在遠距離分析醫(yī)療和生命科學數據時，帶寬擁塞、網絡可靠性和延遲問題可能會對結果產生負面影響。當時間如此重要時，這一點至關重要。為了解決這些問題，具有前瞻性的醫(yī)療機構正在采用邊緣計算，在收集數據時對數據進行分析和處理。

人工智能驅動的邊緣儀器、醫(yī)療設備和技術正在通過使數據處理和存儲更接近數據源，并向臨床和研究團隊提供實時 i NSight 來改變醫(yī)療保健和生命科學。這對于醫(yī)療保健服務來說極其重要，而按需 i NSight s 幫助團隊對患者做出關鍵和緊急的決定。

在整個醫(yī)院，人工智能驅動的 edge 技術已經發(fā)揮了作用，幫助減少了手術的侵入性，減少了 X 光機的輻射照射，并監(jiān)測了有跌倒風險的患者。

根據德勤和麻省理工技術評論，全球存儲數據的 30% 來自醫(yī)療保健和生命科學。考慮到來自醫(yī)療保健的數據量，實時收集和推導洞察力已成為當務之急，以幫助做出更快的臨床決策。

如今，在美國的醫(yī)院中，每個病床上都連接了 10-15 臺邊緣設備，用于監(jiān)控患者當前的實時狀態(tài)。預計到 2025 年， 75% 的醫(yī)療數據將在邊緣生成。此外，全球聯(lián)網醫(yī)療設備市場預計將從 2017 年的 410 億美元增長到 2022 年的 1580 億美元。

為了擴展虛擬患者服務、管理醫(yī)療設備并支持智能醫(yī)院技術，醫(yī)療系統(tǒng)現(xiàn)在必須在數據采集設備附近處理大量數據，以減少延遲并實現(xiàn)實時決策。通過使 AI 工作流更接近源代碼，邊緣計算為醫(yī)療保健提供了許多優(yōu)勢：

強健的基礎設施：通過邊緣設備現(xiàn)場處理數據使醫(yī)療機構能夠在不中斷的情況下保持其流程移動，即使在網絡中斷期間也是如此。

超低延遲處理：手眼協(xié)調等任務的吞吐量和實時洞察力對于確保更安全的手術非常重要。在邊緣處理數據可提供近乎即時的反饋。

增強安全性：將數據保留在設備內并在邊緣進行推斷意味著患者健康信息（ PHI ）保持安全，不易受到許多攻擊和數據泄露。

節(jié)省帶寬：邊緣 AI 處理減少了通過網絡或場外發(fā)送高帶寬數據（如視頻流）的需要。

利用操作技術領域知識：使領域專家能夠控制數據處理 AI 參數，使他們能夠創(chuàng)建高度適應性和注重結果的解決方案。

醫(yī)療器械

邊緣的現(xiàn)代醫(yī)療器械正在成為人工智能，在經監(jiān)管機構批準的設備中內置了加速計算功能。這些功能包括改進的醫(yī)學圖像采集和重建、診斷和治療計劃的工作流優(yōu)化、器官和腫瘤的測量、手術治療指導以及實時可視化和監(jiān)控。

現(xiàn)代手術室是一個復雜的環(huán)境，需要團隊同時處理、協(xié)調和處理多個信息源。

在外科手術中，邊緣人工智能工具起到幫助作用的一個例子是腹腔鏡手術。腹腔鏡是一種利用小切口、手術器械和腹腔鏡在腹部或骨盆進行的微創(chuàng)手術。腹腔鏡是一種帶有光源和照相機的小管子，它將腹部或骨盆內部的圖像傳送到電視監(jiān)視器。

超低延遲的手術視頻流到 AI 驅動的數據處理工作流中，使外科醫(yī)生能夠專注于發(fā)現(xiàn)需要移除的異常，進行自動測量，跟蹤手術工具，監(jiān)控需要保留的器官，或實時檢測出血。

人工智能增強型醫(yī)療設備為外科醫(yī)生帶來了數據驅動的洞察力隨需應變。這些洞察力有助于使手術盡可能微創(chuàng)，并提高患者的恢復時間。通過在傳感器和流式數據使用開發(fā)工具包上構建 AI 模型，團隊可以立即收集洞察力 ，甚至可以遠程管理分布式醫(yī)療儀器的車隊。

在手術室外，許多不同類別的醫(yī)療和生命科學儀器也受益于邊緣計算。這些儀器包括 CT 和 MRI 成像掃描儀、超聲波設備、放射治療、冷凍電子顯微鏡和 DNA 測序儀。

下一代測序（ NGS ）指的是大規(guī)模的 DNA 測序技術，可以在構成我們 DNA 的核苷酸堿基中發(fā)現(xiàn)變異。這些堿基的順序編碼基因，然后編碼蛋白質。當基因中的堿基缺失或排列錯誤時，蛋白質的產生會受到影響，并會擾亂正常發(fā)育或導致健康狀況?，F(xiàn)在有了打印機或手持設備大小的 NGS 技術，可以在候診室或現(xiàn)場運行，能夠在邊緣進行實時測序，幫助檢測 DNA 中的這些致病變異。

智能醫(yī)院與患者監(jiān)控

智能醫(yī)院還將邊緣計算和人工智能工作流集成到諸如患者監(jiān)測、患者篩查、對話人工智能、心率估計、 CT 掃描儀等技術中。這些技術可以幫助確定有可能從病床上摔下來的患者，并通知護理人員。

人體姿勢估計是一項流行的計算機視覺任務，用于估計人身上的關鍵點，如眼睛、 ARM 和腿。這有助于對一個人的行為進行分類，如站立、坐下、行走或躺下。了解一個人所做事情的背景在廣泛的行業(yè)中有著廣泛的應用。在醫(yī)療保健領域，這可用于監(jiān)測患者，并在患者需要醫(yī)療護理時提醒醫(yī)務人員。

將數千張病床的實時流媒體視頻饋送到遠程數據中心面臨許多挑戰(zhàn)，包括確?；颊叩臋C密性、網絡帶寬不足以及網絡宕機風險，這可能會中斷患者監(jiān)控。與其將所有這些數據流到遠程數據中心，還可以在邊緣進行處理，在床邊，可根據需要生成洞察力和警報。這提供了實時數據分析，以更快地響應處于困境中的患者，并確保了強大的容錯能力。

醫(yī)療保健公司正在使用物聯(lián)網傳感器自動化其流程，物聯(lián)網傳感器生成大量數據，然后添加人工智能工具，進一步幫助優(yōu)化洞察力以更好地進行臨床決策。網絡邊緣的計算對于速度、規(guī)模、可靠性、安全性、性能和實時洞察力至關重要。

關于作者

Vanessa Braunstein 在 NVIDIA 的醫(yī)療團隊從事產品營銷工作。此前，她在基因組學、醫(yī)學成像、制藥、化學和診斷公司從事產品開發(fā)和營銷。她學習分子和細胞生物學、公共衛(wèi)生和商業(yè)。

審核編輯：郭婷