کلان داده در حوزۀ درمان و علوم پزشکی

کلان داده ، تحت “مجموعه بزرگ و پیچیده از داده؛ ساختارمند یا غیر ساختارمند” تعریف می‌شود. این مجموعه ی بزرگ، به طور موثر می‌تواند مشکلات بزرگ کاری را حل کند که پیش از آن با استفاده از روش های مرسوم آنالیز داده قابل حل یا حتی بررسی نبودند.

کلان داده ، شیوه ی تحلیل، مدیریت و استفاده از داده را تغییر داده و با کمک آنالیز داده، نقش به سزایی در بهبود عملکرد بخش های مختلف از جمله حوزه سلامت دارد. به کارگیری درست داده، این پتانسیل را دارد تا هزینه های درمانی را کاهش دهد، اپیدمی ها را پیش بینی کند، تشخیص بیماری های قابل پیشگیری را سریعتر کند و به طور کلی کیفیت زندگی را ارتقا ببخشد.

بازار کلان داده در سال ۲۰۲۰، ۲۳.۸ میلیارد دلار ارزش گذاری شده و انتظار می‌رود تا ۲۰۲۶، به ارزش ۵۸ میلیارد دلار رسیده باشد. نرخ رشد مرکب سالانه نیز حدود ۱۶.۲۴ درصد برآورد می‌شود.

در این گزارش قصد داریم تا به بررسی چندین کمپانی در بخش های مختلف حوزه سلامت بپردازیم و نقش کلان داده را در هر یک از این نمونه ها به طور جزئی مورد مشاهده قرار دهیم.^۱

---

پیشگیری

سالانه هزینه ی مالی، جانی و اجتماعی زیادی صرف بیماری هایی می‌شود که از قبل، قابل پیش‌بینی و پیش‌گیری بوده اند یا خودکشی و سوءمصرف هایی از داروهای مسکن که با تحلیل داده های شخصی، قابل ردیابی و پیگیری بوده اند.

استفاده از داده، می‌تواند موجب پیشگیری از بیماری های قابل پیشگیری، سوءمصرف دارو های مسکن و خودکشی شود.

در این بخش از مقاله می‌خواهیم به موضوع کلان داده و ارتباط آن با پیشگیری های قابل پیش‌بینی بپردازیم.

HarrisLogic

اطلاعات و فن‌آوری به افراد متخصص امکان می‌دهد تا به طور موثر و کارآمد عمل کنند و استفاده از آن، زندگی

انسان را نجات داده و باعث جلوگیری از خودکشی شده است.

HarrisLogic، براساس این باور بنیان نهاده شد که فن‌آوری می‌تواند مراقبت‌های بهداشت روانی را بهبود بخشد. این شرکت در ۱۹۹۸ تاسیس شد و دفتر مرکزی آن در بالوین، میسوری است.

راهکارهایHarris، با استفاده از تکنولوژی هوش مصنوعی بوده و مبتنی بر داده است و در حوزه‌های پیش‌گیری از خودکشی، واکنش بحران و تکرار جرم کاربرد دارد. از جمله خدمات این شرکت:

• ـ بهبود کیفیت خدمات از طریق استفاده از کلان داده‌ و تجزیه و تحلیل آن ها.
• ـ نمایش سوابق کاربران از منابع مختلف.
• ـ تعیین، ردیابی و نظارت بر کاربر‌ها به هنگام استفاده از سیستم‌های مراقبت و درمان.
• ـ کاهش هزینه برای دولت‌ها، سیستم‌های بهداشتی و دیگر ارائه دهندگان خدمات.

این شرکت با متخصصان بالینی، عملیاتی و مدنی همکاری کرده تا محصولاتی بسازد که زندگی‌ها را نجات دهند و استفاده از منابع حیاتی را بهینه کنند. هریس با استفاده از تجزیه و تحلیل داده‌ها از SAP(system analysis and program development) شروع کرده و این دیتا در StellaCrisis و StellaCare بکار گرفته می شود. Stella crisis، یک محصول شرکت Harris می باشد که به صورت ابری پردازش میکند و یک شبکه از تمامی منابع و بیمارستان ها و شبکه سلامت و نیروهای این حوزه ایجاد میکند و یک راهکار و پیشنهاد برای کنترل اوضاع و تثبیت اوضاع ارائه میدهد. این سیستم از سیستم تلفنی، شبکه موبایلی و مجازی پشتیبانی میکند.

StellaCrisis و StellaCare می‌توانند در کنار پرونده‌های الکترونیکی سلامت (EHR) برای هر ارائه کننده ی خدمات درمانی بکار گرفته شود. این شرکت، اطمینان حاصل می کند که افراد در معرض خطر بدرستی شناسایی شده‌اند و یک برنامه ی مراقبتی مناسب به آن ها پیشنهاد می شود. موسسه zero suicide و HarrisLogic، آموزش و مشاوره برای مراقبت‌های بهداشتی را فراهم می‌کند. زمانی که یک تماس برقرار می‌شود، پلتفرم به هدایت مکالمه کمک می‌کند تا مطمئن شود شخصی که در طرف دیگر تلفن قرار دارد بهترین مراقبت ممکن را دریافت میکند. روشی که یک تماس‌گیرنده پاسخ می‌دهد می‌تواند در تعیین نوع کمکی که به آن‌ها نیاز دارد اعم از کمک فوری، ارجاع به پزشک، مشاوره و … موثر باشد.

این شرکت با توسعه پلت فرم خود، جلوی خودکشی و بحران های رفتاری را گرفته و عملکرد مناسبی بر روی سلامت روانی زندانیان داشته است به طوری که در طی یک دوره ده ساله راه‌حل‌های این شرکت بیش از ۲,۰۰۰,۰۰۰ مورد بحران را ردیابی کرده و تقریباً ۱۰۰,۰۰۰ نفر را مورد حمایت قرار داده‌ است.
Harrislogic دارای ۵/۲۲ میلیون دلار درآمد سالانه بوده و ۷۶ کارمند دارد. ^۲،۳

جلوگیری از سوء مصرف دارو

سوء مصرف دارو های مسکن در کشور های توسعه یافته، از مسائل جدی حوزه سلامت محسوب می‌شود. سالانه میلیارد ها دلار و بخش نسبتا بزرگی از حقوق های پرداختی به افراد قشر متوسط رو به پایین جامعه، صرف تامین داروهای مسکنی می‌شوند که با استفاده از تحلیل داده قابل پیشگیری و صرفه جویی است.

از راهکار های پیشنهادی، بررسی فاکتور های تاثیرگذار احتمالی و ارتباط هر یک با میزان سوء مصرف است. بررسی این فاکتور ها در آژانس سلامت ایالتی نشان داد که در مقام اول، سن و در مقام دوم، میزان درآمد، بیش‌ترین تاثیر را بر سوء مصرف دارند. سن میان ۴۴ تا ۶۰ و درآمد متوسط رو به پایین، ریسک استفاده بیش از اندازه دارو های مسکن را به حد بالایی می‌رسانند. همچنین مناطقی از نظر شماره کد پستی هستند که نسبت به دیگر مناطق در ایالت یکسان، مصرف بالاتری را نشان می‌دهند. همه این ها بیانگر این هستند که میزان توجه دولت به کنترل سوء مصرف، باید بر اساس میزان خطر ابتلای هر فرد سازماندهی شده باشد.

