人工智能与医疗行业——高盛报告:人工智能、机器学习和数据……(五)-经管之家官网!

人大经济论坛-经管之家 收藏本站
您当前的位置> 考研考博>>

考研

>>

人工智能与医疗行业——高盛报告:人工智能、机器学习和数据……(五)

人工智能与医疗行业——高盛报告:人工智能、机器学习和数据……(五)

发布:Studio-R | 分类:考研

关于本站

人大经济论坛-经管之家:分享大学、考研、论文、会计、留学、数据、经济学、金融学、管理学、统计学、博弈论、统计年鉴、行业分析包括等相关资源。
经管之家是国内活跃的在线教育咨询平台!

经管之家新媒体交易平台

提供"微信号、微博、抖音、快手、头条、小红书、百家号、企鹅号、UC号、一点资讯"等虚拟账号交易,真正实现买卖双方的共赢。【请点击这里访问】

提供微信号、微博、抖音、快手、头条、小红书、百家号、企鹅号、UC号、一点资讯等虚拟账号交易,真正实现买卖双方的共赢。【请点击这里访问】

医疗保健到2025年每年节约成本540亿美元机器学习在医疗保健领域具有广泛的应用,如丰富的,定义明确的数据集应用,随时间的监测的需要以及结果的广泛的可变性,为药物发现,测试分析,治疗优化和患者监测服务。随着机 ...
扫码加入金融交流群


医疗保健
到2025年每年节约成本540亿美元
机器学习在医疗保健领域具有广泛的应用,如丰富的,定义明确的数据集应用,随时间的监测的需要以及结果的广泛的可变性,为药物发现,测试分析, 治疗优化和患者监测服务。 随着机器学习和人工智能的整合,有机会显著推动药物发现和开发过程,每年减少260亿美元的成本,同时使得全球医疗信息价值超过280亿美元。
什么是机会?
药物发现和开发。通过在整个开发过程中结合机器学习过程而产生的潜在效率增益不仅可以加快时间范围,还可以通过增加到达后期试验的药物的成功概率(POS)来提高研发支出的回报。Medicxi Ventures的合伙人David Grainger认为,避免假阳性发现率,根据他的一个主要的统计驱动现象,可以将后期试验的风险降低一半。此外,在早期药物发现中称为高通量筛选的当前虚拟筛选方法非常容易受到这种类型的统计误差的影响。减少昂贵的第三阶段试验的风险可以产生数十亿的储蓄,并影响超过900亿美元的研发支出在最大的制药公司的回报,释放资源以寻找更好的潜在机会。
虽然与晚期试验相关的大量成本经常集中在临床试验设计元素中,但我们相信在整个人工智能/机器学习实施的后期阶段也可以实现显著的效率增益,以优化关于选择标准,大小和研究长度的决策。
医生/医院效率。部分由于监管和分割的驱动,美国的医疗保健系统历史上一直在采用新技术较为缓慢。除了系统的挑战,新发现与医生和诊所提供新药物或治疗方法之间的时间往往较长,且不一致。
根据透明度市场研究公司的数据,到2023年,全球市场预计将达到约300亿美元,其中美国政府作为“美国复苏和再投资法案”的一部分,最近的授权推动了电子健康记录。独立医院的长期衰落创造了一个数据聚合的机会,利用在历史上不可能达到的规模的数据改进。 这反过来使得机器学习算法和人工智能能力提高在医疗保健的各个领域的速度,成本和准确性。
图45:供应商整合
社区医院卫生系统

