Kecerdasan buatan diharapkan menjadi kekuatan transformasi di bidang perawatan kesehatan.Jadi, bagaimana dokter dan pasien mendapat manfaat dari dampak alat berbasis AI?
Industri perawatan kesehatan saat ini sangat matang dan dapat membuat beberapa perubahan besar.Dari penyakit kronis dan kanker hingga radiologi dan penilaian risiko, industri perawatan kesehatan tampaknya memiliki banyak peluang untuk menggunakan teknologi guna menerapkan intervensi yang lebih tepat, efisien, dan efektif dalam perawatan pasien.
Dengan perkembangan teknologi, pasien memiliki kebutuhan dokter yang semakin tinggi, dan jumlah data yang tersedia terus bertambah dengan kecepatan yang mengkhawatirkan.Kecerdasan buatan akan menjadi mesin untuk mempromosikan peningkatan berkelanjutan dalam perawatan medis.
Dibandingkan dengan analisis tradisional dan teknologi pengambilan keputusan klinis, kecerdasan buatan memiliki banyak keunggulan.Saat algoritme pembelajaran berinteraksi dengan data pelatihan, algoritme pembelajaran dapat menjadi lebih akurat, memungkinkan dokter memperoleh wawasan yang belum pernah ada sebelumnya tentang diagnosis, proses keperawatan, variabilitas pengobatan, dan hasil pasien.
Pada World Artificial Intelligence Medical Innovation Forum (WMIF) 2018 yang diadakan oleh Partners Healthcare, peneliti medis dan pakar klinis mengelaborasi teknologi dan bidang industri medis yang kemungkinan besar akan berdampak signifikan pada adopsi kecerdasan buatan di masa depan. dasawarsa.
Anne kiblanksi, MD, CO chair of wmif pada tahun 2018, dan Gregg Meyer, MD, chief academic officer dari Partners Healthcare, mengatakan bahwa "subversi" semacam ini yang dibawa ke setiap area industri berpotensi membawa manfaat yang signifikan bagi pasien dan berdampak luas. potensi keberhasilan bisnis.
Dengan bantuan para ahli dari partner kesehatan, termasuk Dr. Keith Dreyer, Profesor dari Harvard Medical School (HMS), chief data science officer dari partner, dan Dr. Katherine andreole, direktur strategi penelitian dan operasi di Rumah Sakit Umum Massachusetts (MGH) , mengusulkan 12 cara AI akan merevolusi layanan medis dan sains.
1. Menyatukan pemikiran dan mesin melalui antarmuka komputer otak
Menggunakan komputer untuk berkomunikasi bukanlah ide baru, tetapi menciptakan antarmuka langsung antara teknologi dan pemikiran manusia tanpa keyboard, mouse, dan layar adalah bidang penelitian terdepan, yang memiliki aplikasi penting bagi beberapa pasien.
Penyakit sistem saraf dan trauma dapat membuat beberapa pasien kehilangan kemampuan percakapan, gerakan, dan interaksi yang bermakna dengan orang lain dan lingkungannya.Antarmuka komputer otak (BCI) yang didukung oleh kecerdasan buatan dapat memulihkan pengalaman dasar tersebut bagi pasien yang khawatir akan kehilangan fungsi ini selamanya.
"Jika saya melihat seorang pasien di unit perawatan intensif neurologi yang tiba-tiba kehilangan kemampuan untuk bertindak atau berbicara, saya berharap dapat memulihkan kemampuannya untuk berkomunikasi keesokan harinya," kata Leigh Hochberg, MD, direktur pusat teknologi saraf dan rehabilitasi saraf di Rumah Sakit Umum Massachusetts (MGH).Dengan menggunakan brain computer interface (BCI) dan kecerdasan buatan, kita dapat mengaktifkan saraf yang berhubungan dengan gerakan tangan, dan kita harus dapat membuat pasien berkomunikasi dengan orang lain setidaknya lima kali selama seluruh aktivitas, seperti menggunakan teknologi komunikasi ubiquitous seperti seperti komputer tablet atau ponsel."
Antarmuka komputer otak dapat sangat meningkatkan kualitas hidup pasien dengan amyotrophic lateral sclerosis (ALS), stroke atau sindrom atresia, serta 500.000 pasien dengan cedera tulang belakang di seluruh dunia setiap tahun.