بر این پایه، مدلی طراحی شد که با استفاده از سیستم یادگیری ماشینی، به هر شخص براساس فاکتور های خطر و ضریب اثر فاکتور خطر، نمره دهی می‌کند. این نمره دهی، به پیگیری آسان تر و دقیق تر وضعیت مصرف مسکن کاندیداهای احتمالی ابتلا به سوء مصرف داروها، می‌انجامد.^۴

جلوگیری از خودکشی

دورکهایم، شخصی بود که در سال ۱۸۹۷، یک مطالعه ی اساسی در مورد خاطرات و یادداشت های افرادی که خودکشی کرده اند، منتشر کرد. نتایج به طور تعجب برانگیزی حاوی داده های مشترکی بین اکثر آن ها از جمله انزوا بود. پروژه دورکهایم نیز با الهام از این نمونه مطالعه، در پی یافتن کهنه سربازهایی است که در معرض خودکشی قرار دارند. طبق آمار منتشر شده، هر ۶۵ دقیقه یک کهنه سرباز آمریکایی، جان خود را به علت خودکشی از دست می‌دهد؛ دلیل خودکشی در اغلب موارد قرض، ناتوانی در تطبیق با جامعه، مشکلات سلامتی و از دست دادن شغل یاد شsده است.

پروژه دورکهایم، با همکاری شبکه های اجتماعی نظیر فیسبوک، دارپا(DARPA) و انجمن تحقیق و مطالعه کهنه سربازها، از طریق کلان داده سعی دارد تا نشانه های خطر را به خوبی درک و نشانه گذاری کند. متاسفانه به دلیل خصوصی بودن اطلاعات اشخاص، بحث در مورد رکوردها میسر نیست اما مدیر پروژه اعلام کرده است که: “ما در میان داده ها، به دنبال تحلیل زبان خاصی میان داده های هر شخص هستیم و همه چیز به سادگی پیدا کردن چند کلید واژه در واژه های استفاده شده توسط فرد نیست”. پیترسون اشاره می‌کند که ما تاکنون توانسته ایم چند دسته از زبان را شناسایی کنیم و آن ها را مانند پرچم علامت گذاری کنیم . برای مثال، هرگاه فرد چندین زبان از جمله تنهایی و انزوا را مورد استفاده قرار دهد، پرچم ها نشان دار می‌شوند و میزان ریسک سنجیده شده برای فرد افزایش پیدا می‌کند.

در نهایت، نتیجه ی مطالعه پس از یک سری تغییرات میتواند برای دیگر شهروندان به جز کهنه سربازها نیز مورد استفاده قرار بگیرد.^[۵،۶]

درمان

درمان در طول زمان متدهای متفاوتی داشته است اما امروزه دنیا به سمت پزشکی شخصی رفته و مفهوم جدیدی به عنوان درمان های شخصی سازی شده بوجود آمده است. در این نوع درمان با استفاده از کلان داده و آنالیز داده ها در زمینه ژنومی و فردی، روش های تشخیص و درمان شخصی را پیش می گیرند. همچنین با استفاده از کلان داده و سیستم های هوش مصنوعی و داده های بدست آمده می توانند تاثیرات داروهای مختلف را روی افراد متفاوت آنالیز کنند و پیش بینی کنند چه دارویی برای این افراد مناسب یا نامناسب است.

بخش تشخیص

Enlitic

امروزه از هر ۴ کیس بررسی شده در تصاویر رادیولوژی، یک کیس به اشتباه بدون بیماری تشخیص داده می‌شود(منفی کاذب) و از هر ۵ کیس، یک کیس به اشتباه دارای بیماری تشخیص داده می‌شود(مثبت کاذب).

شرکت Enlitic، در سال ۲۰۱۴ با هدف بهره گیری از هوش مصنوعی برای تشخیص عکس های رادیولوژی، در سان فرانسیسکو ایالت کالیفرنیا تاسیس شد. این شرکت، در تلاش برای ساخت پلتفرمی بود تا بتواند بیماری های ریوی را با استفاده از عکس های رادیولوژی، تشخیص دهد. سیستم یادگیری ماشینی به پلتفرم طراحی شده اجازه می‌دهد تا ارتباط میان ورودی نرم افزار(عکس) و خروجی نرم افزار(تشخیص) به خوبی درک شود و الگوهای بیماری پیدا شود. این در حالی است که متخصصان در اغلب موارد از بیان الگو ها و فاکتورهای دقیق برای تشخیص بیماری، ناتوان هستند.

نرم افزار طراحی شده، قادر است نشانه های سرطان ریه را حتی تا ۲۴ ماه پیش از تشخیص پزشک، تشخیص دهد. همچنین در کل، دقت تشخیص را نسبت به تشخیص های عادی و بدون استفاده از هوش مصنوعی، ۵۰-۷۰ ٪ بالاتر می‌برد و سرعت تشخیص را ۵۰ هزار برابر می‌کند. با این که این نرم‌‌افزار تاکنون نتوانسته مجوز سازمان غذا و داروی ایالات متحده برای تشخیص و درمان بیماری را دریافت کند، اما نتایج استفاده از آن بسیار درخشان بوده و نوید دهنده ی ورود قدرتمند هوش مصنوعی به بازار حوزه سلامت است.

این شرکت تاکنون ۴ مرحله جذب سرمایه در سال های ۲۰۱۴، ۲۰۱۵، ۲۰۱۹ و ۲۰۱۹ در کل به مجموع ارزش ۵۵ میلیون دلار داشته است. شرکت ۹ سرمایه گذار و بیش از ۵۱ کارمند دارد. ^{[۷، ۸]}

Arterys

Arterys با ماموریت دگرگون کردن صنعت سلامت، به وسیلۀ کاهش دادن خطا و تشخیص پزشکان، تاسیس شد. هدف اصلی شرکت این است که تمامی بیماران، فارغ از محل زندگی خود، به خدمات پزشکی بر اساس کلان داده ها دسترسی داشته باشند.

شروع کار شرکت با بهبود روش تشخیصی بیماری قلبی کودکان بود. تا قبل از این، برای تشخیص بیماری از سونوگرافی یا MRI استفاده می شد که علاوه بر درصد خطای بالا، وقت زیادی هم برای تفسیر تصاویر گذاشته می شد؛ در حالی که با تکنولوژی ۴D Flow پزشکان میتوانستند جریان خون را تنها در چند دقیقه، به صورت کمی بررسی کنند. ۴D flow MRI در واقع، الگوهای جریان خون و سرعت حرکت آن در رگ ها را در هر سه جهت فضا نشان می دهد. با استفاده از این تکنولوژی، ویژگی هایی مثل آناتومی رگ و سرعت جریان خون در دو حالت طبیعی و بیماری، به خوبی باهم مقایسه می شوند.

اما مشکل این بود که بیمارستان ها سرور مناسب برای ایجاد آرشیو و بررسی کلان داده های ۴D Flow را در اختیار نداشته اند. Arterys سیستم cloud computer processing را برای این منظور به کار گرفت و با استفاده از آن، اطلاعات مربوط به ۴D Flow به راحتی از طریق web در اختیار رادیولوژیست و پزشک قرار می گرفت تا بتوانند تشخیصی سریع تر و دقیق تر داشته باشند.

این شرکت از Deep Learning AI و Cloud Computing GPUs به طور همزمان استفاده می کند تا بتواند بررسی های کمی و اندازه گیری های مربوط به قلب و رگ ها را با دقت مشابه و حتی بهتر از پزشکان ماهر انجام دهد. در سال ۲۰۱۷، تکنولوژی این شرکت اولین مجوز FDA خود را برای استفاده از deep learning و cloud computing در خدمات بالینی دریافت کرد. پس از آن درخواست پزشکان برای این تکنولوژی افزایش پیدا کرد به طوری که شرکت به فکر افتاد سیستم AI cloud computing مشابه را برای بررسی تصاویر مربوط به بیماریهای کبدی، ریوی، مغزی، سرطان و … به کار ببرد. هم اکنون این شرکت موفق شده است ۵ مجوز FDA را برای خدماتش دریافت کند. دفتر اصلی این شرکت در سانفرانسیسکو است و ۲ دفتر هم در کلگری کانادا و پاریس دارد.