图46:电子健康记录市场全球扩张

谷歌的DeepMind部门总部设在伦敦,正在与英国国家卫生服务(NHS)合作,建立一个旨在监测肾脏疾病患者的应用程序,以及一个以前被称为“患者救援”的平台,旨在支持诊断决策。任何人工智能/机器学习系统的关键输入是大量的数据,因此DeepMind和NHS达成了一个数据共享协议,为DeepMind提供了连续的新数据流和历史记录,用于训练算法。这种对临床数据的实时分析只有在大量数据的情况下才可能实现,尽管DeepMind提供的有效无限访问患者数据远远超出了肾脏疾病范围。
什么是难点?
药物发现和开发。医疗保健中的一个重要的难点是药物发现和开发的时间和成本。根据塔夫茨药物开发研究中心的数据,新疗法平均需要大约97个月才能从发现到达到FDA的批准。虽然专注可以减少时间,但是成本也继续稳步增长。德勤发现,在12家大型制药公司中,开发批准资产的成本自2010年以来增长了33%,每年约为16亿美元。
研发回报。生物制药的研发生产力仍然是一个争论不休的话题。虽然开发成功药物的成本增加了,由于报销的不利因素,较少的患者和竞争,收入依旧无法被回报改善。虽然我们预计2010-2020年与2000-2010年的回报率会有所改善,但变化是微不足道的。此外,最重要的回报阻碍之一仍然是失败的资产,特别是到达后期阶段,我们估计年度成本超过400亿美元。
图47:20年和10年总回报率
总回报比率(累积收入除以GAAP研发支出)

医生/医院效率。当新的药物和治疗之间的批准,医生开始实现患者的需求时,独特的医疗挑战仍明显滞后。因此,许多在医疗保健领域工作的机器学习和人工智能专家继续鼓励主要提供商将现代机器学习工具集成到他们的工作流程中,这些工具可以充分利用了今天收集和发布的大量医疗数据。
存在机器学习和AI的机会,减少发现和应用之间的时间,还能优化治疗。例如,2009年北美放射学会对肝胆(肝,胆囊)放射学的研究发现,23%的第二意见是诊断要有变化,机器学习公司侧重于医学成像的问题有机会得到解决。此外,像Deep Genomics这样的公司,使用机器学习来识别基因组水平的疾病,提供更有针对性和有效的治疗。
图48:大型生物制药10年研发支出 VS FDA批准

目前的经营方式是什么?
目前的药物发现和开发业务是一个广泛的研究,测试和批准的过程,可持续10年以上。来自塔夫茨药物研究中心的上市时间分析报告,药物从第一阶段推进到FDA批准,平均需要96.8个月。新治疗的发现是一个独特的挑战,不仅是因为所需的时间长度,而且还因为各个发展阶段的POS低值。
药物发现最初开始于识别了目标。 一旦识别了目标,高通量筛选(HTS)通常用于“发现”。 高通量筛选(HTS)是由机器人进行的自动化的,昂贵的过程,机器人试图通过进行数百万次测试来确定这些“点击”,以查看哪些化合物显示出目标的潜力。然后,过渡到先导生成,其中它们被优化以找到先导化合物,然后在进行临床前药物开发之前对其进行更广泛的优化。 该整个过程可以在药物达到阶段1之前持续1-3年,在该段时间里仅具有20%的成功概率。
l 第一阶段:强调安全;健康志愿者(POS 20%)。
l 第二阶段:关注有效性;有某些疾病或条件的志愿者(POS 40%)
l 第三阶段:收集关于不同人群,剂量和组合的安全性和有效性的进一步信息。范围从几百到数千志愿者(POS 60%)。
图49:药物发现和研发时间线

人工智能和机器学习如何助力?
机器学习和人工智能在医疗保健行业中的优势和用例范围很广。不仅是由数据而非人类的理解或直觉驱动的决策,决策和预测能够考虑超出人类能力的因素。深度学习特别展示了独特的潜力,因为它可以利用在不同任务中学到的知识提高其他任务的绩效。
减少药物发现失败并增加POS。 大量资本投入造成巨大的机会成本,去探索被认为具有大约20%成功概率(POS)达到一期试验的治疗。因此,迄今人工智能/机器学习几乎完全在学术界应用,努力开发有效和准确的虚拟筛选方法,以取代昂贵和耗时的高通量筛选过程。
谷歌和斯坦福研究人员最近利用深度学习努力开发虚拟筛选技术,以取代或增加传统的高通量筛选(HTS)过程,并提高筛选的速度和成功率。通过应用深度学习,研究人员能够跨越多个目标多个实验,促进信息共享。
“我们的实验表明,深层神经网络优于所有其他方法…特别是,深层网络大大超越了现有的商业解决方案。在许目标上,它实现了接近完美的预测,这让它适合用于虚拟筛选装置。总之,深度学习提供了建立虚拟筛选作为药物设计管道中的标准步骤的机会。”(Massively Multitask Networks for Drug Discovery, 2015年2月6日)
默克在2012年主办了一项Kaggle挑战,旨在确定虚拟筛选的统计技术,并开始测试深度学习和人工智能的应用,特别是通过与公司Atomwise合作启动人工智能药物发现。Atomwise最近利用人工智能技术进行了培训,像化学家一样分析药物,以了解如何安全地将现有的药物重新用于治疗埃博拉病毒。该分析评估了7,000种现有药物,在不到一天的时间内进行。 根据公司的统计,以往这项分析需要花费数月或数年才能完成。
提高医生/医院效率。应用机器学习的早期成功已经让我们看到了诊断的改善(Enlitic,DeepMind健康),分析放射学结果(斑马医学视觉,Bay实验室),基因组医学(深基因组学),甚至使用人工智能治疗抑郁症,焦虑, 和PTSD(Ginger.io)。由于健康数据的数字化和数据聚合,健康数据变得更易于访问,人工智能/机器学习不仅可以减少与过程任务相关的成本,而且还可以通过历史上不同数据集通信改善算法。最终,人工智能/机器学习超出人类能力的考虑问题的能力使得供应商以更高的效率诊断和治疗。

