隨著支持物聯(lián)網(wǎng)的設(shè)備的出現(xiàn)，醫(yī)療保健領(lǐng)域的遠(yuǎn)程監(jiān)護(hù)現(xiàn)已可用。幾乎所有大型健康保險提供商都有一個相關(guān)的病例管理部門，其中聘請臨床護(hù)士和醫(yī)生來審查成員(被保險人)所接受的護(hù)理。隨著技術(shù)的進(jìn)步，這些病例管理部門現(xiàn)在經(jīng)常使用聯(lián)網(wǎng)設(shè)備來幫助監(jiān)測患有慢性病的成員的健康狀況。例如，充血性心力衰竭(CHF)是常規(guī)的病例管理項目，臨床醫(yī)生通過記事本和相關(guān)的量表跟蹤成員的體重和癥狀，將補(bǔ)充信息輸入病例管理系統(tǒng)，并在出現(xiàn)體重增加等異常時發(fā)出警報。AI用于確定警報何時發(fā)出并幫助下一步采取最佳行動——例如，會員/患者是否應(yīng)該打電話給他們的醫(yī)生，病例管理的臨床醫(yī)生是否應(yīng)該給會員打電話，會員是否應(yīng)該去急診室等等。人工智能分析的物聯(lián)網(wǎng)測量和跟蹤提供對數(shù)據(jù)的即時評估，以便隨著時間的推移我們可以識別醫(yī)療事件/診斷疾病并預(yù)防未來的事件/疾病。

[[439415]]

物聯(lián)網(wǎng)與人工智能

物聯(lián)網(wǎng)應(yīng)用案例中的一個例子是，醫(yī)療付款人為高危妊娠安排連網(wǎng)的血壓監(jiān)測設(shè)備，這一前提是約7%的孕婦會發(fā)生妊娠高血壓，其中4-20%的嬰兒最終進(jìn)入新生兒重癥監(jiān)護(hù)病房(NICU)。與妊娠并發(fā)癥相關(guān)的醫(yī)療費用增加，包括妊娠高血壓及其相關(guān)疾病、先兆子癇和子癇，增加了醫(yī)療付款人監(jiān)控這些“高危”母親的需求。聯(lián)合醫(yī)療保健公司一個致力于管理孕產(chǎn)婦潛在風(fēng)險的團(tuán)隊的坊間數(shù)據(jù)報告表明，在這些聯(lián)網(wǎng)護(hù)理監(jiān)測項目中，設(shè)備使用和持續(xù)使用的患者約80-90%。產(chǎn)婦血壓讀數(shù)和任何異常情況都會告知管理醫(yī)生，以便他們能夠干預(yù)和管理病情(妊娠高血壓)，從而預(yù)防與該疾病相關(guān)的并發(fā)癥。

目前，在該項目中由人監(jiān)控物聯(lián)網(wǎng)生成的數(shù)據(jù)。提供者在此模型中進(jìn)行實際診斷并指定治療方案。在此類物聯(lián)網(wǎng)監(jiān)控的未來迭代中，AI將分析這些成員生成的物聯(lián)網(wǎng)數(shù)據(jù)。AI隨后可以診斷甚至預(yù)測妊娠高血壓、先兆子癇和子癇的發(fā)展，并通過AI指導(dǎo)的干預(yù)措施及時進(jìn)行最佳實踐治療或預(yù)防疾病。此外，我們可以監(jiān)測所有懷孕女性，而不僅僅是高危人群。AI可以利用物聯(lián)網(wǎng)生成的數(shù)據(jù)，并學(xué)會識別數(shù)據(jù)中哪些因素或趨勢表明未來有發(fā)生高血壓相關(guān)疾病的風(fēng)險，然后為整個孕婦群體提供疾病預(yù)防干預(yù)措施。在此項目中保持傳統(tǒng)的臨床嚴(yán)謹(jǐn)性意味著包括廣泛監(jiān)測對這一人群的好處將超過任何潛在風(fēng)險的評估，如假陽性結(jié)果和不必要的干預(yù)。但其中的問題和應(yīng)用的可能性仍有待確定和解決。