شرکت Arterys تا الان ۹ مرحله جذب سرمایه داشته که آخرین مرحله ی آن در ماه مه ۲۰۲۰ بوده و مجموع کل سرمایه گذاری انجام شده به ۷/۷۱ میلیون دلار رسیده است. این شرکت ۱۸ سرمایه گذار و بیش از ۱۰۰ کارمند دارد. ^[۹]

iCarbonX

iCarbonX، در سال ۲۰۱۵ با هدف ایجاد فرم دیجیتالی از زندگی در شنزنِ چین آغاز به کار کرد. این شرکت تلاش می کند تا با ترکیب کلان داده های به دست آمده از بیمار، اینترنت و هوش مصنوعی، به اکوسیستمِ زندگی دیجیتالی بیمار دست یابد و پزشک معالج را در طراحی فرایندهای تشخیص و درمان یاری رساند.

به عنوان مثال یکی از خدماتی که iCarbonX به پزشکان ارائه می دهد، خدمتی تحت عنوانِ« ابزار های مبارزه با سرطان» است؛ این ابزار ها به پزشک کمک می کنند تا بر پروندۀ سرطان بیمار، به طور کامل نظارت داشته باشند و بتوانند بیومارکر*(توضیح در انتهای متن) های تاثیر گذار و معنی دار را در بین مارکر های مختلف مولکولی بررسی و ارزیابی کنند. مبارزه با بیماری های مزمن( دیابت، بیماری های قلبی و …) و مبارزه با بیماری های عفونی، خدمات دیگری است که این شرکت به پزشکان و بیماران ارائه می دهد.

شرکت iCarbonX دو مرحله جذب سرمایه داشته است که در جولای ۲۰۱۶ -آخرین جذب سرمایۀ آن- ، سرمایۀ کلی را به عدد ۲۰۰ میلیون دلار رساند. در حال حاضر، ارزش شرکت حدود ۱ میلیارد دلار برآورد می شود. لازم به ذکر است که این شرکت حدود ۲۰۰ کارمند دارد. ^{[۱۰، ۱۱]}

*پ.ن: بیومارکرها مولکول هایی بیولوژیکی هستند که بسته به ویژگی هایشان می توانند در خون یا سایر مایعات بدن یا بافت ها حضور داشته باشند. بیومارکرها، اندیکاتورها یا نشانگرهای زیستی حالت فیزیولوژیک یا پاتولوژیک یک ارگان خاص هستند. فیزیولوژیک بودن به این معناست که این بیومارکرها از سلول های طبیعی بدن آزاد شوند. پاتولوژیک بودن به معنای آزاد شدن بیومارکرها از سلول های غیر طبیعی مثل سلول های سرطانی است.

بخش حین درمان

IBM Watson Health

Watson از زیر مجموعه های شرکت IBM، در سال ۲۰۱۱ با هدف تحول حوزه های مختلف از جمله درمان با استفاده از هوش مصنوعی شروع به کار کرد. چشم اندازی که از ابتدا برای محصول اصلی درمانی شرکت ترسیم شده بود یک هوش مصنوعی بود که میتوانست با استفاده از علائم، به تشخیص بیماری مریض بپردازد و هر تشخیص را با میزان احتمال صحت آن،‌ به پزشک اعلام کند.

در نهایت این سرعت بسیار بالای نرم افزار، می‌توانست به پزشک در تشخیص سریع و مناسب کمک کند و تا حد زیادی کمبود پزشک را در مناطق محروم جبران کند. برای تشخیص درست بیماری، هوش مصنوعی باید بتواند سابقه پزشکی فرد را بخواند و همچنین به تمامی مقالات پزشکی و دارو های تایید شده دست پیدا کند: این قابلیت، به کمک دستاورد اصلی شرکت یعنی ابزار NLP(natural language processing) *(توضیح در انتهای متن) محقق می‌شود؛ به این شیوه که NLP با فهمیدن زبان و رابطه بین کلمات مختلف در هر متن، می‌تواند مفهوم متن را درک کند و نوع بیماری های سابق، نتایج و مفهوم آزمایشات و دارو های جدید مربوط را تشخیص دهد.

سرانجام در سال ۲۰۱۵، شرکت از تاسیس بخش مجزایی به نام IBM Watson Health خبر داد. Watson Health تا اواسط سال ۲۰۱۶ چهار شرکت حوزه سلامت را به هزینه ۴ میلیارد دلار به دست آورد و پروژه های مختلفی برای جامعه هدف های مختلف حوزه سلامت تعریف کرد. برای مثال، یکی از بخش های هدف، بخش imaging است و راهکار ارائه شده توسط شرکت، پلتفرم IBM iconnect access است. با استفاده از این پلتفرم، مراکز تصویربرداری، تمام محتوای تصویر را به فضای ابری آپلود می‌کنند. این فضای ابری در دسترس بیمارستان و پزشکان قرار می‌گیرد تا بتوانند به تمام داده تصویربرداری بیمار در گذشته دست پیدا کنند. بدینوسیله جابجایی فیزیکی تصویر ها و خطر گم شدن آنها از بین می‌رود.

یکی دیگر از جامعه های هدف، بیمارستان ها هستند. IBM Micromedex در ۴۵۰۰ بیمارستان در ۸۰ کشور دنیا استفاده می‌شود. این نرم افزار،‌ یک موتور جستجوی دارو است که کاربر می تواند با زبان روزمره خود سوالات مختلفی از نرم افزار بپرسد(مثلا عوارض دارویی یا موارد تجویز) و موتور جستجو با قابلیت NLP، به این سوالات پاسخ می‌دهد.

به طور کلی Watson Health، یک شرکت با چندین محصول متنوع برای جوامع هدف متنوع است.

* NLP زیرشاخه ای از علوم کامپیوتر و هوش مصنوعی است که مربوط به برهم‌کنش های کامپیوتر و زبان طبیعی و محاوره ای انسان هاست؛ به ویژه برنامه دادن به کامپیوتر به گونه ای که بتواند حجم زیادی از داده زبان طبیعی را آنالیز کند. هدف از این کار، کامپیوتری است با توانایی “فهمیدن” محتوای اسناد از جمله ظرافت های کلامی موجود در آن. این تکنولوژی سپس می‌تواند اطلاعات و مفاهیم را از مدارک استخراج کند همچنان که می‌تواند مدارک را بر اساس فاکتور های مختلف دسته بندی نیز بکند. ^[۱۲]

Oncora Medical

Oncora یک پلتفرم دیجیتال برای سلامت است که تلاش می کند شیوۀ دسترسی و برنامه ریزی برای درمان سرطان به روش رادیوتراپی را با استفاده از داده های مربوط به بیماران قبلی، ارتقا دهد.

در واقع این شرکت، پلتفرمی به نام Oncora Analytic دارد که برای پردازش اطلاعات مربوط به صدها هزار بیمار سرطانی تحت درمان رادیوتراپی استفاده می شود. این اطلاعات شامل تصاویر و نتایج آزمایشهای دیگر مربوطه است. Oncora Medical، تکنیک های یادگیری ماشین را بر روی این داده ها پیاده میکند. نتیجه ی این پردازش ها، به دست آمدن دید بالینی مناسب و کلی است به طوریکه انکولوژیست ها را قادر می سازد تا اثرات جانبی و میزان موفقیت یا شکست روش درمانی – بسته به ویژگی های هر بیمار- را پیش بینی کنند و بنابراین بهترین روش را برای درمان به کار بگیرند.

داده هایی که درOncora Analytics دسته بندی می شوند، همچنین می توانند برای طرح سوال یک مطالعه ی بالینی جدید استفاده شوند.

