循网移动 | 购买点卡 | 卡密充值
网站颜色:
《诊所营销》2019版旨在解决以下两个问题:如何遏制诊所医生..
针对2019年诊所药品营销存在的问题,诊所营销3.0提出实战解决..
三七透骨黄酊【主要成份】透骨草、鸭跖草、生姜、红花、鸡血..
循环器械

医疗或被彻底改变 达沃斯经济论坛聚焦10大新技术
2019-01-07 13:38:11 来源: 作者: 【 】 浏览:27次 评论:0
简述:达沃斯世界经济论坛(World Economic Forum)发布了2018十大新兴技术报告:增强现实、个性化医疗、人工智能分子设计、数字助手、可植入细胞药物、实验室培育肉、电子疗法、基因驱动、等离子体材料和量子计算机算法。动脉网发现,其中大多数都与医疗相关,或者在医疗..
责任编辑:ganying


达沃斯世界经济论坛(World Economic Forum)发布了2018十大新兴技术报告:增强现实、个性化医疗、人工智能分子设计、数字助手、可植入细胞药物、实验室培育肉、电子疗法、基因驱动、等离子体材料和量子计算机算法。

动脉网发现,其中大多数都与医疗相关,或者在医疗领域有巨大的应用潜力。

动脉网翻译了相关报告,对于一系列医疗相关问题——比如机器学习算法如何帮助研发新药、可植入细胞药物如何改变长期病症的治疗方法、电子疗法如何减少药物依赖、光控纳米颗粒如何用于治疗癌症,这篇文章将会给出答案。

1.增强现实:形成患者皮下组织的三维图像

虚拟现实(VR)让人沉浸在一个单独的虚构世界中。相比之下,增强现实(AR)则是将计算机生成的信息实时叠加在现实世界上。

当你看着或戴着装备有增强现实软件和摄像头的设备时——无论是智能手机、平板电脑、耳机或智能眼镜——相关程序会分析输入的视频流,下载大量关于场景的信息,并叠加相关数据、图像或动画,这些通常都是在三维空间中完成。

比如:帮助安全倒车的显示器以及热门游戏《精灵宝可梦GO》。许多消费者应用程序——包括为外国游客翻译路牌的应用程序,能够让学生解剖虚拟青蛙,让购物者在把椅子带回家之前,先看看它在客厅里的样子——这其中也涉及VR技术。

未来,通过这项技术,参观博物馆的人能够想象出模拟全息图的博物馆导图,外科医生能够在三维场景中可视化患者的皮下组织,建筑师和设计师能够通过一种新颖的方式展开合作,无人机操作员能够通过增强图像控制远程机器人,新手能够快速学习从医药研发到工厂维护等任务。

未来几年,用于设计应用程序的软件应该更多地考虑消费者产品。不过,目前AR作为第四次工业革命或工业4.0的一个重要组成部分,在这一领域的影响很大:通过物理和数字系统的结合,实现制造业的系统转型,从而提高质量和效率并降低成本。

例如,许多公司正在其生产线上进行测试。AR可以在需要的时候提供正确的信息(例如工人对于零件的选择),从而降低错误率,提高效率和生产力。它还能够可视化设备中出现的问题,并创建问题所在的实时图像。

ABI Research、IDC和Digi- Capital等企业的市场分析师认为,AR正处于走向主流的风口浪尖。他们预计到2020年,AR市场的价值(目前约为15亿美元)将增长至1000亿美元。

包括苹果、谷歌和微软在内的主要科技公司都将投入大量财力和人力资源,用于研发AR和VR产品以及相关应用程序。

2017年,AR和VR领域的投资额达到了30亿美元,仅第四季度就占其中的一半。哈佛商业评论强调,“增强现实”是一项革命性技术,将对所有的行业产生重大影响。

然而,硬件和通信带宽的限制给消费者的日常使用带来了障碍。例如,许多现有的博物馆和旅行应用程序必须提前下载,才能通过AR来增强体验。此外,图像的质量也可能达不到用户的要求。