2. Kembangkan alat radiasi generasi berikutnya
Gambar radiasi yang diperoleh dengan pencitraan resonansi magnetik (MRI), pemindai CT, dan sinar-X memberikan visibilitas non-invasif ke bagian dalam tubuh manusia.Namun, banyak prosedur diagnostik yang masih mengandalkan sampel jaringan fisik yang diperoleh melalui biopsi, yang memiliki risiko infeksi.
Para ahli memperkirakan bahwa dalam beberapa kasus, kecerdasan buatan akan memungkinkan alat Radiologi generasi berikutnya menjadi akurat dan cukup detail untuk menggantikan permintaan sampel jaringan hidup.
Alexandra golby, MD, direktur bedah saraf yang dipandu gambar di Brigham women's Hospital (BWh), berkata, "kami ingin menyatukan tim pencitraan diagnostik dengan ahli bedah atau ahli radiologi intervensi dan ahli patologi, tetapi ini merupakan tantangan besar bagi tim yang berbeda untuk mencapai kerja sama dan konsistensi tujuan. Jika kami ingin radiologi memberikan informasi yang saat ini tersedia dari sampel jaringan, maka kami harus dapat mencapai standar yang sangat dekat untuk mengetahui fakta dasar dari setiap piksel yang diberikan. "
Sukses dalam proses ini memungkinkan dokter untuk lebih akurat memahami kinerja keseluruhan tumor, daripada membuat keputusan pengobatan berdasarkan sebagian kecil dari atribut tumor ganas.
AI juga dapat menentukan invasi kanker dengan lebih baik, dan lebih tepat menentukan target pengobatan.Selain itu, kecerdasan buatan membantu mewujudkan "biopsi virtual" dan mempromosikan inovasi di bidang Radiologi, yang berkomitmen untuk menggunakan algoritme berbasis gambar untuk mengkarakterisasi karakteristik fenotipik dan genetik tumor.
3. Perluas layanan medis di daerah tertinggal atau berkembang
Kurangnya penyedia layanan kesehatan terlatih di negara berkembang, termasuk teknisi ultrasound dan ahli radiologi, akan sangat mengurangi kemungkinan menggunakan layanan medis untuk menyelamatkan nyawa pasien.
Pertemuan tersebut menunjukkan bahwa ada lebih banyak ahli radiologi yang bekerja di enam rumah sakit di Boston dengan Longwood Avenue yang terkenal daripada di semua rumah sakit di Afrika Barat.
Kecerdasan buatan dapat membantu mengurangi dampak dari kekurangan kritis dokter dengan mengambil alih beberapa tanggung jawab diagnostik yang biasanya diberikan kepada manusia.
Misalnya, alat pencitraan AI dapat menggunakan rontgen dada untuk memeriksa gejala tuberkulosis, biasanya dengan akurasi yang sama dengan dokter.Fitur ini dapat digunakan melalui aplikasi untuk penyedia layanan di daerah miskin sumber daya, sehingga mengurangi kebutuhan akan ahli radiologi diagnostik yang berpengalaman.
"Teknologi ini memiliki potensi besar untuk meningkatkan layanan kesehatan," kata Dr. jayashree kalpathy Cramer, asisten ilmu saraf dan profesor Radiologi di Rumah Sakit Umum Massachusetts (MGH).
Namun, pengembang algoritme AI harus mempertimbangkan dengan hati-hati fakta bahwa orang dari berbagai negara atau wilayah mungkin memiliki faktor fisiologis dan lingkungan yang unik, yang dapat memengaruhi kinerja penyakit.
"Misalnya, populasi yang terkena penyakit di India mungkin sangat berbeda dengan di Amerika Serikat," katanya.Saat kami mengembangkan algoritme ini, sangat penting untuk memastikan bahwa data mewakili presentasi penyakit dan keragaman populasi.Kami tidak hanya dapat mengembangkan algoritme berdasarkan satu populasi, tetapi juga berharap dapat berperan dalam populasi lain."
4.Mengurangi beban penggunaan catatan kesehatan elektronik
Catatan kesehatan elektronik (nya) telah memainkan peran penting dalam perjalanan digital industri perawatan kesehatan, tetapi transformasi ini telah membawa banyak masalah terkait kelebihan beban kognitif, dokumen yang tidak ada habisnya, dan kelelahan pengguna.
