不断上升的医疗成本已经成为全世界巨大的社会负担,有平均增长了四到五倍在过去的30年。美国一直最极端的情况8到9倍的增长率,转化为总医疗费用总额为3万亿美元,相当于2015年国内生产总值(gdp)的17.8%。
高昂的医疗成本的两个主要原因是,医疗服务的高价格,大量的诊断测试。作为一个很好的例子,在2006年的总数CT扫描在美国是6200万年,1980年到三百万年相比,增长了20倍在短短25年。
overutilisation的问题诊断测试确实是非凡的。30 - 50每分的诊断测试在美国被认为是不必要的根据不同的报道。有各种各样的原因,但底线是缺乏客观的指导这些新的诊断测试,由于医疗费支付系统和防御性医疗与医疗责任环境在美国,很自然的诊断测试往往overutilised。
政府政策,以2010年的患者保护与平价医疗法案,发挥重要的作用在塑造医疗支出。除了政策之外,一个潜在的解决方案来降低医疗成本是使用信息提供量化目标指导,所显示的美国国家科学院医学研究所。
生物标记验证节约医疗费用
基因组健康Oncotype Dx和Heartflow CT-FFR都是很好的例子已经成功地商业化的生物标志物,补偿由私人和公共保险引用大量的证据支持的有利结果从不同的前瞻性临床研究。
Oncotype Dx分子测试基于基因组分析,预测个体在早期乳腺癌患者化疗反应。因为历史上大约50%的患者早期乳腺癌患者接受辅助化疗中只有百分之二的人将会受益于治疗,有重大cost-inefficiency参与。研究表明Oncotype Dx的应用减少了大约60%的不必要的化疗。
Heartflow CT-FFR是唯一的基于图像的分析被广泛接受作为一种生物标志物在市场预测部分流动储备值通过分析冠状动脉CT血管造影图像基于计算流体动力学。稳定心绞痛患者,大约60%的患者接受侵入性冠状动脉造影来评估冠状动脉血管,只有少数人发现有显著的冠状动脉狭窄血管形成。根据不同的研究,Heartflow CT-FFR帮助避免不必要的侵入性血管造影在61%的病人。
AI-powered成像在放射生物标志物可以节省医疗费用
通过新开发的高性能水平AI-powered数据驱动的解决方案可以归因于深度学习技术的力量。Semi-supervised学习主要是应用中,只有一小部分的训练数据注释由专家指导培训过程,反过来让AI算法发现细微的图像特征和模式很难认可通过普通人类的视觉检测与目标相关的病变,解释和诊断。
Lunit,首尔一家初创公司,我们相信AI-powered成像生物标志物,准确评估并生成客观量化成像的特定任务,如乳腺癌的乳房x光检查评估,是一个可行的解决方案,大大降低医疗费用。Lunit的研究和开发工作涉及各种各样的图像模式,包括x射线胸透,乳房x光检查,胸部CT、数字乳房tomosynthesis,冠状动脉CT血管造影,以及数字病理的精度水平在民国AUC达到97 - 99,大大超过的专家级的准确性。
在美国每年有4000万乳房x光检查执行平均约10%为随后召回癌症检测率约为百分之五,假阳性率为95%。从这些不必要的回忆,可以估计,每年约40亿美元被浪费了。Lunit洞察力MMG Lunit乳房x光检查的产品,声称是98%准确(ROC AUC),根据信任的水平并最终由放射科医生,召回率预计将显著降低了50%以上。如果Lunit洞察力MMG每年应用于所有乳房x光检查,这可能会导致医疗费用节省超过20亿美元每年仅在美国。类似的估计所有产品目前正在开发的Lunit导致一个近似的超过200亿美元的医疗成本可能拯救每年Lunit的产品组合。
数字病理:一个新的有前途的前沿
绝大多数的研究在医学图像AI都集中在放射学图像,但是,最近的技术进步,使高通量扫描的病理学幻灯片,人工智能应用于数字病理图像近年来获得如此高的利息。
组织的数字化幻灯片标志着一个新时代的开始,当大量的新信息将在处置病理学家。尤其如此,因为病理幻灯片需要大量的数据,包括10 +数字化时高达40 x放大。历史病理学家,负责审查通过显微镜幻灯片,被迫简化的整体描述组织一致的描述,需要准确的传达和感知。即便如此,据报道病理学家之间的冲突率已经很高,从百分之四明显浸润性癌等癌症病例48%边际类似异型性。
通过AI-powered全面、一致和定量分析的数字病理幻灯片,诊断,预后和预测histomorphological特性没有先前的特征可能带来前所未有的临床价值。)幻灯片,历史仅仅用来检测存在的疾病(如癌症),和分类的基本类型的疾病(如腺癌和鳞状细胞癌),甚至可能被用来收集更多信息相关的治疗决策,如癌症病人是否会回应化疗与否,因此功能成像生物标志物。
事实上,histomorphological基于传统病理学特性和基于ai的分析都反映癌症的生物特性,和高度预测的生存。Lunit的初步研究表明之间的高度相关性(R > 0.7) AI-powered)幻灯片与核糖核酸测序数据的分析与肿瘤增殖相关的基因,这是预测化疗反应的最重要的因素。
都Lunit,许多公司都像PathAI新成立公司,佩奇。ai, Proscia和相对年长的图像分析籼稻实验室等公司,定义,和Visiopharm,一直活跃在自己的方式找到意味着开发临床上有用的数字病理AI-powered解决方案。
AI-powered成像生物标志物的未来是光明的
AI-powered成像生物标志物需要经过适当的验证通过临床研究之前,可以在临床上广泛应用。尽管如此,潜在的好处是很明显的:通过准确、有价值的信息一致,客观分析的图像可能很容易使用和应用更多的临床诊断和治疗决策。人工智能的数据驱动的本质是什么使它如此有效,但更引人注目的是其适用性在现成的数据,特别是成像数据,已经深深融入日常临床实践,让它本质上是合算的。
