术,以满足或超过所需标准,并做到正确行事。 4. 清理和擦洗数据 :训练“脏”数据可能导致AI输出错误信息。医疗保健领域尤其需要更好地处理这一问题。确保训练数据的清洗和预处理,以防止AI出现“垃圾进垃圾出”的问题。 5. 数据的精确性和多样性 :数据来源对于确保有效和有价值的 AI 处理所需的质量和数量至关重要。 7. 预训练模型 :能够将专有的数据与专有的AI算法连接起来预训练模型以提高响应质量、速度和规模。 8. 验证和基准 :AI、科学和医疗健康专家携手合作,验证AI输出结果以确保准确性并减轻“幻觉”风险。 9. 领域专长 :在每一步都需要专业知识以确保这项新技术能够负责任地部署,在适当的背景下使用,并为正确的人提供正确的洞察,从而更快推动医疗健康的发展。 数据隐私、道德和合规性 通过在您的流程中嵌入护栏和保障措施 , 对高标准做出承诺 案例研究 确定有昂贵的专业治疗风险的患者 项目可交付成果 背景 • 为支付方持续部署打包的人工智能算法以分层成员对 specialty 药物需求的风险,从而实现早期干预并引导至优选药单。 • Develop基于 IQVIA 数据的 AI 算法分层成员风险要求用于心肺疾病的特殊药物 , 以使早期干预and导流首选处方集。 • 部署后 , AI 算法为最终用户生成以下输出 :“已诊断的患者处于启动特殊药物的风险中的有序列表。“对于每个有风险的患者 , 风险评分背后的关键驱动因素列表(例如 , 合并症 , 治疗等) 。 • understand关键预测因子与有风险的成员相关联 , 并提供见解到付款人临床干预团队进行适当的随访。 Results • Package and transfer将 AI 算法提供给付款人以进行持续部署在他们的数据平台。 鉴别误诊的 T1D 患者 背景 Results • 约40%的1型糖尿病(T1D)成人患者最初被误诊为2型糖尿病(T2D),导致治疗不当(例如,增加了酮症酸中毒的风险)。 • IQVIA AI算法有效识别了在首次或后续2型糖尿病诊断时被误诊的1型糖尿病患者,以实现最大的临床效益。 JDRF • Prospective inactive validation at four U. S. HCOsto评估全国范围的路径: 挑战 »大型个人 HCO :打包算法以最大限度地减少 HCO IT / 分析工作 , 添加丰富的遗传数据来评估性能提升。 • 利用实际的电子医疗记录(EMR)数据构建预测性人工智能诊断模型,以识别被误诊为2型糖尿病(T2D)的成人发病1型糖尿病(T1D)患者。 »区域 HIE:将数据上线至IQVIA的安全环境,评估采用的便捷性,本地化需求以及由于HIE数据缺口导致的性能损失。 • 在美国大规模将解决方案部署到临床护理中 反映健康(SDoH) 风险因素的隐藏社会决定因素 , 以优先考虑参与 背景 Implementation • 北 Shore大学健康系统 recently 合并与 Edward-Elmhurst Health,成为伊利诺伊州第三大医疗服务体系。 • 作为健康公平计划的第一步,NorthShore — Edward-Elmhurst Health转向了IQVIA获奖的人工智能解决方案SDoH NLP,以获得对其人口中存在健康公平差距的更大可见性,从而更好地管理这些差距并推动更加公平的医疗保健。 • 该解决方案部署在急诊部门(ED),用于筛查自由文本的医生笔记并标记具有社会健康风险因素的患者,从而实现对高风险患者的更有针对性的分诊。 • 在该地区,观察到预期寿命存在显著差异。使用普查区数据——最长和最短预期寿命之间的差距达到了22年(全国最大差距)。 影响 • 以下是 AI 解决方案在患者层面的影响的真实示例 挑战 • 患者级社会决定因素(SDoH)数据仅限于电子医疗记录(EMR)中少量结构化的数据,而研究显示NorthShore的相关因素被记录在超过30%的患者中。NorthShore需要一种机制从非结构化的医疗记录中提取这些信息,以提高对高风险患者的分诊和优先处理。 预测中风风险 , 导致发病率降低 22% 背景 • 心房颤动(AF)患者发生卒中的风险是非AF患者的大五倍,导致死亡率、发病率和残疾率的增加。 • 拥有约 250, 000 名患者的提供者组织正在寻求设计一项计划以改善 AF 患者的护理管理。 算法识别具有卒中高风险的房颤患者 挑战 • IQVIA与提供组织合作,通过识别高风险患者并改善抗凝治疗的使用,以减少房颤相关的Stroke。 健康影响 财务影响 据估计 , 每年的中风次数将下降22%( 与之前的时间段相比 , 在实施阶段减少了 114 个笔划) 。 这导致医疗保健负担的估计减少 , 相当于每年节省~$2M, up to~$7M考虑到社会经济因素。 Implementation • 使用电子医疗记录(EMR)数据,包括年龄、性别以及临床风险因素(如心力衰竭、高血压、卒中/短暂性脑缺血发作、糖尿病和血管疾病),预测AF患者发生卒中的风险。 三个关键要点 三个关键要点