為了真正理解這種簡單的關(guān)聯(lián)監(jiān)測干預(yù)的重要性，我們必須對產(chǎn)婦健康空間有更多的了解。2000年至2014年間，美國孕產(chǎn)婦死亡率上升了26.6%。同樣，妊娠期高血壓疾病也從1993年的529例上升到2014年的912例[[2]]，醫(yī)療成本和利用項目(HCUP)估計，2012年美國與管理孕期高血壓/先兆子癇/子癇相關(guān)的短期成本為64億美元。在美國，作為孕期高血壓并發(fā)癥的早產(chǎn)相關(guān)的新生兒成本為每年262億美元。雖然妊娠高血壓及其相關(guān)疾病本身并不是導(dǎo)致母嬰健康惡化和醫(yī)療費用上升的原因，但它們是重要的因素。

有人會認(rèn)為，接受常規(guī)推薦產(chǎn)前護(hù)理的母親不會有問題。然而，估計多達(dá)三分之一的婦女會漏診妊娠高血壓。漏診是可能的。在懷孕的第三個孕期(三個月為一個孕期)，在這期間，她的醫(yī)生每周都會給她看病，她的血壓和其他生命體征都會得到檢測。檢測值收集發(fā)生在診所環(huán)境中。診所的環(huán)境并不能反映女性真實生活中的壓力源和情況。休息時血壓讀數(shù)降低，姿勢改變(從站立到坐姿，從坐姿到躺姿)，壓力降低。通常情況下女性在召回進(jìn)行血壓評估進(jìn)，需要靜坐15-20分鐘或更長時間。這種情況血壓讀數(shù)可能會虛低或“正常”。

隨著物聯(lián)網(wǎng)的出現(xiàn)，我們現(xiàn)在可以在現(xiàn)日常生活中實時監(jiān)測這些高?；颊撸蕴峁┘皶r的干預(yù)和治療。人工智能將通過持續(xù)分析和指導(dǎo)最佳實踐護(hù)理或管理的最佳下一步來增強(qiáng)這一過程，從而預(yù)防孕產(chǎn)婦/胎兒并發(fā)癥和控制疾病，并使女性保持在疾病管理階段，而不是發(fā)展為需要高風(fēng)險的并發(fā)癥以及昂貴的護(hù)理，例如剖腹產(chǎn)、住院治療等。與此相關(guān)的是不需要早產(chǎn)的嬰兒的成本節(jié)約和健康促進(jìn)以及與妊娠高血壓相關(guān)的NICU住院。

從醫(yī)療保健的角度來看，物聯(lián)網(wǎng)和人工智能支持的實時監(jiān)控和實時管理可確?；颊叩陌踩徒】?。人工智能解決方案可以使提供者能夠提供及時和最佳的護(hù)理，增加患者參與度，減少住院，減少住院時間，并防止再入院和急診科的使用。通過AI分析和與提供商的協(xié)作對連接的血壓讀數(shù)進(jìn)行簡單干預(yù)，可以創(chuàng)建個性化的醫(yī)療保健解決方案，為我們的醫(yī)療保健系統(tǒng)節(jié)省大量相關(guān)成本。

將同樣的方法應(yīng)用于不同年齡段的各類人群，會促進(jìn)更多人健康。例如，健身手環(huán)、血壓監(jiān)測器、心率監(jiān)測器、血糖儀和其他設(shè)備為患者提供個性化的建議，并從其提供者或臨床支持團(tuán)隊獲得近乎實時的管理。就我們之前討論的那個中年糖尿病女性而言，我們提到她已經(jīng)轉(zhuǎn)向了醫(yī)療保健連續(xù)體的更健康的一端。我們可以通過她的聯(lián)網(wǎng)設(shè)備繼續(xù)保持參與并了解患者的情況。如果她開始恢復(fù)體重，數(shù)據(jù)表明活動減少，血糖儀讀數(shù)通常會增加，人工智能會引導(dǎo)下一步采取最佳行動。這些可能包括通過保險公司通知她的臨床醫(yī)生或她的臨床支持團(tuán)隊，建議他們進(jìn)行干預(yù)以評估情況并對她的護(hù)理進(jìn)行微調(diào)，從而以實時方式直接響應(yīng)個人情況。

類似地，物聯(lián)網(wǎng)和人工智能可應(yīng)用于健康患者，以使他們在健康連續(xù)體模型中處于健康階段。設(shè)備可設(shè)置為報警或向患者、提供者和保險公司的臨床支持提供異常結(jié)果通知。通過這種方式，可以在問題惡化之前，根據(jù)個人的需要/擔(dān)憂進(jìn)行必要的干預(yù)。例如，如果一名健康患者出現(xiàn)血壓升高的常規(guī)趨勢，我們可以接觸該患者并確定是否有高血壓發(fā)生。在實際疾病(高血壓)發(fā)病之前，通過收集數(shù)據(jù)點、評估最佳治療途徑和監(jiān)測反應(yīng)，使用人工智能有可能優(yōu)化結(jié)果。