Pengembang catatan kesehatan elektronik (nya) sekarang menggunakan kecerdasan buatan untuk membuat antarmuka yang lebih intuitif dan mengotomatiskan rutinitas yang menghabiskan banyak waktu pengguna.
Adam Landman, wakil presiden dan kepala petugas informasi kesehatan Brigham, mengatakan pengguna menghabiskan sebagian besar waktunya untuk tiga tugas: dokumentasi klinis, entri pesanan, dan menyortir kotak masuk mereka.Pengenalan ucapan dan dikte dapat membantu meningkatkan pemrosesan dokumen klinis, tetapi alat pemrosesan bahasa alami (NLP) mungkin tidak cukup.
“Saya pikir mungkin perlu lebih berani dan mempertimbangkan beberapa perubahan, seperti menggunakan rekaman video untuk perawatan klinis, seperti polisi yang memakai kamera,” kata Landman.Kecerdasan buatan dan pembelajaran mesin kemudian dapat digunakan untuk mengindeks video ini untuk pengambilan di masa mendatang.Sama seperti Siri dan Alexa, yang menggunakan asisten kecerdasan buatan di rumah, asisten virtual akan dibawa ke tempat tidur pasien di masa mendatang, memungkinkan dokter menggunakan kecerdasan tertanam untuk memasukkan perintah medis."
AI juga dapat membantu menangani permintaan rutin dari kotak masuk, seperti suplemen obat dan pemberitahuan hasil.Mungkin juga membantu untuk memprioritaskan tugas-tugas yang benar-benar membutuhkan perhatian dokter, sehingga memudahkan pasien untuk memproses daftar tugas mereka, tambah Landman.
5.Risiko resistensi antibiotik
Resistensi antibiotik adalah ancaman yang semakin besar bagi manusia, karena penggunaan obat-obatan kunci ini secara berlebihan dapat menyebabkan evolusi bakteri super yang tidak lagi merespons pengobatan.Bakteri yang resistan terhadap berbagai obat dapat menyebabkan kerusakan serius di lingkungan rumah sakit, membunuh puluhan ribu pasien setiap tahun.Clostridium difficile sendiri menelan biaya sekitar $5 miliar per tahun untuk sistem perawatan kesehatan AS dan menyebabkan lebih dari 30.000 kematian.
Data EHR membantu mengidentifikasi pola infeksi dan menyoroti risikonya sebelum pasien mulai menunjukkan gejala.Menggunakan alat pembelajaran mesin dan kecerdasan buatan untuk mendorong analisis ini dapat meningkatkan akurasinya dan membuat peringatan yang lebih cepat dan lebih akurat untuk penyedia layanan kesehatan.
“Alat kecerdasan buatan dapat memenuhi harapan untuk pengendalian infeksi dan resistensi antibiotik,” kata Dr. Erica Shenoy, wakil direktur pengendalian infeksi di Rumah Sakit Umum Massachusetts (MGH).Jika tidak, maka semua orang akan gagal.Karena rumah sakit memiliki banyak data EHR, jika mereka tidak memanfaatkannya sepenuhnya, jika mereka tidak menciptakan industri yang lebih pintar dan lebih cepat dalam desain uji klinis, dan jika mereka tidak menggunakan EHR yang membuat data ini, mereka akan menghadapi kegagalan."
6.Buat analisis yang lebih akurat untuk gambar patologis
Dr. Jeffrey golden, kepala departemen patologi di Brigham women's Hospital (BWh) dan profesor patologi di HMS, mengatakan bahwa ahli patologi menyediakan salah satu sumber data diagnostik terpenting untuk berbagai penyedia layanan medis.
"70% dari keputusan kesehatan didasarkan pada hasil patologis, dan antara 70% dan 75% dari semua data di EHR berasal dari hasil patologis," katanya.Dan semakin akurat hasilnya, semakin cepat diagnosis yang benar dibuat.Ini adalah tujuan yang berpeluang dicapai oleh patologi digital dan kecerdasan buatan."
Analisis tingkat piksel yang dalam pada gambar digital besar memungkinkan dokter mengenali perbedaan halus yang mungkin luput dari pandangan manusia.
“Kami sekarang telah sampai pada titik di mana kami dapat menilai dengan lebih baik apakah kanker akan berkembang dengan cepat atau lambat, dan bagaimana mengubah pengobatan pasien berdasarkan algoritme daripada tahapan klinis atau penilaian histopatologis,” kata Golden.Ini akan menjadi langkah maju yang besar."