麻省理工学院-哈佛大学Broad研究所:在基因组学和抗癌中使用AI/ML
麻省理工学院-哈佛大学Broad研究所,一个非营利的生物医学和基因组研究中心坐落在马萨诸塞州的剑桥,处于学术界和工业的交叉点。通过与哈佛和麻省理工学院的合作,该中心促进了跨不同领域的合作研究,旨在发布其研究结果或将其授权给生物技术或制药公司。 根据Broad Institute首席数据官,心脏病学家和Google Ventures合作伙伴Anthony Philippakis的说法,最终,该中心的目标是产生人们可以用来推进其科学议程的结果。
我们接下来强调以下几个关键要点:
机会,挑战。Broad研究所现在在其基因组研究的某些领域运行人机测试。到目前为止,匹配算法没有错误,并且还减少了一组人的工作量。然而,数据或结果可能涉及伦理或政治问题时人类依然需要参与。
虽然不缺少人工智能/机器学习用于挽救生命或发现生命的案例,但是根据Philippakis先生找到合适的商业模式来支持最终目标是主要的挑战。 目前,医生要求每天根据记住的事实和首字母缩略词来确定治疗路径,做出改变生命的决定,这是在临床护理中人工智能/机器学习的重要应用的一个领域。然而,因为偿还决策支持工具和激励开放这种人工智能/机器学习一体化所需的卫生数据还没有赶上,依然存在很大的障碍。
技术堆栈。Broad是Google Cloud的大用户,拥有大量的平台开放源代码,因为该研究所的团队旨在在Spark框架中构建内容。尽管这些技术仍然处于转型阶段,但是云供应商的发展很快,因为他们是唯一能够匹配增长水平的公司。此外,根据Philippakis先生的说法,许多云供应商正在为基因组学建立专门的团队,尽管进化仍然处于“ML-as-a-Service”产品的学习曲线的开始阶段。
数据,数据,数据。Broad研究所每月生成大约一个PB的数据,每8个月的倍增一次。因此,该研究所正在与像Cycle Computing这样的公司合作,以摆脱传统的数据处理方法。结构化数据带来了重要的后续机会,该研究所还推动其他数据和分析标准发展,如基因组分析工具包(GATK),提供了各种各样的工具,专注于变异发现和基因分型。
理想情况下,Broad的科学家将分析基因组数据与EHR(电子健康记录),以了解特定细胞系和癌症之间的关系,但是目前EHR世界中存在有限的激励机制无法开放和共享,因为大多数激励机制存在数据披露风险。也就是说,Philippakis先生看到Broad在未来的一个大多数开放的基因组数据的世界,而不像其他的旨在囤积数据。
图50:Broad研究所的基因组分析工具
专注于发现和基因分型

