ヘルスケアにおける IoT と AI

IoT 対応デバイスの登場により、医療における遠隔モニタリングが可能になりました。ほぼすべての大手健康保険会社には、臨床看護師と医師が雇用され、会員（被保険者）が受けたケアを審査する関連のケース管理部門があります。テクノロジーの進歩に伴い、これらのケース管理部門では、慢性疾患を持つメンバーの健康状態を監視するために、接続されたデバイスを使用することが多くなりました。たとえば、うっ血性心不全 (CHF) は日常的なケース管理項目であり、臨床医はメモ帳と付属の体重計を使用してメンバーの体重と症状を追跡し、ケース管理システムに追加情報を入力し、体重増加などの異常が発生したときに警告を発します。 AI は、アラートが鳴るタイミングを判断し、次に最善のアクションを取るのに役立ちます。たとえば、メンバー/患者が医師に電話するべきか、ケース管理の臨床医がメンバーに電話するべきか、メンバーが緊急治療室に行くべきかなどです。 AI 分析による IoT 測定と追跡により、データの即時評価が可能になり、時間の経過とともに医療イベントを特定したり病気を診断したり、将来のイベントや病気を予防したりできるようになります。

[[439415]]

モノのインターネットと人工知能

IoT の使用例の 1 つは、妊婦の約 7% が妊娠高血圧症候群を発症し、そのうちの 4 ～ 20% の赤ちゃんが新生児集中治療室 (NICU) に入院するという前提に基づき、医療保険会社がハイリスク妊娠に対して接続型血圧モニタリング デバイスを処方することです。妊娠高血圧症候群やその関連疾患、妊娠中毒症、子癇前症などの妊娠合併症に関連する医療費の増加により、医療保険者がこれらの「高リスク」の母親を監視する必要性が高まっています。潜在的な母体リスクの管理に専念する United Healthcare のチームからの事例データによると、これらのコネクテッド ケア モニタリング プログラムに参加している患者の約 80 ～ 90% がデバイスを使用し、継続して使用しています。母体の血圧測定値と異常は担当医に伝えられ、担当医が介入して症状（妊娠性高血圧）を管理し、病気に伴う合併症を予防することができます。

現在、このプロジェクトでは、IoT によって生成されたデータを人間が監視しています。このモデルでは、医療提供者が実際の診断を行い、治療を処方します。このタイプの IoT モニタリングの今後の反復では、AI がこれらのメンバーによって生成された IoT データを分析します。 AI は、妊娠性高血圧症、妊娠中毒症、子癇の発症を診断し、予測することさえ可能となり、AI ガイドによる介入を通じて、タイムリーでベストプラクティスの治療や病気の予防を提供できるようになります。さらに、リスクの高い妊婦だけでなく、すべての妊婦をモニタリングすることができます。 AI は IoT によって生成されたデータを活用し、データ内のどの要因または傾向が将来の高血圧関連疾患のリスクを示すかを学習して特定し、妊婦全体に対して疾患予防介入を提供できます。このプロジェクトで従来の臨床的厳密さを維持するということは、この集団に対する広範なモニタリングを含めることによる利点が、偽陽性の結果や不必要な介入などの潜在的なリスクの評価を上回ることを意味します。しかし、問題点と応用の可能性はまだ特定され、解決されていません。

この単純な状況監視介入の重要性を真に理解するには、母体の健康分野についてさらに理解する必要があります。 2000年から2014年の間に、米国の妊産婦死亡率は26.6%増加しました。同様に、妊娠高血圧症候群は1993年の529件から2014年の912件に増加しており[2]、医療費・利用プロジェクト（HCUP）は、米国における妊娠中の高血圧/妊娠中毒症/子癇の管理に関連する短期コストは2012年に64億ドルと推定しています。米国では、妊娠中の高血圧の合併症による早産に関連する新生児コストは年間 262 億ドルです。妊娠高血圧症候群やその関連疾患は、それ自体が母子の健康状態の悪化や医療費の増加の原因となるわけではありませんが、重要な要因です。

定期的に推奨される出生前ケアを受けている母親には問題はないと思われるかもしれません。しかし、妊娠高血圧症候群に気付かない女性は最大 3 分の 1 に上ると推定されています。診断を見逃す可能性があります。妊娠後期には、彼女は毎週医師の診察を受け、血圧やその他のバイタルサインの検査を受けた。検査値の収集は診療所で行われます。クリニックの環境は、女性が実際の生活で経験するストレスや状況を反映していません。血圧の測定値は安静時には低く、姿勢の変化（立っている状態から座っている状態、座っている状態から横になっている状態）に応じて圧力が低下します。通常、女性は血圧を評価する前に 15 ～ 20 分以上じっと座っているように求められます。この場合、血圧の測定値が誤って低く表示されたり、「正常」と表示されたりする可能性があります。

モノのインターネットの出現により、私たちは日常生活の中でこれらの高リスク患者をリアルタイムで監視し、タイムリーな介入と治療を提供できるようになりました。 AI は、ベストプラクティスのケアや管理における最善の次のステップを継続的に分析してガイドすることでこのプロセスを強化し、母体/胎児の合併症を予防して病気を抑制し、女性が帝王切開や入院などの高リスクの合併症や高額な治療を必要とする段階まで進行しないように病気の管理段階にとどめておくことができます。これに関連して、早産や妊娠高血圧症候群による NICU 入院を回避できる乳児のコスト削減と健康上の利点があります。