Dia menambahkan, "AI juga dapat meningkatkan produktivitas dengan mengidentifikasi fitur-fitur yang menarik dalam slide sebelum dokter meninjau data. AI dapat memfilter melalui slide dan memandu kita untuk melihat konten yang tepat sehingga kita dapat menilai mana yang penting dan mana yang tidak. Ini meningkatkan efisiensi penggunaan ahli patologi dan meningkatkan nilai studi mereka dari setiap kasus. "
Bawa kecerdasan ke perangkat dan mesin medis
Perangkat pintar mengambil alih lingkungan konsumen dan menyediakan perangkat mulai dari video real-time di dalam lemari es hingga mobil yang mendeteksi gangguan pengemudi.
Dalam lingkungan medis, perangkat cerdas sangat penting untuk memantau pasien di ICU dan di tempat lain.Penggunaan kecerdasan buatan untuk meningkatkan kemampuan mengidentifikasi perburukan kondisi, seperti menunjukkan bahwa sepsis sedang berkembang, atau persepsi komplikasi dapat meningkatkan hasil secara signifikan dan dapat mengurangi biaya pengobatan.
"Ketika kita berbicara tentang mengintegrasikan data yang berbeda di seluruh sistem perawatan kesehatan, kita perlu mengintegrasikan dan mengingatkan dokter ICU untuk melakukan intervensi sedini mungkin, dan bahwa pengumpulan data ini bukanlah hal baik yang dapat dilakukan oleh dokter manusia," kata Mark Michalski , direktur eksekutif Pusat Sains data klinis di BWh.Memasukkan algoritme pintar ke dalam perangkat ini mengurangi beban kognitif pada dokter dan memastikan bahwa pasien dirawat secepat mungkin."
8.mempromosikan imunoterapi untuk pengobatan kanker
Imunoterapi adalah salah satu cara yang paling menjanjikan untuk mengobati kanker.Dengan menggunakan sistem kekebalan tubuh sendiri untuk menyerang tumor ganas, pasien mungkin dapat mengatasi tumor yang membandel.Namun, hanya sedikit pasien yang menanggapi rejimen imunoterapi saat ini, dan ahli onkologi masih belum memiliki metode yang tepat dan andal untuk menentukan pasien mana yang akan mendapat manfaat dari rejimen tersebut.
Algoritme pembelajaran mesin dan kemampuannya untuk mensintesis kumpulan data yang sangat kompleks mungkin dapat menjelaskan komposisi gen unik individu dan memberikan opsi baru untuk terapi bertarget.
"Baru-baru ini, perkembangan yang paling menarik adalah penghambat pos pemeriksaan, yang memblokir protein yang diproduksi oleh sel kekebalan tertentu," jelas Dr. long Le, direktur patologi komputasi dan pengembangan teknologi di pusat diagnostik komprehensif Rumah Sakit Umum Massachusetts (MGH).Tapi kami masih belum mengerti semua masalahnya, yang sangat rumit.Kami pasti membutuhkan lebih banyak data pasien.Perawatan ini relatif baru, jadi tidak banyak pasien yang benar-benar menggunakannya.Oleh karena itu, apakah kita perlu mengintegrasikan data di dalam suatu organisasi atau di beberapa organisasi, itu akan menjadi faktor kunci dalam meningkatkan jumlah pasien untuk mendorong proses pemodelan."
9. Ubah catatan kesehatan elektronik menjadi prediktor risiko yang andal
Catatan kesehatan elektronik (nya) adalah harta karun data pasien, tetapi merupakan tantangan konstan bagi penyedia dan pengembang untuk mengekstraksi dan menganalisis sejumlah besar informasi dengan cara yang akurat, tepat waktu, dan andal.
Masalah kualitas dan integritas data, ditambah dengan kebingungan format data, input terstruktur dan tidak terstruktur, serta catatan yang tidak lengkap, mempersulit orang untuk memahami secara akurat cara melakukan stratifikasi risiko yang berarti, analisis prediktif, dan dukungan keputusan klinis.