量化机会
药物发现失败的成本。我们通过实施机器学习和人工智能,在以下假设下分析将药物开发发现相关风险减半的影响:
l 核准资产的平均年度开发成本为16亿美元,包括与失败资产相关的成本(德勤)。
l 来自失败资产的300亿美元年度成本可以平均分配给分析队列报告的批准资产数量,或43(德勤)。
FDA在2015年报告了60个批准,这意味着,根据每个批准的资产失败成本(2015年约6.98亿美元),将近420亿美元分配给失败的资产。我们认为机器学习和人工智能可以将发展过程的风险减半,到2025年全球制药行业每年可节约260亿美元。
图51:人工智能和机器学习可以减少260亿美元的开发成本

加速从转向电子健康记录的收益增长。仅在美国,卫生信息技术人员今天的年度薪酬就约为70亿美元。由于人口老龄化和政府向数字化转型需要部分驱动,根据BLS,健康信息技术人员的工作前景预计将在2014-2024年间达到高于平均水平的增长,在所有其他职业中增长15%vs.增长7%。然而,考虑到自动化和替代通过软件在职业内的许多任务,我们认为机器学习和人工智能可能取代几乎所有这些工作。
健康信息技术人员根据BLS确保报销和研究的患者健康数据的质量的准确性,可访问性和安全性,同时利用技术来分析患者数据,以提高护理和控制成本。医疗行业中人工智能/机器学习的扩散可能会对这类职业产生严重影响,我们根据人均卫生支出和全球支出份额估计,人工智能/机器学习可以通过以下方式在2025年前减少全球年度成本超过280亿美元。
图52:人工智能和机器学习可能取代几乎所有卫生信息科技(HIT)的位置

谁会占下风?
我们相信机器学习和人工智能有潜力大幅度改变大药房景观和医疗系统更广泛,基于成本节约和POS改善,使得整个药物发现和开发以及提供者和设施的效率改进。我们期望,长期内,机器学习和人工智能技术的激增,增加药物开发中的竞争,因为时间缩短和失败资产的损失下降。
此外,效率提高和自动化可能会让医疗专业和公司占了下风,这些医疗专业和公司对解释结果和诊断与实际交付护理或执行手术(例如放射科医生,提供第二意见的专家,以及行政或支持人员)指数过多。我们认为,大多数的影响是长期的,因为许多技仍然处于早期开发阶段,并且早期采用者的成本相对于其他改进机制让人望而却步。
存在的挑战
虽然人工智能/机器学习在医疗保健领域的机会跨越了许多子行业,但仍然存在障碍。
l 成本。作为人工智能/机器学习的必要成本可能是令人望而却步的,特别是在医疗保健中,护理成本仍然是焦点。确保机器学习算法,利用好的数据的投资,需要大量资本和专门技术,单凭计算能力非常昂贵。
l 可解释性。组合多个数据集的算法可以产生一些黑盒。以前一直受到严格监管的医疗保健行业可能会推迟人工智能/机器学习应用的进步。
l 人才。障碍也可能来源于能够应用人工智能/机器学习和解释结果的人才集中。2013年,谷歌支付超过4亿美元收购DeepMind科技;根据新闻报道,一个团队大概有十几个成员。这种人才的合并以及由此产生的成本可能会令人望而却步。
l 数据。虽然政府规定美国电子记录数字化,但将纸密集型系统转变为完全电子化的过程仍然存在挑战。此外,虽然许多已经达到“有意义的使用”的标准,但是重要的患者数据的碎片化和可获得性的缺乏可获得性可能阻碍进展。


连载(共7篇)下一篇:

人工智能与零售、能源行业——高盛报告:人工智能、机器学习和数据……(六)
「经管之家」APP:经管人学习、答疑、交友,就上经管之家!
免流量费下载资料----在经管之家app可以下载论坛上的所有资源,并且不额外收取下载高峰期的论坛币。
涵盖所有经管领域的优秀内容----覆盖经济、管理、金融投资、计量统计、数据分析、国贸、财会等专业的学习宝库,各类资料应有尽有。
来自五湖四海的经管达人----已经有上千万的经管人来到这里,你可以找到任何学科方向、有共同话题的朋友。
经管之家(原人大经济论坛),跨越高校的围墙,带你走进经管知识的新世界。
扫描下方二维码下载并注册APP
本文关键词:

本文论坛网址:https://bbs.pinggu.org/thread-5918155-1-1.html

人气文章

1.凡人大经济论坛-经管之家转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
经管之家 人大经济论坛 大学 专业 手机版