ヘルスケアの観点から見ると、IoT と AI によるリアルタイムの監視とリアルタイムの管理により、患者の安全と健康を確保できます。 AI ソリューションにより、医療提供者はタイムリーで最適なケアを提供し、患者の関与を高め、入院を減らし、入院期間を短縮し、再入院や救急科の利用を防ぐことができます。 AI 分析とプロバイダーとの連携を通じて接続された血圧測定値に簡単な介入を行うことで、パーソナライズされたヘルスケア ソリューションを作成し、医療システムの関連コストを大幅に削減できます。

同じアプローチをさまざまな年齢のあらゆるタイプの人々に適用することで、より多くの人々の健康が促進されます。たとえば、フィットネス バンド、血圧モニター、心拍数モニター、血糖値測定器などのデバイスは、医療提供者や臨床サポート チームから患者にパーソナライズされた推奨事項とほぼリアルタイムの管理を提供します。先ほどお話しした中年の糖尿病女性のケースでは、彼女はヘルスケアの連続体の中でより健康的な方に移行したと述べました。私たちは、接続されたデバイスを通じて、患者の状況について継続的に関わり、情報を得ることができます。体重が戻り始め、活動量が減ったことがデータからわかると、血糖値測定器の数値は通常上昇し、AI が次善の策を導きます。これらには、保険会社を通じて臨床医または臨床サポート チームに通知し、状況を評価してケアを微調整するために介入することを提案し、リアルタイムで個々の状況に直接対応することが含まれます。

同様に、IoT と AI を健康な患者に適用することで、健康継続モデルにおける健康な段階を維持することができます。デバイスは、アラームを鳴らしたり、患者、医療提供者、保険会社の臨床サポートに異常な結果を通知するように設定できます。このようにして、問題が悪化する前に、個人のニーズや懸念に基づいて必要な介入を行うことができます。たとえば、健康な患者が定期的に血圧上昇の傾向を示している場合、その患者にアプローチして高血圧が存在するかどうかを判断できます。 AI を使用すると、実際の病気 (高血圧) が発症する前にデータ ポイントを収集し、最適な治療経路を評価し、反応を監視することで、結果を最適化できる可能性があります。

高齢者にとって、IoT と AI は、より健康で長生きし、孤独を感じずに暮らせるようにするために活用されています。転倒リスクなど、自宅での健康と安全に関するリスクを継続的に追跡することで、健康状態の乱れや変化を特定し、家族、医療提供者、ケア管理チームに警告することができます。 AI と組み合わせたこの種のモニタリングに関するパイロット プロジェクトがいくつか作成されており、初期の結果では在宅医療における成功が示されています。さらに、異常が検出されたりアラームが鳴ったりすると、在宅ケアの臨床医が消費者の自宅に派遣され、状況を評価してデバイスを調整します。テクノロジーと臨床医が協力して取り組むヘルスケアは、これまでにない形態です。

私たちは、個々の患者、医療提供者、保険会社の観点から、健康を改善するための AI と IoT モニタリングを調査します。 AI とモニタリングが健康を改善しているもう 1 つの分野は、入院患者の自律モニタリングです。入院するのは危険です。入院中の薬物有害反応のリスクは5.5％、感染のリスクは18％、潰瘍のリスクは3％でした。 [[3]]転倒、怪我、医原性事象（病院/医療に関連する怪我や危害）のリスクは含まれません。患者の入院期間が長くなるほど、有害事象のリスクが高まります。推定10人に1人の患者が有害事象を経験します。さらに、これらの事件の 44% は予防可能だと考えられています。これらの事象の 7.4% が死亡に至りました。

今日の企業は、人工知能と組み合わせた接続監視を使用しています。 AI は大量のリアルタイム データを使用して行動を予測および推測し、転倒や怪我を防止したり、感染を検出して防止したり、プロトコルやプロセスのエラーを評価したりします。最終的な目標は、患者の安全性を向上させ、病院関連の死亡をなくすことです。

個々の臨床医、保険会社、病院システム、そして特に個々の患者にとって、接続されたデバイスとモニタリングを組み合わせた人工知能の開発は、ヘルスケアの未来をどのように想像するかという点で大きなパラダイムシフトをもたらしました。私たちはもはや、「患者さんのいる場所」に応じて最善を尽くすだけではありません。私たちは今、受動的な医療システムから、集中的かつ個別化された能動的な医療モデルへと移行する能力を持っています。

健康の決定要因とビッグデータ

健康に影響を与えたり、健康を決定したりするいくつかの要因の間には複雑な関係があります。医療、遺伝、行動、社会経済的状況、身体的影響、環境などすべてが役割を果たします。これらの健康決定要因の 1 つ以上が個人の健康結果にどのような影響を与えるのか、またどの決定要因が相互に影響し合うのかを理解するのは複雑であり、さらなる研究が必要です。

図 21 は健康を決定する多くの要因の一部を示しています。 AI は、毎年毎日溢れかえっている膨大な量のデータを理解する機会を提供します。

図21 健康を決定するいくつかの要因

3 つの領域にわたる無数のソースから、時間の経過とともに収集された定量的データと定性的なデータがビッグ データとして知られています。人々の健康を向上させるには、この大量のデータを理解する必要があります。

健康の多くの決定要因ではなく、医療検査の結果だけに焦点を当てると、個人にとって最適な健康を達成する能力が制限されます。 AI によってのみ、パターンを把握し、因果関係の経路を見つけて、どの決定要因が相互に影響し合い、それが健康の結果にどのような影響を与えるかを理解することができます。