Dr. Ziad OBERMEYER, asisten profesor pengobatan darurat di Brigham women's Hospital (BWh) dan asisten profesor di Harvard Medical School (HMS), mengatakan, "ada beberapa kerja keras yang harus dilakukan untuk mengintegrasikan data ke dalam satu tempat. Namun masalah lainnya adalah memahami apa yang orang dapatkan ketika mereka memprediksi penyakit dalam catatan kesehatan elektronik (her). Orang mungkin mendengar bahwa algoritme kecerdasan buatan dapat memprediksi depresi atau stroke, tetapi menemukan bahwa mereka sebenarnya memprediksi peningkatan biaya stroke. Ini sangat berbeda dari pukulan itu sendiri."
Lanjutnya, “mengandalkan hasil MRI sepertinya memberikan kumpulan data yang lebih spesifik. Tapi sekarang kita harus memikirkan siapa yang mampu membayar MRI? Jadi prediksi akhir bukanlah hasil yang diharapkan.”
Analisis NMR telah menghasilkan banyak alat penilaian dan stratifikasi risiko yang berhasil, terutama ketika peneliti menggunakan teknik pembelajaran mendalam untuk mengidentifikasi hubungan baru antara kumpulan data yang tampaknya tidak terkait.
Namun, OBERMEYER percaya bahwa memastikan algoritme ini tidak mengidentifikasi bias yang tersembunyi dalam data sangat penting untuk menerapkan alat yang benar-benar dapat meningkatkan perawatan klinis.
"Tantangan terbesar adalah memastikan kita tahu persis apa yang kita perkirakan sebelum kita mulai membuka kotak hitam dan melihat bagaimana cara memprediksinya," katanya.
10.Memantau status kesehatan melalui perangkat yang dapat dikenakan dan perangkat pribadi
Hampir semua konsumen kini dapat menggunakan sensor untuk mengumpulkan data tentang nilai kesehatan.Dari smartphone dengan pelacak langkah hingga perangkat yang dapat dipakai yang melacak detak jantung sepanjang hari, semakin banyak data terkait kesehatan yang dapat dihasilkan kapan saja.
Mengumpulkan dan menganalisis data ini dan melengkapi informasi yang diberikan oleh pasien melalui aplikasi dan perangkat pemantauan rumah lainnya dapat memberikan perspektif unik untuk kesehatan individu dan masyarakat.
AI akan memainkan peran penting dalam mengekstraksi wawasan yang dapat ditindaklanjuti dari database yang besar dan beragam ini.
Tetapi Dr. Omar arnout, seorang ahli bedah saraf di Rumah Sakit Wanita Brigham (BWh), direktur CO dari pusat hasil ilmu saraf komputasi, mengatakan mungkin diperlukan pekerjaan tambahan untuk membantu pasien beradaptasi dengan data pemantauan yang intim dan berkelanjutan ini.
“Dulu kami cukup bebas mengolah data digital,” ujarnya.Tetapi karena kebocoran data terjadi di Cambridge analytics dan Facebook, orang akan semakin berhati-hati tentang siapa yang akan membagikan data apa yang mereka bagikan."
Pasien cenderung mempercayai dokter mereka lebih dari perusahaan besar seperti Facebook, tambahnya, yang dapat membantu meringankan ketidaknyamanan dalam menyediakan data untuk program penelitian berskala besar.
"Kemungkinan data yang dapat dikenakan akan berdampak signifikan karena perhatian orang sangat tidak disengaja dan data yang dikumpulkan sangat kasar," kata Arnout.Dengan terus mengumpulkan data granular, data lebih mungkin membantu dokter merawat pasien dengan lebih baik."
11. Jadikan ponsel pintar alat diagnostik yang ampuh
Para ahli percaya bahwa gambar yang diperoleh dari ponsel pintar dan sumber daya tingkat konsumen lainnya akan menjadi pelengkap penting untuk pencitraan kualitas klinis, terutama di daerah yang kurang terlayani atau negara berkembang, dengan terus menggunakan fungsi perangkat portabel yang canggih.
Kualitas kamera ponsel meningkat setiap tahun, dan dapat menghasilkan gambar yang dapat digunakan untuk analisis algoritme AI.Dermatologi dan oftalmologi adalah penerima manfaat awal dari tren ini.
Peneliti Inggris bahkan telah mengembangkan alat untuk mengidentifikasi penyakit perkembangan dengan menganalisis gambar wajah anak-anak.Algoritme dapat mendeteksi fitur diskrit, seperti garis mandibula anak, posisi mata dan hidung, dan atribut lain yang mungkin mengindikasikan kelainan wajah.Saat ini, alat tersebut dapat mencocokkan gambar umum dengan lebih dari 90 penyakit untuk memberikan dukungan keputusan klinis.
