De markt voor artificial intelligence (AI) in de gezondheidszorg groeit snel. De jaarlijkse groei staat momenteel op 40 procent, en naar verwachting bereikt dit in 2021 de 6,6 miljard dollar – en loopt in 2025 zelfs op tot 13 miljard dollar. AI wordt steeds vaker toegepast in de gezondheidszorg, en dat gaat gepaard met een exponentiële toename van data. Een ontwikkeling waar organisaties in de zorg zich op moeten voorbereiden.
Of AI nu gebruik wordt voor röntgenfoto’s en scans of dna-onderzoek, het succes ervan is volledig afhankelijk van toegang tot deze grote hoeveelheden data. Want alleen dan kan data gebruikt worden om patronen te ontdekken, kunnen voorspellende inzichten ontwikkeld worden en worden steeds nauwkeuriger automatische systemen mogelijk. Maar deze data kan zich overal bevinden, is per definitie dynamisch en komt vaak ook nog eens voor in meerdere vormen. Daardoor zijn datasilo’s en complexiteit van technologie de twee grootste uitdagingen voor IT-managers bij de uitvoer AI-projecten. Projecten verlopen snel, en mogen niet afhankelijk zijn van waar de data zich bevindt. Een echte gegevensstructuur is voor IT-managers dan ook essentieel.
AI in de strijd tegen tbc
Een goed voorbeeld van hoe technologie de zorg kan ondersteunen, is BacillAi™. Deze oplossing, ontwikkeld door de speciale deep-learningonderzoeksafdeling van Cambridge Consultants, is een end-to-end-conceptsysteem dat gebruikmaakt van deep learning en budgethardware om behandeling van tuberculose (tbc) te verbeteren. Deze ziekte is de op een na belangrijkste doodsoorzaak door infectieziekten in ontwikkelingslanden. Het hoge sterftecijfer komt grotendeels door een gebrek aan beschikbare en betaalbare diagnoses en inconsistente resultaten die komen uit vervolgafspraken met patiënten.
Tbc wordt onderzocht door een speekselmonster af te nemen waarin cellen handmatig worden geteld onder een microscoop. In landen met weinig middelen is dit zeer moeilijk. Er is maar weinig geschoold personeel, en dan werken zij ook nog eens in moeilijke omstandigheden. Artsen kunnen zomaar tien patiënten per dag beoordelen, terwijl ze voor elk daarvan misschien wel honderden cellen moeten tellen door de microscoop. Dat kan er niet alleen voor zorgen dat de arts op den duur oogproblemen krijgt, maar ook moeten patiënten hierdoor lang wachten op de uitslag – die ook nog eens van slechte kwaliteit kan zijn.
Hoe BacillAi bijdraagt aan de verbetering van de zorg? Met de oplossing kunnen behandelaars met hun smartphone een afbeelding opslaan, die is gemaakt met een standaardmicroscoop van laboratoriumkwaliteit. Het systeem, voorzien van de bewezen architectuur NetApp® ONTAP® AI en aangedreven door NVIDIA DGX-systemen en cloudopslag van NetApp, analyseert de afbeeldingen van speekselmonsters op basis van een deep-learning-algoritme. Het bepaalt de gezondheid van de patiënt door de tbc-cellen te identificeren, tellen en classificeren. De resultaten van de test worden via een aparte app naar de arts gestuurd.
AI biedt meer mogelijkheden
BacillAi is een voorbeeld van hoe NetApp kan helpen bij het aanpassen van een gegevensstructuur en de reis naar AI kan versnellen. Door het geautomatiseerde AI-systeem los te laten op het tellen van de cellen en de behandelingsvoortgang te laten bepalen, zorgt dit voor meer nauwkeurigheid en een kortere doorlooptijd, en worden resultaten bovendien automatisch gedigitaliseerd. Maar AI kan nog breder worden toegepast dan dat. Zo past Cambridge Consultants deep learning toe in meerdere applicaties voor de meest ambitieuze bedrijven ter wereld, bijvoorbeeld voor het detecteren van storingen in telecommunicatienetwerken, zelfrijdende auto’s, naadloze gebruikersinterfaces en medische diagnose en monitoring.
Zo zorgen dit soort oplossingen ervoor dat bedrijven gebruik kunnen maken van de groeiende databronnen met vrijwel onbeperkte, niet-verstorende schaalbaarheid en prestaties. Met slimme, krachtige en vertrouwde AI-oplossingen voor de zorg zijn zorgorganisaties in staat om hun datastructuur te integreren en dataflows te stroomlijnen door alle fases – datacollectie aan de rand, voorbereiding, training en conclusie trekken in de kern, en analyse en tiering op basis van ’s werelds grootste clouds.