對于老年人來說，物聯(lián)網(wǎng)和人工智能正被用來幫助他們在孤獨環(huán)境中更健康、更長壽地生活。通過持續(xù)跟蹤他們在家中的健康狀況和安全風(fēng)險，如跌倒風(fēng)險，我們可以識別他們健康狀況中的任何干擾或變化，并提醒家庭成員、提供者和護(hù)理管理團(tuán)隊。已經(jīng)創(chuàng)建了幾個圍繞這種監(jiān)測與人工智能相結(jié)合的試點項目，初步結(jié)果顯示在家庭健康方面取得了成功。此外，當(dāng)發(fā)現(xiàn)異?；蚓瘓箜懫饡r，家庭護(hù)理臨床醫(yī)生被派往消費者家里，以評估出現(xiàn)的情況并對設(shè)備進(jìn)行調(diào)整。與臨床醫(yī)生攜手合作的技術(shù)前所未有的醫(yī)療保健形式。

我們從個體患者、提供者和保險公司的角度研究了人工智能和物聯(lián)網(wǎng)監(jiān)控以改善健康狀況。人工智能和監(jiān)測改善健康的另一個領(lǐng)域是對住院病人的自主監(jiān)測。住院是危險的。住院期間發(fā)生藥物不良反應(yīng)的風(fēng)險為5.5%，感染風(fēng)險為18%，發(fā)生潰瘍的風(fēng)險為3%。[[3]]不包括跌倒、受傷或醫(yī)源性事件(與醫(yī)院/醫(yī)療護(hù)理相關(guān)的受傷或傷害)的風(fēng)險?；颊咦≡簳r間越長，發(fā)生不良事件的風(fēng)險越大。據(jù)估計，每10名患者中就有1名出現(xiàn)不良事件。除此之外，人們認(rèn)為這些事件中有44%是可以預(yù)防的。這些事件中有7.4%導(dǎo)致死亡。

今天的公司使用與人工智能相結(jié)合的連接監(jiān)控。AI使用大量實時數(shù)據(jù)預(yù)測和推斷行為，以防止跌倒/受傷、檢測和預(yù)防感染、評估協(xié)議或流程失誤等，最終目標(biāo)是提高患者安全并消除與住院相關(guān)的死亡事故。

對于個體臨床醫(yī)生、保險公司、醫(yī)院系統(tǒng)，尤其是個體患者而言，人工智能與互聯(lián)設(shè)備和監(jiān)控相結(jié)合的發(fā)展導(dǎo)致我們對醫(yī)療保健未來的設(shè)想發(fā)生了巨大的范式轉(zhuǎn)變。我們不再只是盡我們所能，被動應(yīng)付“病人在哪里”。我們現(xiàn)在有能力從被動的醫(yī)療保健系統(tǒng)轉(zhuǎn)變?yōu)閷Ｗ⒌?、個性化的、主動的醫(yī)療保健模式。

健康決定因素和大數(shù)據(jù)

影響或決定健康的若干因素之間存在著復(fù)雜的關(guān)系。醫(yī)療、遺傳學(xué)、行為、社會經(jīng)濟(jì)環(huán)境、身體影響和環(huán)境都扮演著重要角色。了解這些健康決定因素中的一個或多個對個人健康結(jié)果的影響，或哪些決定因素相互影響，都是復(fù)雜的，需要更多的研究。

圖21說明了許多健康決定因素中的一些。人工智能提供了一個機(jī)會，讓人們了解每年每天都會出現(xiàn)飽和的巨大數(shù)據(jù)。

圖21決定健康的若干因素

隨著時間的推移收集的數(shù)據(jù)，一些是定量的，一些是定性的，來自三個領(lǐng)域的無數(shù)來源，即大數(shù)據(jù)。讓人們更健康的機(jī)會需要理解這場數(shù)據(jù)海嘯。

單純關(guān)注醫(yī)學(xué)測試結(jié)果而不是健康的許多決定因素限制了我們?yōu)閭€人獲得最佳健康的能力。只有通過人工智能，我們才能看到模式并找到因果路徑，以了解哪些決定因素相互影響，以及它們對健康結(jié)果的影響。