Dr Hadi shafiee, direktur mikro/nano kedokteran dan laboratorium kesehatan digital di Brigham women's Hospital (BWh), mengatakan: "kebanyakan orang dilengkapi dengan ponsel canggih dengan berbagai sensor bawaan. Ini peluang besar bagi kami. Hampir semua pelaku industri sudah mulai membangun perangkat lunak dan perangkat keras AI di perangkat mereka. Ini bukan kebetulan. Di dunia digital kita, lebih dari 2,5 juta terabyte data dihasilkan setiap hari. Di bidang ponsel, produsen percaya bahwa mereka dapat menggunakan ini data untuk kecerdasan buatan guna memberikan layanan yang lebih personal, lebih cepat, dan lebih cerdas."
Menggunakan ponsel pintar untuk mengumpulkan gambar mata pasien, lesi kulit, luka, infeksi, obat-obatan, atau subjek lain dapat membantu mengatasi kekurangan ahli di area yang kurang terlayani, sekaligus mengurangi waktu untuk mendiagnosis keluhan tertentu.
“Kemungkinan akan ada beberapa kejadian besar di masa depan, dan kita dapat memanfaatkan kesempatan ini untuk menyelesaikan beberapa masalah penting dalam pengelolaan penyakit di titik perawatan,” ujar Shafiee.
12.Menginovasi pengambilan keputusan klinis dengan AI di samping tempat tidur
Ketika industri perawatan kesehatan beralih ke layanan berbasis biaya, semakin jauh dari perawatan kesehatan pasif.Pencegahan sebelum penyakit kronis, kejadian penyakit akut, dan kemunduran mendadak adalah tujuan dari setiap penyedia, dan struktur kompensasi pada akhirnya memungkinkan mereka untuk mengembangkan proses yang dapat mencapai intervensi aktif dan prediktif.
Kecerdasan buatan akan menyediakan banyak teknologi dasar untuk evolusi ini, dengan mendukung analisis prediktif dan alat pendukung keputusan klinis, untuk memecahkan masalah sebelum penyedia menyadari kebutuhan untuk mengambil tindakan.Kecerdasan buatan dapat memberikan peringatan dini untuk epilepsi atau sepsis, yang biasanya membutuhkan analisis mendalam dari kumpulan data yang sangat kompleks.
Brandon Westover, MD, direktur data klinis di Rumah Sakit Umum Massachusetts (MGH), mengatakan pembelajaran mesin juga dapat membantu mendukung penyediaan perawatan berkelanjutan untuk pasien yang sakit kritis, seperti mereka yang koma setelah henti jantung.
Ia menjelaskan, dalam keadaan normal, dokter harus mengecek data EEG pasien tersebut.Proses ini memakan waktu dan subyektif, dan hasilnya mungkin berbeda dengan keterampilan dan pengalaman dokter.
Dia berkata, “Pada pasien ini, trennya mungkin lambat.Terkadang ketika dokter ingin melihat apakah seseorang pulih, mereka mungkin melihat data yang dipantau setiap 10 detik sekali.Namun, untuk melihat apakah itu berubah dari 10 detik data yang dikumpulkan dalam 24 jam seperti melihat apakah rambut telah tumbuh sementara itu.Namun, jika algoritme kecerdasan buatan dan sejumlah besar data dari banyak pasien digunakan, akan lebih mudah untuk mencocokkan apa yang dilihat orang dengan pola jangka panjang, dan beberapa peningkatan halus dapat ditemukan, yang akan memengaruhi pengambilan keputusan dokter dalam keperawatan. ."
Menggunakan teknologi kecerdasan buatan untuk mendukung keputusan klinis, penilaian risiko dan peringatan dini adalah salah satu area pengembangan yang paling menjanjikan dari metode analisis data revolusioner ini.
Dengan memberikan kekuatan untuk alat dan sistem generasi baru, dokter dapat lebih memahami nuansa penyakit, memberikan layanan keperawatan secara lebih efektif, dan memecahkan masalah terlebih dahulu.Kecerdasan buatan akan mengantarkan era baru peningkatan kualitas perawatan klinis, dan membuat terobosan menarik dalam perawatan pasien.
Waktu posting: 06-Agu-2021