شرکت Oncora درسال ۲۰۱۴ در فیلادلفیا تاسیس شد. این شرکت تا کنون در ۵ مرحله جذب سرمایه انجام داده و ارزش کلی آن به ۵/۶ میلیون دلار رسیده است. تعداد سرمایه گذاران آن ۸ و تعداد کارمندان آن زیر ۵۰ نفر است. ^[۱۳]

Babylon Health

شرکت Babylon Health با هدف قابل دسترس کردن خدمات درمانی برای همۀ ساکنان کرۀ زمین در سال ۲۰۱۳ توسط علی پارسا دوست تاسیس شد. این شرکت، یک پلتفرم هوش مصنوعی را با خدمات مجازی درمانی برای بیماران ترکیب می کند. بیماران می توانند از طریق اپلیکیشن های موبایل و سایت شرکت، به پزشکان متخصص متصل شوند.

اجرای مدل کسب و کار این شرکت در سال ۲۰۱۳ در انگلیس آغاز شد و پس از آن طولی نکشید تا به کشور های کانادا، رواندا، عربستان سعودی و آمریکا برسد. آن ها همچنین خدمات خود را به کشور هایی مانند هنگ کنگ، کمبوجیه، هند، اندونزی، لائوس، فیلیپین، مالزی، سنگاپور، تایوان، تایلند و ویتنام ارائه می کنند. این شرکت به حدود ۲۰ میلیون بیمار در سراسر جهان خدمت رسانی و حدود ۵۰۰۰ نسخه در روز تجویز می کند.

کاربران برای استفاده از خدمات شرکت، می توانند سوالات یا تصاویر خود را به تیمی از متخصصان شرکت( پزشکان، پرستاران و درمانگران) ارسال کنند. یا در حالت دیگر، کاربر می توانند با پزشک مورد نظر خود تماس تصویری برقرار کند تا پاسخ سوالات خود را برای بیماری های شایع نظیر سرماخوردگی، گلودرد، آلرژی، تحریکات پوستی و … دریافت نماید. این خدمت، به کاربران اجازه می دهد تا نسخه های رسمی ارجاع به متخصص یا نسخه های حاوی دارو را با ایمیل دریافت کنند و مراحل بعدی درمان خود را جلو برند. در موقعیت هایی که معاینۀ فیزیکی مورد نیاز است، کاربران می توانند مکان های مشخصی را برای این کار رزرو کنند.

دفتر اصلی شرکتِ Babylon Health در لندن قرار دارد. این شرکت ۴ مرحله جذب سرمایه را تجربه کرده که مجموع سرمایه گذاریِ ۱/۶۳۱ میلیون دلار را برای آن رقم زده است. Babylon Health حدود ۱۵۰۰ کارمند دارد. ^{[۱۴، ۱۵]}

بخش مراقبت

Propeller

Propeller ، یک شرکت بهداشتی و درمان شناسی دیجیتال است که توسعه و تجاری سازی محصولات آسم وCOPD را انجام می دهد و به این افراد کمک می‌کنند تا شرایط خود را با مشارکت با تامین‌کننده ی خدمات درمانی خود اداره کنند. این شرکت در سال ۲۰۱۰ تاسیس شده مقر آن در مدیسون، ویسکانسین قرار دارد.

Propeller Health یک پلتفرم تلفن همراه است که سنسورها، برنامه‌های تلفن همراه، تجزیه و تحلیل و خدمات برای پشتیبانی از مدیریت سلامت تنفسی را ارائه می‌دهد. این شرکت توانسته مراقبت شخصی افراد مبتلا به آسم و COPD را با تکنولوژی حسگر بهبود دهد.این حسگر به اسپری تنفسی متصل می‌شود؛ رادیو بلوتوث، داده‌های به دست آمده (اطلاعات حاوی تعداد و زمان استفاده از اسپری) را به گوشی هوشمند انتقال می‌دهد.

پس از آن app تلفن همراه می‌تواند داده‌های مربوط به سنسور را آنالیز کند. به کمک آنالیز، شرایطی که فرد از اسپری تنفسی بیشتری می کند، درک شده و در شرایط مشابه در آینده، به بیمار یادآوری می کند که از اسپری تنفسی خود استفاده کند. App همچنین به پزشکان نیز اعلام می کند که چه زمانی فرد از اسپری تنفسی بیشتر استفاده می کند تا اطلاعات درمانی دقیق تر مستند شود. هدف نهایی کاهش هزینه‌ها و بهبود مراقبت از بیماران است.
این سیستم به سرعت دیتا ارائه داده و می‌تواند آسم کنترل‌نشده را کاهش دهد و شرایط بیماران را بهبود بخشد و گفته شده که در مطالعات کلینیکی آن ها، آسم کنترل‌نشده بیماران پس از استفاده از این سیستم به مدت سه ماه به میزان ۵۰ درصد کاهش‌یافته است. تقریباً سه چهارم بیماران در این آزمایش‌ها سطح کنترل خود را در طول مدت مشابه بهبود دادند.

این سیستم، همچنین می‌تواند تاثیر زیادی برای پایبندی به دارو داشته باشد، چرا که شرکت‌های دارویی به دنبال راه‌هایی جدید برای کمک به بیماران برای ماندن در مسیر درمان هستند. در برنامه‌های اخیر، تا ۸۰ درصد بیماران مبتلا به آسم هنوز از سیستم Propeller ۳ تا ۶ ماه بعد از ثبت‌نام استفاده می‌کنند. این کمپانی در حال برنامه‌ریزی برای راه‌اندازی برنامه‌ای با عنوان ” a couple respiratory pharma companies” است و نسخه‌ای از سیستم خود را ارائه داد تا به ردیابی بیمار در درمان کمک کند.

در سال گذشته، شرکت برای تولید نسل بعدی سیستم خود که ۳۰ درصد کوچک‌تر از نسخه اصلی است و دارای عمر باتری ۱۸ ماهه بدون شارژ است، مجوز FDA را گرفت.این پلتفرم کاملاً تحت مالکیت ResMed است و توسط بیماران، ارائه کنندگان و سازمان‌های مراقبت‌های بهداشتی در ایالات‌متحده، اروپا و آسیا مورد استفاده قرار می‌گیرد.

Propeller۳۰ برنامه تجاری در آمریکا دارد و رقبای اصلی Propeller’s عبارتند از: CareTRx، Cohero Health و Thorasys.

این شرکت ۷ دوره تامین مالی به ارزش ۶۹/۹ میلیون دلار داشته که به ترتیب در سال های ۲۰۱۲،۲۰۱۳،۲۰۱۴،۲۰۱۶،۲۰۱۸ بوده است و دارای ۹ سرمایه گذار است.

درآمد این شرکت به ارزش ۷.۱ میلیون دلار بوده و ۱۰۸ کارمند دارد. ^{[۱۶، ۱۷]}

MedRhythms

به طور کلی، موسیقی قدرت دارد تا مغز انسان را فعال تر کند؛ از جمله، بخش هایی که مربوط به تحرک،‌ زبان، حافظه و احساسات هستند. شواهد بسیار قوی ای وجود دارد از این که مسیرهای پیام رسانی صدا در بخشی از مغز حضور دارند که مربوط به حرکت است. همچنین موسیقی می‌تواند باعث تقویت نوروپلاستیسیته(ایجاد ارتباط های جدید مغزی) شود؛ از این طریق موسیقی می‌تواند به کسانی که از نظر مغزی دچار مشکل شده اند، کمک کند تا تحرکشان تسهیل شود. Medrythms شرکتی است که با دانستن و سابقه اجرایی در همین محدوده، به بازیابی گسترده بیماران دچار بیماری مغزی می‌پردازد.

سیستم کلی کار شرکت، استفاده از تحریک ریتمیک شنوایی است تا با پیدا کردن ریتم های مناسب بهبود دهنده ی حرکت، سرعت حرکت فرد را افزایش دهد. برای مثال یکی از افرادی که از خدمات این مجموعه استفاده کرد، پس از گذراندن یک جلسه تمرین با تحریک ریتمیک شنوایی، توانست سرعت حرکت خود را از ۶۵ قدم در دقیقه با عصا، به ۱۲۰ قدم در دقیقه بدون عصا برساند.

