AI med NVIDIA-teknik förbättrar patientvård genom effektiv klinisk dataanalys

Bild: NVIDIA · Källa

AI-verktyg stödda av NVIDIA hjälper vårdteam att omvandla omfattande patientjournaler till handlingsbara insikter, vilket möjliggör snabbare och mer personanpassad vård samtidigt som data hålls säkra inom sjukhussystemen.

Hälso- och sjukvårdsleverantörer använder i allt större utsträckning artificiell intelligens för att förbättra patientvården, med fokus på att minska den tid kliniker spenderar på rutinmässig datagranskning och öka den direkta patientinteraktionen. NVIDIA-teknologier ligger till grund för en rad AI-applikationer som hjälper vårdteam, från pediatrisk forskning till sjukhusledning.

Ett anmärkningsvärt exempel är Dyania Health, ett kliniskt AI-företag baserat i New Jersey, som utvecklat Synapsis AI. Denna kliniska resonemangsmotor skannar decennier av patientjournaler – inklusive läkarnoteringar, bildresultat, patologirapporter och utskrivningssammanfattningar – och extraherar samband över långa tidslinjer som en specialist kanske skulle upptäcka. Systemet levererar kliniska signaler som pekar på patienter som behöver uppmärksamhet, där varje fynd kan spåras tillbaka till dess källdokument. Kliniker är dock fortfarande centrala; de utvärderar AI:s resultat och fattar slutgiltiga vårdbeslut.

En viktig egenskap hos Synapsis AI är att det helt och hållet körs inom sjukhusets egen säkra datorplattform med hjälp av NVIDIA-acceleration. Detta säkerställer att känsliga patientdata aldrig lämnar sjukhusets brandvägg, vilket adresserar integritets- och säkerhetsfrågor. AI-modellerna utvecklas med NVIDIA NeMo öppna bibliotek och optimeras för sjukhus-GPU-servrar via NVIDIA TensorRT och TensorRT-LLM, vilket möjliggör effektiv bearbetning av stora datamängder på plats.

I praktiken tillämpade Cleveland Clinic Synapsis AI för att analysera över 7 800 fall av patienter som genomgått aortaklaffersättning mellan 2005 och 2021. AI:n granskade omfattande patientjournaler, inklusive ekokardiogram tagna flera år efter operationen, för att bygga prediktiva modeller som bedömer risk för klaffnedbrytning och behov av återingrepp vid 3, 5 och 10 år. Uppgifter som för kliniker manuellt skulle tagit år att slutföra hanterades snabbt av plattformen.

Dr Lars Svensson, chef för Heart, Vascular & Thoracic Institute vid Cleveland Clinic, betonade teknikens löfte att personanpassa patientutfall. Utöver kardiologi är metoden tillämplig för att identifiera patienter för kliniska prövningar, täppa till vårdgaps i specialiteter som onkologi och berika kliniska register.

Sammanfattningsvis möjliggör AI-verktyg med NVIDIA-kraft för vårdteam att på ett säkert och effektivt sätt utnyttja stora mängder ostrukturerad medicinsk data, vilket påskyndar leverans av precis och tidsmässigt anpassad patientvård samtidigt som mänsklig kontroll bibehålls.