在许多方面,物联网(IoT)是一把双刃剑:连接的设备正在捕获大量和各种各样的数据,这些数据可以用于各种用途,从潜在的救命医疗保健信息到指导运动员达到巅峰表现,但将原始数据转化为真正有意义和可操作的见解非常困难。
IDC预计,到2025年,物联网设备将在全球产生超过73 zettabytes的数据,即730亿tb,每分钟将有152200个物联网设备连接到互联网。2019年,我们看到86%的医疗保健机构使用某种形式的物联网技术,包括高达6.46亿个物联网设备。再加上大流行带来的对远程监测和远程医疗的日益增长的需求,推动了全球物联网市场,预计到今年年底将超过1580亿美元,到2025年将超过5340亿美元。
海量数据包含的度量标准可以用于从治疗创伤到远程监测生命体征的一切。真正的挑战是识别、分析,并以一种可理解的、临床相关的和可操作的方式向临床医生、患者或保险提供者提供正确的数据。
这就是挑战所在。
在很大程度上,由于临床和消费者使用的连接设备的普及,医疗数据量每73天就翻一番。除非这些信息能够被分析并转化为可操作的东西,否则它只会放大物联网产生的数据量。
在我的医药研发生涯中,我花了很大一部分时间。发现或开发一种成功的药物是一项艰巨的任务,制药行业一直并将继续与大数据集的基本问题进行斗争,就像物联网一样。设计药物基本上有两种方法。
一种方法是组合方法,与分析大型数据集的物联网方法类似;抓住我们能拿到的所有东西,把它倒入试管中,反复测试,直到我们(希望)分离出能产生预期效果的部分。
相反,合理的药物设计方法是基于对所需分子及其结合位点的结构、性质和功能的研究。我们从大量的科学知识开始,有条不紊地寻找答案。
作为一家以人工智能为驱动的生物技术公司的创始人,我正与我的数据科学团队将这两种方法结合起来,理性地生成和挖掘相关的、可操作的大型数据集——整理信息“噪音”,让我们走上通向有意义结果的道路,即“AI IQ”。
为了推动医疗保健分析向前发展并产生有影响力的结果,必须对数据进行适当的分类、生成和分析,否则我们将只是为了工作而工作。
对数据进行分类并构建模型
无论物联网设备捕获温度、声音、运动或其他可量化或定性的信息,问题都在于白噪声。这就是对数据进行分类成为必要的第一步的原因。在这个节点上,决定什么是评估过程并确定最佳端点所需的数据是相关的。一旦开发了该框架,并对数据进行了分类,就可以构建分析模型了。
生成相关数据
在数据被识别和分类之后,组织就可以确定捕获数据的方法——这个过程必须是精确的、准确的和可重复的。
合适的人工智能软件可以从任何来源分析相关数据。例如,在卫生保健领域,可访问的、临床相关的和可操作的功能运动数据最终使几乎任何临床专业能够以适当的频率进行必要的医疗检测,作为综合诊断和治疗计划的一部分,并在真正基于价值的护理模式中实现必要的高质量结果。
使用人工智能软件分析数据
一旦所有重要信息被收集,就可以立即流回应用程序,或基于云的分析软件,这些软件能够处理数据,并将其转换为单个接收者或更广泛的受众可操作的内容。
然后,AI软件可以快速、稳健地分析相关数据点和关系,提供有关过程和结果的相关预测分析。
在这个节点上,可以识别过程的非最优部分,并在必要时进行更改,并不断地重新评估过程,以确定该更改的有效性。
利用适当的流程将对医疗保健行业产生变革。随着人工智能/机器学习和移动技术应用于物联网生成的数据,医疗保健组织可以提供精确、准确和可复制的结果,这将优化医疗保健行业的各个方面。
然而,如果我们想要充分利用和优化数据丰富的物联网环境,通过教育组织如何正确地分析物联网数据,我们需要医疗保健系统的所有元素的合作。我们需要非常深思熟虑,把时间和资源花在国际数据中心产生的数据类型上——预计到2025年底,市场上将有750亿台物联网设备,预测分析工具将给物联网促进医疗保健提供现实机会。
弗兰克·佛罗伦是董事长兼创始人,>该公司是一家领先的生物技术公司,开发和分发实时运动分析和人工智能/机器学习解决方案,包括BioMech LabTM和CoretexTM量化和改善卫生保健、体育/健康和工业部门的成果。
图片来源:Shutterstock.com