تمام آنچه برای این بازیابی نیاز است، یک هندزفری، اپلیکیشن تلفن همراه و سنسور مخصوص است.

این شرکت در سال ۲۰۱۳ در شهر بوستون ایالت ماساچوست تاسیس شد و هم اکنون پس از ۸ سال سابقه کاری، بیش از ۳۰ میلیون دلار در دو مرحله، جذب سرمایه کرده است. شرکت Medrythms هم اکنون ۳۰ کارمند دارد. ^[۱۸]

تحقیقات

در حال حاضر، پردازش کلان داده در علوم پزشکی به گونه ای قدرت پیدا کرده است که می تواند در طراحی روش های درمانی جدید و همچنین فرایند های کشف دارو های نوآورانه به انسان کمک کند. برای مثال متخصصان این حوزه می توانند با بهینه کردن مخلوطی از داده های گذشته، حال و حتی پارامترهای قابل پیش بینی آینده، نقاط قوت و ضعف فرایند های درمانی مانند کارآزمایی های بالینی را بررسی کنند. علاوه بر آن، با استفاده از داده های ژنتیکی و ساختاری، تحلیل کلان داده امکان توسعۀ داروهای جدید را برای متخصصان فراهم می کند.

Atomwise

 

شرکت Atomwise، در کشف دارو براساس هوش مصنوعی، یک انقلاب بزرگ ایجاد کرد. Atomwise برای اولین بار از یادگیری عمیق برای کشف دارو ها براساس ساختار آنها استفاده کرد. در واقع، این شرکت تکنولوژی ای که قبلا برای تشخیص تصاویر استفاده می شد را این بار برای کمک به سلامت و کشف دارو به کار گرفت. در این روش مولکول های دارویی بهتر و سریع تر کشف می شوند و بعد در آزمایشگاه ها میزان کارایی آنها بررسی می شود.

۹۶٪ ژنوم انسان هنوز برای طراحی دارو بررسی نشده و از ۲۰ هزار پروتئینی که در بدن انسان ساخته میشوند، تنها کمی بیشتر از ۷۵۰ عدد هدفی برای داروهای مولکولی کوچک هستند که تاییدیه FDA هم دارند. برای ۴ هزار ژن، شواهد تجربی مبنی بر ارتباط آنها با بیماری های انسانی وجود دارد اما اطلاعات ساختاری کافی از آنها در دسترس نیست تا به روش سنتی برای طراحی دارو استفاده شوند. این ژنها و پروتئین های حاصل از آنها، با تکنولوژی AI این شرکت برای طراحی دارو بررسی می شوند.

به عنوان مثال، امکان ایجاد برهم کنش مناسب داروی طراحی شده و میزان تمایل آن برای اتصال به پروتئین هدف بررسی می شود و به این ترتیب صلاحیت دارو با َAI تا حدی مشخص می شود.تکنولوژی هوش مصنوعی و یادگیری ماشین این شرکت تا حدی است که حتی توانسته برای ژن هایی که اطلاعات ساختاری آنها در دسترس نیست یا خیلی کم است هم، دارو طراحی کند.تا الان درصد موفقیت کل پروژه های طراحی دارو این شرکت، ۷۴ بوده است و در مورد داروهایی که اطلاعات اولیه ساختاری آنها بسیار کم بوده یا اصلا در دسترس نبوده، ۷۱٪ موفقیت آمیز بوده است.

این شرکت در سال ۲۰۱۲ در سان فرانسیسکو تاسیس شده است. ۲۲ سرمایه گذار دارد و با ۹ بار جذب سرمایه، اکنون به سرمایه ی ۶/۱۷۶ میلیون دلاری رسیده است. تعداد کارمندان آن در حدود ۲۰۰ نفر است. ^[۱۹]

Recursion

 

دانشمندانِ توانای بسیاری، زندگی خود را وقف کشف ناشناخته های حیات و علم زیست شناسی کرده اند؛ اما در حال حاضر مقدار بسیار ناچیزی از شگفتی های حیات آشکار شده است. کاهش پیچیدگی زیست شناسی به کمک علوم دیگر، به ما این فرصت را می دهد تا بتوانیم درمان های بهتر و موثرتری پیدا کنیم.

همگرایی نوآوری ها در حوزه های مختلف تکنولوژِی، فرصتی را ایجاد کرده است تا دانشمندان بتوانند درمان های موثرتری را کشف کنند. در همین راستا، شرکت Recursion در سال ۲۰۱۳ با هدف ایجاد پلتفرمی برای کشف دارو بر مبنای یادگیری ماشین تاسیس شد.

این شرکت با تلفیق الگوریتم های هوش مصنوعی، دانش زیست شناسی و شیمی، خودکارسازی و علم داده، سیستم عامل مخصوص به خود را برای کشف دارو های مختلف توسعه داده است. در Recursion، فرآیند کشف دارو برای بیماری هایی اجرا می شود که:

• عامل بیماری کاملا شناخته شده است.
• نیاز پاسخ داده نشده وجود داشته باشد، درمان تایید شده ای وجود نداشته باشد، یا داروهای تولید شده برای آن کارایی لازم را نداشته باشند.

داده های جمع آوری شده در حوزه های مختلف به کمک سیستم عامل این شرکت که Recursion OS نام دارد، پردازش شده و در نهایت خروجی آن که مسیر کل آزمایش های لازم است، می تواند توسط متخصصین به کار گرفته و اجرا شود. همچنین برخی خروجی های این سیستم عامل، قابلیت کنترل ربات های آزمایشگاهی متناسب با آزمایش طراحی شده را داراست.

دفتر Recursion در شهر Salt Lake ایالت یوتاه آمریکاست. این شرکت ۱۴ مرحله جذب سرمایه به ارزش کلی ۴/۴۶۵ میلیون دلار داشته است و حدود ۲۲۰ کارمند دارد. ^{[۲۰، ۲۱]}

DeepGenomics

 

Deep Genomics، یکی ازشرکت‌های بیوتکنولوژی و توسعه دارویی است که با هوش مصنوعی، به درک بهتر و ایجاد اهداف دارویی جدید کمک میکند و یک پلتفرم کشف و توسعه دارو است که در انتاریو کانادا مستقر است. این شرکت در سال ۲۰۱۴ تاسیس شده و یک شرکت خصوصی است.

برندان فری، موسس و مدیر عامل آن، می گوید: “مهندسی مجدد ژنوم انسان، مرز نهایی است و این کار به سیستم‌هایی نیاز دارد که بتوانند اطلاعات مربوط به ژنوم را پیش‌بینی کنند و بهترین فن‌آوری که ما برای پیش‌بینی داریم، هوش مصنوعی است. ما کشف کرده‌ایم که هر چه بیشتر جهان را از روش‌های ژنتیک با استفاده از هوش مصنوعی کشف کنیم، بیشتر به مناطق تاریک پی می‌بریم که تنها با توسعه تکنولوژی جدید می‌توان آن را روشن کرد.

Deep Genomics تکنولوژی ماشین لرنینگ را توسعه می‌دهد تا بفهمد که چگونه تنوع ژنتیکی منجر به بیماری‌ها می‌شود. این شرکت، یک سیستم محاسباتی یکپارچه را توسعه می‌دهد که می‌تواند یاد بگیرد، پیش‌بینی کند و تفسیر کند که چگونه تنوع ژنتیکی (جهش)، چه طبیعی و چه درمانی، فرایندهای سلولی حیاتی را تغییر می‌دهد. این شرکت پایگاه‌ داده SPIDEX را ارائه می‌دهد که مجموعه‌ای از تنوع ژنتیکی و اثرات پیش‌بینی‌شده آن‌ها بر splicing انسانی در کل ژنوم است. (این شرکت از بیش از۲۰ سیستم‌ یادگیری ماشین استفاده می‌کند که به دقت تست شده‌اند و بر روی داده‌ها کار کرده تا جهش‌های بیماری زا را برای جستجوی اهداف دارویی جدید پیدا کنند و گفت: ” ما سیستمی ساخته‌ایم که در عرض دو ساعت می‌تواند بیش از ۲۰۰،۰۰۰ جهش‌های بیماری زا بیمار را اسکن کند و به طور خودکار داروهای احتمالی آن را شناسایی کند.)

