إطلاق Knit Health مع تمويل بذور بقيمة 11.6 مليون دولار لإنشاء نظام ذكاء اصطناعي يعتمد على اتخاذ القرارات السريرية في العالم الحقيقي

ركزت شركات الذكاء الاصطناعي في مجال الرعاية الصحية في الغالب على تدريب النماذج على الأدب الطبي والملحوظات السريرية والبيانات النصية. ولكن Knit Health تتبع نهجًا مختلفًا: تعليم أنظمة الذكاء الاصطناعي كيفية عمل الرعاية الصحية في الواقع داخل المستشفيات والعيادات.

خروج شركة جامعة كاليفورنيا، بيركلي من مرحلة التطوير مع 11.6 مليون دولار في التمويل البذري الذي قاده Uncork Capital و Frist Cressey Ventures ، مع دعم تمويل ما قبل البذرة من Moxxie Ventures ومشاركة من Coalition Operators. تقول الشركة إن الرأس المال سيدعم تطوير ونشر نظام السلوك السريري الكبير (LCBM) ، وهو نظام مصمم لتعلم كيفية اتخاذ القرارات السريرية عبر بيئات الرعاية الصحية الحقيقية.

بدلاً من العمل كمساعد حوار طبي تقليدي أو مساعد في التوثيق ، تقوم Knit Health ببناء ما تصفه بـ “الذكاء السريري الجماعي” – الذكاء الاصطناعي المدرب على الأنماط المضمنة في توجيه المرضى والتحويلات وعمليات جدولة القرارات ووقت الإقلاع وعمليات تنسيق الرعاية عبر المستشفيات.

الانتقال إلى ما هو أبعد من الذكاء الاصطناعي في الرعاية الصحية القائمة على النص

معظم أنظمة الذكاء الاصطناعي التوليدية في الرعاية الصحية اليوم هي في الأساس نماذج لغة. وهي تتفوق في تلخيص السجلات وتوليد الملاحظات أو الإجابة على الأسئلة بناءً على المعرفة الطبية المنشورة.

يجادل Knit بأن العديد من القرارات التشغيلية الأكثر أهمية في الرعاية الصحية ليست مكتوبة явًا. بدلاً من ذلك ، تنشأ من سنوات من خبرة الأطباء في التنقل في القيود الحقيقية مثل توافر الأطباء المتخصصين وعمليات التحويل ووظائف جدولة القرارات ووقت الإقلاع وتنسيق الرعاية.

يتم تدريب نظام LCBM باستخدام بيانات سجلات المرضى الإلكترونية من Truveta التي تضم أكثر من 130 مليون مريض عبر 30 نظامًا صحيًا في الولايات المتحدة. تقول Knit إنها تطبق تقنيات مثل التعلم التعزيزي العميق والاستدلال السببي والاستنساخ السلوكي لنمذجة كيفية اتخاذ قرارات الرعاية.

يتفاوت هذا اختلافًا كبيرًا عن أنظمة الذكاء الاصطناعي التقليدية في الرعاية الصحية التي تعتمد في الغالب على مجموعات بيانات ثابتة أو أبحاث منشورة. بدلاً من توقع الكلمة التالية في الجملة ، تحاول Knit توقع قرارات الرعاية التشغيلية داخل الأنظمة الصحية.

وفقًا للشركة ، يمكن للنظام التكيف مع الديناميكيات التشغيلية الفريدة للمستشفيات الفردية ، بما في ذلك أنماط التحويل والقيود التشغيلية وهياكل سير العمل.

بناء طبقة بنية تحتية للمستشفيات

تضع Knit Health منصتها كطبقة ذكاء أساسية للعمليات الصحية بدلاً من تطبيق مستقل.

تقول الشركة إن نماذجها يتم نشرها في البداية للاستخدام في التriage وتحسين تدفق المرضى وتوقع الإقلاع وإدارة التحويلات ومبادرات تحسين الجودة. وفي الوقت نفسه ، يبدو أن الهدف الأوسع هو دمج الذكاء الاصطناعي في البنية التحتية التشغيلية تحت几乎 كل سير عمل سريري.

يتوافق هذا مع تحول أوسع يحدث في جميع أنحاء الذكاء الاصطناعي في الرعاية الصحية ، حيث تستهدف الشركات بشكل متزايد غير كفاءة التشغيل بدلاً من التركيز فقط على التشخيص أو المساعدين الحواريين.

ما زالت الأنظمة الصحية تكافح مع قضايا مثل التأخير في التحويلات وخطوط الرعاية المتخصصة المزدحمة وعمليات الجدولة غير الفعالة وتنسيق الرعاية المتجزئة بين الأقسام. غالبًا ما تؤثر هذه المشاكل التشغيلية بشكل مباشر على نتائج المرضى على الرغم من التقدم في المعرفة السريرية وتوافر العلاج.

دور Truveta الموسع في الذكاء الاصطناعي في الرعاية الصحية

تعكس شراكة Knit مع Truveta أيضًا أهمية مجموعات البيانات السريرية الكبيرة في العالم الحقيقي في تطوير الذكاء الاصطناعي في الرعاية الصحية.

بنيت Truveta واحدة من أكبر مجموعات البيانات السريرية المجهولة في الولايات المتحدة ، التي تمثل أكثر من 130 مليون مريض عبر شبكة من الأنظمة الصحية الكبيرة. وقد وضعت الشركة نفسها بشكل متزايد كموفر بنية تحتية رئيسي للبحوث والذكاء الاصطناعي في الرعاية الصحية.

مستقبل الذكاء الاصطناعي السلوكي في الطب

يبرز إطلاق Knit Health تطورًا أوسع في الذكاء الاصطناعي في الرعاية الصحية: انتقال من الأنظمة المدربة في الغالب على المعرفة الطبية إلى الأنظمة المدربة على السلوك المؤسسي.

إذا نجحت ، يمكن أن تساعد هذه الفئة من الذكاء الاصطناعي السلوكي المستشفيات في भविषية معينة على مواءمة تقديم الرعاية الصحية عالية الجودة عبر المنظمات الكبيرة وتقليل الاحتكاك التشغيلي الذي يساهم في إرهاق الأطباء وتأخير العلاج.

يمكن أن يؤثر هذا النهج أيضًا على كيفية تطوير أنظمة الذكاء الاصطناعي في المستقبل في الصناعات الأخرى حيث يهم سير العمل المؤسسي والتنسيق البشري بقدر الأهمية مثل الوثائق الرسمية.

对于 الرعاية الصحية بشكل خاص ، فإن الآثار طويلة الأمد تتجاوز التأثيرات التلقائية. قد تساعد الأنظمة القادرة على التعلم من ملايين الرحلات الصحية في العالم الحقيقي في النهاية على تحديد الأنماط التشغيلية المرتبطة بنتائج أفضل ، مما يسمح للأنظمة الصحية بتحسين تقديم الرعاية بشكل مستمر بناءً على السلوك المرصود بدلاً من الإرشادات الثابتة فقط.