Realtime gegevenslevering bij patiëntbewaking op afstand
David Ebert, chief AI en data science officer aan de Universiteit van Arizona, gebruikt ook de term ‘big picture view’ om te beschrijven wat AI en wearables voor RPM kunnen doen. De echte kracht komt volgens hem voort uit de verwerkingsmogelijkheden die zijn ingebed in de hedendaagse wearables en implanteerbare apparaten.
Enkele jaren geleden had een patiënt met een pacemaker een speciaal gebouwde thuismonitor nodig. Nu hebben pacemakers Bluetooth-sensoren die verbinding maken met smartphones, gegevens verzamelen en meldingen sturen naar het zorgteam van een patiënt.
“We profiteren van de mogelijkheden die mensen op een chip met zich meedragen”, zegt Ebert. “We kunnen machine learning en voorspellende analyses op het apparaat uitvoeren.”
Er zijn twee sleutels om dit te laten werken. Eén daarvan is de voortdurende aandacht voor de efficiëntie van AI-modellen. Datacompressie zal bandbreedte besparen, en de mogelijkheid om de signalen eruit te halen zal de output van een apparaat waardevoller maken voor artsen die geen tijd hebben om naar ruwe data te kijken.
“We willen niet dat AI-modellen de batterij leegtrekken of veel verwerkingstijd in beslag nemen”, zegt Ebert. “We willen geen bandbreedte-uitdagingen hebben die de digitale kloof vergroten.”
De andere belangrijke stap is het integreren van gegevensstromen en inzichten van apparaten in elektronische medische dossiers en klinische waarschuwingssystemen. Anders, zo merkt hij op, zullen klinieken extra apparatuur en middelen nodig hebben om deze op te zetten.
ONTDEKKEN: Dit zijn de draagbare technologietrends die de gezondheidszorg vormgeven.
Hoe RPM te implementeren en te schalen met AI en Wearables
Mahajan zegt dat het gemak van integratie belangrijk is. “De oplossingen die doorgaans effectief zijn en zo naadloos mogelijk worden toegepast, creëren geen onnodig werk voor artsen.”
Om dit goed te kunnen doen, zijn mogelijk geüpgradede data-opnamepijplijnen nodig die geschikt zijn voor hoogfrequente datastromen, merkt Mahajan op, samen met tools die gegevens normaliseren terwijl deze worden samengevoegd. “Organisaties moeten overstappen van systemen die zijn gebouwd voor episoden naar systemen die zijn gebouwd voor continue data”, zegt hij.
Ebert zegt dat een andere overweging het gebruik van apparaten is die zijn geëvolueerd van applicatieprogrammeringsinterfaces naar agentische AI-interfaces. Op die manier kunnen apparaten worden ingezet, gemonitord en bijgewerkt met behulp van software in plaats van gespecialiseerde hardware, wat gepaard gaat met aanloopkosten en de behoefte aan gespecialiseerde vaardigheden die een belemmering vormen voor adoptie. “Dat is een game changer voor landelijke ziekenhuizen”, zegt hij.
Een ander veel voorkomend obstakel, zegt Mahajan, is het voorspellende model voor eenmalig gebruik of het hulpmiddel voor klinische besluitvorming: “Zorgsystemen zijn niet bereid om honderd verschillende hulpmiddelen aan te nemen. Ze zijn op zoek naar platforms of systemen.”
Natuurlijk bestaat er ook de zorg dat AI-modellen artsen zullen vervangen. Dat is geen probleem voor Dr. Sairam Parthasarathy, directeur van het Center for Sleep and Circadian Sciences aan de Universiteit van Arizona.
Er zijn maar weinig aanbieders met een licentie, zegt hij, en “er zijn zoveel mensen die onze hulp nodig hebben. Mensen zouden niet ziek hoeven te worden voordat we ze gezondheidsadvies geven”, en gegevens van wearables en inzichten uit AI-modellen kunnen ervoor zorgen dat dit niet zal gebeuren.