Deep Genomics، هم چنین داده‌های فاز ۱ / ۲ برای بیماری ویلسون (یک اختلال ژنتیکی مرگبار و بالقوه کشنده که توسط مس اضافی ذخیره‌شده در بافت‌های مختلف بدن مشخص می‌شود) را نیز جمع‌آوری می کند. سیستم نشان داد که یک جهش، یک آمینو اسید را در ATP7B تغییر میدهد(یک پروتئین اتصالی مس که در بیماران ویلسون وجود ندارد). اما همچنین پیش‌بینی کرد که این تغییر، نباید بر چگونگی عملکرد پروتئین تاثیر بگذارد.هوش مصنوعی، در نهایت کشف کرد که جهش، دستوری را در ژنوم به هم می‌ریزد که به سلول‌ها می‌گوید چگونه آن پروتئین را بسازند، و باعث می‌شود که آن اصلاً ساخته نشود.

این شرکت، در مجموع ۲۳۶.۷ میلیون دلار و در بیش از۶ دوره تامین بودجه کرده است. آخرین بخش تامین بودجه در سال ۲۰۲۱ به مبلغ ۱۸۰ میلیون دلار بوده است . سرمایه Genomics Deep توسط ۱۵ سرمایه‌گذار تامین می‌شود و درآمد حاصل از آن ۴ میلیون دلار است و در حال حاضر این شرکت ۶۷ کارمند دارد.

رقیب برتر Genomics’s، Atomwise است که توسط Abraham Heifets اداره می‌شود. ^{[۲۲، ۲۳]}

FlatIron

 

کمتر از ۵ درصد از بیماران سرطانی در کارآزمایی بالینی شرکت می‌کنند؛ این مطلب یعنی ۹۵ درصد داده های سرطانی ها، بدون استفاده تلف می‌شوند. درست کردن یک نورافکن بزرگ برای روشن کردن اطلاعات ۹۵ درصد باقیمانده، می‌تواند راه های درمانی جدیدی را ارائه کند و به کشف داروهای جدید کمک کند.

شرکت Flatiron، در سال ۲۰۱۲ در شهر نیویورک آمریکا تاسیس شد. ساز و کار این شرکت، جمع آوری داده های بیماران سرطانی از پرونده های سلامت و پردازش آن ها به مجموعه داده ی کاربردی جدید است. در نهایت این داده های پردازش شده، توسط شرکت های دارویی خریده می‌شود. داده های خریداری شده، کمک قابل توجهی به تصمیم گیری در مورد ادامه دادن کارآزمایی های بالینی قدیمی، شروع کارآزمایی بالینی جدید و … می‌کند.

برای مثال، پردازش داده بیماران پس از مدت ها نشان داد که دسپیرآمین(داروی ضد افسردگی) قابلیت درمان انواع شدیدی از سرطان ریه را دارد. بی‌شک پیدا کردن نتایج این چنینی، کمک بسیار بزرگی به درمان بهتر سرطان می‌کند.

شرکت بیش از ۲۵۰۰ کارمند شامل مهندس، اپیدمیولوژیست، محقق داده و … دارد. با بیش از ۲۸۰ مرکز سرطانی و ۲۰ توسعه دهنده درمانی سرطان در دنیا همکاری می‌کند و بخشی مستقل از شرکت Roche محسوب می‌شود.

تا کنون بیش از ۳۱۳ میلیون دلار در ۳ مرحله جذب سرمایه داشته و در سال ۲۰۱۸ به مبلغ ۲ میلیارد دلار توسط شرکت Roche خریداری شده است. ^{[۲۴، ۲۵، ۲۶، ۲۷]}

Turbine

 

شرکت Turbine در واقع با هدف بررسی و فهم بهتر سرطان های پیچیده تاسیس شد. استفاده از پلتفرم Stimulated Cell – پلتفرمی که پیشرفته ترین مدسل دیجیتال سلولی است-این شرکت باعث شد نیازهایی که قبلا با ابزار تجربی انکولوژی قابل پاسخ نبودند، اکنون تا حدی پاسخ داده شوند.

با استفاده از این پلتفرم، روش درمان مناسب برای سرطان پیش بینی می شود و طبق آمار خود شرکت، در ٪۷۰ سرطان ها درمان بیماری با موفقیت همراه بوده است. به طور دقیق تر، در تکنولوژی Stimulated Cell، درک جدیدی از فرایندهای زیستی سرطان به وجود می آید و همین اطلاعات جدید زیستی باعث میشود برای جمعیت هدف تعریف شده، ترکیب داروهای مناسب طراحی شود به طوری که مقاومت در برابر دارو نیز کاهش پیدا کند.

مراحلی که در پلتفرم شرکت اجرا می شود به صورتی است که سلول های سرطانی با توجه به ویژگی های سلولی-مولکولی شبیه سازی می شوند سپس تاثیر داروهای مورد آزمایش روی این مدل، بررسی می شود. اگر تاثیر دارو ثابت شد، دارو مراحل بعدی آزمایش (آزمایش تجربی) را طی میکند. بنابراین Stimulated Cell، امکان بررسی تعداد زیاد داروهای کاندید با صرف وقت و هزینه ی کمتر فراهم می کند.مراحل گفته شده، به صورت زیر خلاصه می شود:

Model Building-Cell Setup-Cell Colony-Stimulation-Translation-Validation

این شرکت در سال ۲۰۱۵ تاسیس شده و تا الان مجموع سرمایه گذاری ای که روی آن شده برابر با ۳/۱۰میلیون دلار است و بین ۵۱-۲۰۰ کارمند دارد. ^[۲۸]

AllStripes

 

ماموریت شرکت Allstripes یافتن درمان های جدید برای بیماری های نادر عنوان شده است. Alltripes توسط نانسی یو و اونو فابر در سال ۲۰۱۷ بنیانگذاری شد. نکته ی جالب توجه اینجاست که اونو فابر خود مبتلا به بیماری ژنتیکی نادری بود و از فرایند توسعۀ دارو برای بیماری اش احساس رضایت نداشت.

به عنوان اولین و تنها پلتفرمی که برای بیماری های نادر طراحی شده است، Allstripes به بیماران این امکان را می دهد که از خانه در کارآزمایی های بالینی همکاری کنند. این پلتفرم، با جمع آوری و پردازش اطلاعات پزشکی افراد شرکت کننده در مطالعات بالینی کمک می کند تا توسعۀ دارو سریع تر و بهتر انجام شود. این اطلاعات پردازش شده در نهایت به شرکت های داروسازی ارائه می شود؛ از جمله مراکزی که با Allstripes همکاری می کنند می توان به HemoShear Therapeutics, Inc و Orphan Disease Center at the University of Pennsylvania اشاره کرد. در واقع به کمک این پلتفرم می توان مطالعات بالینی موثرتر و با احتمال موفقیت بیشتر طراحی نمود.

دفتر این شرکت در سانفرانسیسکو آمریکاست. این شرکت ۵ مرحله جذب سرمایه به ارزش کلی ۱/۶۷ میلیون دلار داشته است. حدود ۱۰۰ نفر در allstripes کار می کنند. ^{[۲۹، ۳۰]}

Linguamatics

شرکت Linguamatics در سال ۲۰۰۱ در بوستون انگلستان با هدف استفاده از(NLP(Natural language processing، وارد حوزه سلامت دیجیتال شد.
(EHR(electronic health records ها، پتنت ها، مقاله های علمی و داده های مربوط به کارآزمایی بالینی حاوی مقدار بسیار زیادی داده ی بدون ساختار مشخص هستند. کاوش صحیح در میان این اطلاعات، منجر به طراحی بهینه تر کارآزمایی های بالینی جدید و جلوگیری از ایجاد کارآزمایی بالینی با دارو های تکراری می‌شود.