然而,随着价格更便宜、速度更快的AR移动芯片出现,更多的多功能智能眼镜进入市场,以及带宽的增加,这一领域将得到快速发展。然后,通过互联网和实时通讯,AR将会成为我们日常生活中的一部分。

2.个性化医疗:先进的诊断工具检测并量化多种疾病症状

在20世纪时,所有患乳腺癌的女性都接受相同的治疗。但现在,治疗变得更加个性化:乳腺癌被分为不同的亚型,并进行相应的治疗。例如,针对肿瘤导致雌激素受体表达异常的情况,患者可以服用专门针对这些受体的药物,并接受标准的术后化疗。2018年,研究人员向更加个性化的治疗又迈进了一步。他们发现,有相当一部分患者的肿瘤具有某种特征,这表明他们可以安全地放弃化疗,并避免严重的副作用。

诊断工具的进步加速了许多疾病个性化或精确治疗的发展。这些技术可以帮助医生检测和量化多种生物标志物(标志疾病存在的信号分子),根据患者对疾病的易感性,以及对特定治疗可能会出现的反应,将他们分成不同的亚组。

早期的分子诊断工具只着眼于单个分子。比如,糖尿病只注重对葡萄糖的检测。然而,在过去十年里,“组学”技术不断发展,帮助研究人员快速、可靠地进行全基因组测序,或者测量体液或组织样本中所有蛋白质(蛋白质组)、代谢副产物(代谢组)或微生物(微生物组)的含量。该技术的常规应用能够产生大量数据集,人工智能可以挖掘这些数据集,以发现对临床有用的新的生物标志物。

高通量组学技术与人工智能的结合,正在引领一个先进诊断技术的新时代,这将改变人们对许多疾病的理解和治疗,使医生能够根据患者的分子特征定制治疗方法。

一些先进的诊断技术已经应用于癌症。一种叫做Oncotype DX的技术可以检测21种基因,帮助许多患有乳腺癌的女性避免化疗。另一种被称为“FoundationOne CDx”的技术,可以检测出实体瘤中300多种基因突变,并指出对患者可能有用的特定的基因靶向药物。

除了癌症,一些技术还应用于子宫内膜异位症,这是子宫内膜不在其正常部位的一种女性常见妇科疾病,通常需要进行手术才能诊断。DotLabs的一项无创唾液检测可以通过测量一组名为microRNAs的小分子来识别子宫内膜异位症。

此外,血液检测也可以帮助识别大脑紊乱,例如自闭症、帕金森综合症和阿尔茨海默症。目前这些疾病的诊断都是通过临床医生对症状的主观评估。研究人员也在探索是否能够通过全基因组的测序,分析微生物群落,测量健康人体内数百种蛋白质和代谢物的水平,对预防疾病提供个性化的指导。

需要注意的是,使用这些诊断工具的医疗机构和研究人员必须严格保护患者隐私。此外,对于生物标志物作为诊断工具,还需要明确的管理规定和标准,以帮助新的生物标志物进入临床阶段。

尽管如此,先进的诊断技术已经开始挑战疾病诊疗的标准方法。通过引导患者采用最有效的治疗方法,相关机构和人员可以减少医疗支出。未来,我们也许会拥有一个生物标记数据的云档案。随着时间的推移,这些数据将累积起来,随时随地告知患者和医生治疗情况。

3.人工智能分子设计: 机器学习算法帮助制药行业快速识别和开发新药

如果想要设计一种新的太阳能材料、抗癌药物或者阻止作物感染病毒的化合物,首先必须应对两个挑战:找到有关物质正确的化学结构;并确定哪些化学反应会把正确的原子连接成所需的分子或分子组合。

一般来说,解决以上问题靠的是复杂的猜测和意外的发现。然而整个过程非常耗时,可能会有许多失败的尝试。例如,一个综合计划有数百个单独的步骤,其中许多步骤会产生不想要的副反应或副产品,或者根本不起作用。