برای مثال فرض کنید داروی X پیش از این، توسط شرکت دیگری در مراحل بعدی کارآزمایی بالینی شکست خورده باشد؛ دانستن این مقوله به ما کمک می‌کند تا از تکرار اشتباه جلوگیری کنیم و به فکر بهینه تر بودن داروی طراحی شده باشیم. این کاوش میان داده های بدون ساختار مشخص، نیازمند ادراک کامپیوتری جملات مختلف و قدرت جستجوی بسیار بالاست؛ Linguamatics با ایجاد پلتفرمی که از فناوری یادگیری طبیعی زبان یا همان NLP استفاده می‌کند، توانسته است به این مهم دست پیدا کند.

نتایج استفاده از این پلتفرم چنان رضایت بخش بوده است که FDA و ۱۹ شرکت از ۲۰ شرکت برتر دارویی، از پلتفرم طراحی شده توسط این شرکت استفاده می‌کنند.

Linguamatics در ماه ژانویه سال ۲۰۱۹ توسط شرکت IQVIA خریداری شد. درآمد این شرکت سالانه چیزی در حدود ۱۶.۷ میلیون دلار در سال است و ۱۱۵ کارمند نیز در این مجموعه شاغل هستند. ^{[۳۱، ۳۲]}

موسسات وابسته

امروزه در اکثر مراکز درمانی داده های ارزشمند بسیاری تولید می شوند که هیچ طبقه بندی یا پردازش منظمی بر روی آن ها صورت نمی گیرد. برخی شرکت های حوزۀ کلان داده این فرصت را غنیمت شمرده اند و با جمع آوری این داده های پراکنده و پردازش های مختلف بر روی آن ها، توانسته اند خدمات متنوعی با هدف افزایش بهره وری مراکز درمانی و موسسات وابسته ارائه دهند.

به عنوان مثال در نتیجۀ این خدمات، مراکز درمانی می توانند از اتلاف منابع انسانی و یا فساد های مالی جلوگیری کنند و یا شرکت های بیمه می توانند خدمات بهینه تری را به بیماران ارائه نمایند. در ادامۀ این گزارش به معرفی برخی از شرکت های موفق این حوزه می پردازیم.

Aetion

 

شرکت Aetion با شرکت های دارویی، بیمارستان ها و سازمان های نظارتی کار میکند به طوریکه، یکی از شرکت های پیشرو در ارائه کردن( real-world evidence(RWE و آنالیز داده های واقعی مربوط به حوزه ی سلامت برای رسیدن به راه حل های بهتر است. محصول اصلی این شرکت Aetion Evidence Platform(AEP است. این پلتفرم، اطلاعات روزانه ی درمانی و مالی سیستم های مرتبط با حوزه ی سلامت را دریافت میکند و با تحلیل این داده ها، شواهد لازم را برای بررسی میزان تاثیر گذاری روش درمانی و … ارائه می کند.

در واقع این سیستم برای بهینه کردن فرایند های R&D، گرفتن تاییدیه یک محصول و تاثیر گذاری روش درمانی استفاده می شود. به کارگیری AEP در مسیر درمان، باعث میشود بیمار درمانی را دریافت کند که هم از نظر هزینه و هم از نظربالینی، موثرترین باشد.

در این پلتفرم، بیش از ۱۵۰۰ مفهوم بالینی تعریف شده که برای الگوریتم های مورد نیاز استفاده می شوند. همچنین امکان ذخیره کردن اطلاعات سابقه ی بیماری افراد و روش های درمانی استفاده شده برای آنها در این پلتفرم وجود دارد.

این شرکت در سال ۲۰۱۲ در نیویورک تاسیس شد و تا الان طی ۶ دور جذب سرمایه، سرمایه کل آن به ۶/۲۰۳ میلیون دلار رسیده است. Aetion دارای ۱۷ سرمایه گذار و ۱۸۵ کارمند است. ^[۳۳]

Digital Reasoning

 

شرکت آمریکایی Digitalreasoning با هدف توسعۀ یک پلتفرم رایانشِ شناختی*(توضیح در انتهای متن)، مبتنی بر هوش مصنوعی، برای کسب و کارها در سال ۲۰۰۰ تاسیس شد. این شرکت به سرویس های اطلاعاتی، موسسات مالی و سازمان های حوزۀ درمان در آمریکا خدمات رایانش شناختی ارائه می دهد.

در حوزۀ درمان، این شرکت فعالیت های خود را بر روی تشخیص سریع سرطان متمرکز کرده است. تیم تحقیقاتی Digitalreasoning معتقد است که می توان با یکپارچه کردن داده های بیمار، موارد بیماری را سریع تر پیدا کرد، درمان را موثرتر اجرا کرد و هزینه ها را کاهش داد. این سیستم باعث می شود که کاغذبازی های رایج کاهش یابند و تمرکز کادر درمان بر روی بیماران بیشتر شود.

روش کار بدین صورت است که ابتدا داده های پاتولوژی و رادیولوژی مربوط به تشخیص سرطان، توسط NLP طراحی شده توسط شرکت و همچنین تکنولوژی یادگیری ماشین خوانده و پردازش می شود. سپس نرم افزار، بهینه ترین مسیر را برای درمان بیمار طراحی می کند. طراحی این مسیر پویا، این اطمینان را به پزشکان می دهد که اطلاعات بیماران را بر اساس اولویت (پارامتر هایی مانند وخامت بیماری)، در زمان مناسب دریافت کنند. در نتیجۀ این عمل، پزشکان و پرستاران می توانند زمان بیشتری را برای بیماران خود صرف کنند.

این شرکت در فرانکلین آمریکا واقع شده است. Digitalreasoning ده مرحله جذب سرمایه به ارزش کلی ۱۳۴ میلیون دلار داشته است. تعداد کارمندان این شرکت حدود ۲۰۰ نفر است.

*رایانش شناختی (به انگلیسی: Cognitive computing) یا CC، تکنولوژی‌ای است که قصد دارد با استفاده از علوم شناختی و علوم رایانه، رفتار و تفکرات انسان را در یک مدل کامپیوتری شبیه‌سازی کند. رایانش شناختی متشکل از سیستم‌های خودآموزی است که با داده‌کاوی، بازشناخت الگوها و پردازش زبان‌های طبیعی، سعی بر آن دارند که مجموعهٔ رفتار انسان را تقلید کنند. هدف رایانش شناختی، تولید سیستم‌های کامپیوتری است که بدون کمک انسان قدرت تصیم‌گیری داشته باشند. ^{[۳۴، ۳۵]}

Cerner

 

Cerner در سال ۱۹۷۹ در شهر کانزاس تاسیس شد. کار اصلی شرکت، ایجاد یک سیستم پرونده سلامت الکترونیک(EHR) برای بیماران است. سیستم ایجاد شده، به پزشکان، مراکز تصویربرداری و بیمارستان ها اجازه می‌دهد تا سابقه ی بیماری فرد را در یک پرونده الکترونیک، به روزرسانی کنند تا این پرونده در تشخیص های آینده، به پزشک کمک کند. محصول اصلی سرنر، Cerner Millenium نام دارد که همان پلتفرم پرونده سلامت است.

هم اکنون در ایالات متحده، از هر ۱۰ بیمارستان ۹ تا از پرونده های اینترنتی استفاده می‌کنند که سرنر حدود ۲۴ درصد از سهم بازار را در دست دارد. پس از سرنر، Epic با ۲۲ درصد در جایگاه دوم قرار دارد. تا ماه ژوئیه ۲۰۱۸، ۲۷۰۰۰ مرکز درمانی در ۳۵ کشور دنیا، از سرنر استفاده می‌کردند.