然而,利用人工智能(AI)可以提高设计和合成的效率,使整个过程更快、更容易、更经济,同时减少化学废物。

在人工智能中,机器学习算法可以分析所有的已知实验,这些实验试图发现和合成相关的有效物质,但都以失败告终。基于所识别的模式,这些算法可以预测潜在新分子的结构以及合成方法。然而,单一的机器学习工具不可能完成所有的工作,但是人工智能技术正在加速药物分子和材料的设计。

例如,德国明斯特大学的研究人员开发了一种AI工具,可以反复模拟1240万个已知的单步化学反应,并形成一个多步合成路线——比人类进行这一工作快30倍。

在制药领域,基于人工智能的生成机器学习技术也得到了快速发展。大多数制药公司对上百万的化合物进行筛选,发掘其作为新药的潜力。

但是,即使有机器人技术和实验室自动化工具,这种筛选过程也是非常缓慢的,而且产生的结果也相对较少,只包含1030个理论上可能的分子中的一小部分。通过学习已知药物(和候选药物)的化学结构及其特性的数据集,机器学习工具可以构建相似且更实用、更具特性的新化合物的虚拟数据库,帮助药物先导物的识别。

近100家初创企业通过人工智能来研发药物,包括Insilico Medicine、 Kebotix 和BenevolentAI。其中,BenevolentAI已经筹集了1.15亿美元,计划将其人工智能技术应用于运动神经元疾病、帕金森综合症和其他疾病的药物研发——从新分子的发现到临床试验的设计和分析,旨在证明药物的安全性和有效性。

在材料领域,Citrine Informatics等企业正在采用与制药公司类似的方法,并与BASF 和 Panasonic等大公司合作,以加速创新。美国政府也在支持人工智能设计的研究,自2011年以来,它已在材料基因组计划(Materials Genome Initiative)上投资超过2.5亿美元,用于建设包括人工智能和其他计算方法在内的基础设施,以加速先进材料的开发。

过去的经验告诉我们,新材料和化学物可能对健康和安全造成不可预见的风险。幸运的是,人工智能方法能够预测并减少这些不良结果。这些技术似乎可以显著提高新分子和新材料的研发速度和效率,并帮助将其推向市场,改善医疗和农业、加强资源保护以及可再生能源的生产和储存。

4.数字助手:帮助医生找到与复杂医疗案例相关的研究

如今,Siri、Alexa等智能助手使用复杂的语音识别软件来响应用户的要求,并生成自然的语音,针对具体问题提供相关信息。这些系统首先必须经过“训练”——接收人类可能发出的大量请求——研究人员必须设计合适的答案并组织成高度结构化的数据格式。

这项工作非常耗时,而且会导致数字助手在执行任务时受到限制。这些系统可以“学习”——它们的机器学习能力使它们能够改进输入问题与现有答案之间的匹配——但其范围是有限的。即便如此,这一技术仍然产生了重大影响。


Tags:
责任编辑:ganying
您看到此篇文章时的感受是:
】【打印繁体】【投稿】 【收藏】 【推荐】 【举报】 【评论】 【关闭】【返回顶部

1、凡标注“原创” 的所有作品,版权均属于县域医疗卫生市场研究中心,未经本网授权,任何单位及个人不得转载、摘编或以其它方式使用上述作品。已经本网授权使用作品的,应在授权范围内使用,并注明“县域医疗卫生市场研究中心”。违反上述声明者,本网将追究其相关法律责任。

2、凡本网注明 “来源:XXX” 的作品,均转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请在30日内进行。 iyuanru@126.com

我来说两句
帐  号: 密码: (新用户注册)
验 证 码:
表 情:
内  容:

关注《诊连盟》
听诊所运营免费课程

《诊所营销》2018出版版本(包邮)

139

3748人已购买       我要买