سرنر، بیش از ۲۶ هزار کارمند در اختیار دارد و سهام آن، در بورس نیویورک معامله می‌شود. هم اکنون قیمت هر سهم این شرکت حدود ۸۰ دلار است. در سال ۲۰۱۱، حدودا ۲۰ دلار و در سال ۲۰۰۱، حدود ۵ دلار بوده است. ارزش کل بازار این شرکت حدود ۲۳.۶ میلیارد دلار و P/E شرکت، ۳۵.۰۲ است که در حدود میانگین P/E در بازار بورس NASDAQ قرار دارد. ^{[۳۶، ۳۷]}

بهینه سازی منابع انسانی

تحقیقات نشان می دهد که ازدحام و شلوغی در بخش اورژانس بیمارستان ها، اثرات منفی زیادی دارد. این اثرات شامل: افزایش خطای پزشکی، مدت زمان ماندن در بیمارستان، نرخ مرگ و میر بیماران و ضرر مالی بیمارستان و پزشک است.هرچند هنوز خیلی از بیمارستان ها نمی توانند میزان مراجعه ی روز بعد را پیش بینی کنند و برای آن آماده شوند، تعداد بیماران پذیرش شده ی هر روز، به دقت، قابل پیش بینی است. در ادامه، ابزار مناسب این کار، یعنی Patient Admission Prediction Tool (PAPT را معرفی میکنیم.

هدف، طراحی و اجرای برنامه ای است که تعداد بیماران هر روز یک بخش اورژانس را پیش بینی کند. به همین منظور، در ابتدای راه تحقیقات، ۲ بیمارستان با موقعیت های جغرافیایی مختلف، انتخاب و اطلاعات آن برای مدت ۵ سال، جمع آوری شد. اطلاعاتی که به پیش بینی کمک می کرد، عبارت بودند از: تاریخ و زمانی که بیماران قبلا پذیرش شده، بخش اورژانس را ترک میکنند( مشخص کردن زمانی که بیشترین تقاضا برای تخت بیمارستان وجود دارد)- زمان و روزی که بیمار به اورژانس مراجعه میکند( مشخص کردن بار کاری افراد اورژانس)- همچنین اطلاعات مربوط به افرادی که چندین بار در این زمان ۵ ساله به اورژانس مراجعه میکردند هم جمع آوری و بررسی شد.

برای مثال، زمانی که بیمار، اورژانس را ترک میکند در واقع نشان دهنده ی زمانی است که بیمار باید به بخش دیگری از بیمارستان منتقل شود و به نوعی، میزان تقاضای تخت و خدمات را مشخص میکند. با تحلیل آماری داده های هر دو بیمارستان، مشخص شد که بیشترین تقاضای تخت بیمارستان، مربوط به بعد از ظهر/ عصر است. یا به طور میانگین، بیماران بعد از ۱۱ ساعت از اورژانس به بخشهای دیگر بیمارستان منتقل می شوند. همچنین شلوغ ترین ساعت از نظر پذیرش بیمار، ۵ بعد از ظهر و خلوت ترین، ۸ صبح است. در روزهای هفته، آخر هفته ها و دوشنبه ها، شلوغ ترین روزها هستند.

با استفاده از اطلاعات به دست آمده و روش های پیش بینی آماری مثلا رگرسیون چندگانه و …، میزان بیماران مراجعه کننده به صورت یک فاصله ی اطمینان، پیش بینی می شود. در واقع در صفحه ی ورودی نرم افزار طراحی شده، می توان فاصله ی اطمینان مورد نظر را انتخاب کرد و با دقت خوبی، تعداد تخت های خالی لازم را پیش بینی کرد. به طور مشابه، از اطلاعات این پیش بینی ها می توان برای برنامه ریزی بهینه زمان عمل ها، مدیریت تخت ها و تعداد و شیفت کارکنان استفاده کرد. ^[۳۸]

نویسندگان:

محمدعلی شارعی^۱، مریم قضاوتی^۲، علی قیاسی^۳ و متینا میرزایی جدیدی^۴

(^{۳،۲،۱و۴} دانشجوی مرحلۀ اول دکتری پیوسته بیوتکنولوژی دانشگاه تهران)

منابع

 

[۱] https://www.mordorintelligence.com/industry-reports/big-data-healthcare

[۲] https://www.crunchbase.com/organization/harrislogic

[۳] https://www.forbes.com/sites/sap/2018/11/15/harrislogic-uses-technology-to-help-slow-rising-suicide-rates/?sh=361df8571572

[۴] https://www.wwt.com/case-study/health-agency-uses-big-data-opioid-abuse

[۵] https://towardsdatascience.com/suicide-prevention-insights-with-data-science-f33131a3c3d0

[۶] https://www.nbcnews.com/technolog/can-big-data-solve-mystery-suicide-6c10597091

[۷] https://www.marubeni.com/en/ad-videos/scope/enlitic/

[۸] https://www.crunchbase.com/organization/enlitic

[۹] https://www.crunchbase.com/organization/arterys

[۱۰] https://www.crunchbase.com/organization/icarbonx

[۱۱] https://en.wikipedia.org/wiki/ICarbonX

[۱۲] https://spectrum.ieee.org/how-ibm-watson-overpromised-and-underdelivered-on-ai-health-care

[۱۳] https://www.crunchbase.com/organization/oncora-medical

[۱۴] https://en.wikipedia.org/wiki/Babylon_Health

[۱۵] https://www.crunchbase.com/organization/babylon-health

[۱۶] https://www.crunchbase.com/organization/propellerhealth

[۱۷] https://www.fiercebiotech.com/special-report/propeller-health

[۱۸] https://www.crunchbase.com/organization/medrhythms

[۱۹] https://www.crunchbase.com/organization/atomwise

[۲۰] https://www.crunchbase.com/organization/recursion-pharmaceuticals

[۲۱] https://www.forbes.com/sites/leahrosenbaum/2020/09/09/recursion-pharmaceuticals-raises-239-million-and-partners-with-bayer-for-ai-drug-discovery/?sh=56f05ea42416

[۲۲] https://www.crunchbase.com/organization/deep-genomics

[۲۳] https://www.fiercebiotech.com/biotech/deep-genomics-reveals-its-program-first-ai-discovered-drug-candidate

[۲۴] https://digital.hbs.edu/platform-digit/submission/flatiron-health-solving-cancer-through-data-analytics/

[۲۵] https://www.datapine.com/blog/big-data-examples-in-healthcare/?utm_source=pocket-app&utm_medium=share

[۲۶] https://www.crunchbase.com/organization/flatiron-health

[۲۷] https://healthcareglobal.com/technology-and-ai-3/roche-acquires-flatiron-health-cool-dollar19bn

[۲۸] https://www.crunchbase.com/organization/turbine-2

[۲۹] https://www.businesswire.com/news/home/20210824005315/en/AllStripes-Announces-50-Million-Series-B-Financing-to-Advance-Global-Rare-Disease-Research

[۳۰] https://www.crunchbase.com/organization/rdmd

[۳۱] https://en.wikipedia.org/wiki/Linguamatics

[۳۲] https://growjo.com/company/Linguamatics

[۳۳] https://www.crunchbase.com/organization/aetion-2

[۳۴] https://en.wikipedia.org/wiki/Digital_Reasoning

[۳۵] https://www.crunchbase.com/organization/digital-reasoning-systems

[۳۶] https://searchhealthit.techtarget.com/definition/Cerner-Corp

[۳۷] https://www.nasdaq.com/market-activity/stocks/cern

[۳۸] https://healthmanagement.org/c/it/issuearticle/papt-patient-admissions-prediction-tool