データ サイエンス、機械学習、人工知能には、医療業界を大きく変革する可能性があります。このインタビューでは、ロイヤル フィリップスの医療、イノベーション、戦略最高責任者であるシェズ パートビ博士が、これらのテクノロジーが患者の治療結果の改善と疾患の診断に果たす重要な役割について紹介してくれました。
会話には次のトピックが含まれていました:
2021 年 3 月、シェズは世界をリードする医療技術企業であるロイヤル フィリップスの最高イノベーションおよび戦略責任者を正式に務めました。主任技術室、リサーチ、HealthSuite プラットフォーム、医療室長、製品エンジニアリング、エクスペリエンスデザインと戦略などを担当。同時に、イノベーションおよび戦略組織は、運営事業および市場と協力して、顧客のニーズを満たし、事業の成長と収益性の目標を前進させるための会社の戦略を導きます。
パートビ氏のキャリアは1998年に始まり、バロー神経研究所で神経放射線科医として勤務し、2013年まで臨床診療を続けたと報告されている。それ以来、パートビ氏は米国第 5 位の医療システムであるディグニティヘルスに 20 年間勤務し、2018 年にアマゾンに入社し、ヘルスケア、ライフ サイエンス、医療機器の事業開発のグローバル責任者を務め、アマゾンのサービスを担当しました。グローバルなマーケティング活動。
モントリオールのマギル大学で医学教育を受けたことに加えて、彼はコンピューター サイエンスの大学院の学位を取得しています。彼はアリゾナ州立大学の生物医療情報学部の設立に貢献し、そこで 3 年間臨床教授を務めました。
マイケル クリグスマン (モデレーター):データ サイエンスと人工知能がヘルスケアを変革しています業界。それでは、ロイヤル フィリップスのイノベーションおよび戦略最高責任者であるシェズパルトヴィ氏に簡単に紹介してもらいましょう。
ShezPartovi:7 年前、フィリップスはヘルスケアを除くすべての事業を売却することを決定し、現在は完全にヘルス テクノロジー企業となっています。そうは言っても、フィリップスの照明はまだ目にするかもしれませんが、実際には生産用にリストされているだけです。フィリップス自体は現在、在宅、外来患者、入院患者などを含む一連のケアに重点を置いた 100% ヘルステクノロジー企業です。
したがって、フィリップスについて言えば、ヘルステクノロジー企業であると考えてください。同社は 130 年の歴史を持つ「スタートアップ」企業です。なぜなら、実際に変革したのは 10 年前だからです。そのため、創業 130 年のスタートアップ企業のように感じられます。
マイケルクリグスマン:私の知る限り、あなたは医者です。現在、あなたはフィリップスの最高イノベーションおよび戦略責任者です。あなたの役割、何をしているのか、何に注力しているのか簡単に説明していただけますか?
ShezPartovi:私は戦略的なことを始めたので、世界で最高の仕事の 1 つを持っています。私は顧客と協力して満たされていないニーズを理解し、顧客の問題から出発して、フィリップスが顧客の問題を真に解決できるようにする戦略を同僚と協力して開発します。これが戦略的側面の意味です。
そして、イノベーションの観点から言えば、顧客とその問題に耳を傾けるとき、これらの問題を解決するために顧客の視点からどのようにイノベーションを起こすかを明確にする必要がありますか? フィリップス内のイノベーション コミュニティ全体が私の一部です。その責任は、顧客のニーズに耳を傾け、市場の動向を見て、当社またはフィリップス社外のテクノロジーを探索し、それらを統合して顧客のニーズを満たすことができるようにすることです。
この仕事の核心は、顧客の声に耳を傾け、シグナルを取得し、戦略を策定し、それをイノベーション チームに伝えることです。「顧客のニーズにどのように創造的に応えるのか? 顧客の視点からどのようにイノベーションを起こすのか?」そして、これらを取り入れて、あなたのアイデアを実践してください。これは私が率いるチームであり、これまで私が経験した中で最高の仕事だと思っています。
Michael Krigsman:あなたの仕事の多くがデータに焦点を当てていることは知っています。医療変革におけるその役割について説明してもらえますか?
ShezPartovi:私たちは現在、医療分野で多くのデータ作成とデータ生成を行っています。もちろん、皮肉屋は「まあ、そのほとんどは請求側のためだけのものだ」と言うでしょう。
このような見方にもかかわらず、データの大部分が現在デジタルであることも事実です。たとえば、クリップボードを使用してオンラインでコンテンツを入力する場合、それはデータがデジタル化されていることを意味します。デジタル化のメカニズムとプロセスは必ずしもシームレスで摩擦がないわけではなく、反復的で単純なタスクが数多く存在する可能性があります。
人々が臨床医の燃え尽き症候群、医師や看護師の燃え尽き症候群について話すとき、その理由の 1 つは、デジタル変革を行っているにもかかわらず、必ずしもスムーズな方法でそれを行っているわけではなく、ワークフローが適切に行われていないことが多いためです。認識し、繰り返します。これは最善のデジタル化プロセスではありません。
データの作成と生成の問題に戻ると、私たちはこのデータを非常に驚くべき方法で有意義に使用していないと主張する人もいるでしょう。私たちは豊富なデータを持っているかもしれませんが、洞察力が不足しています。
A) 私たちは摩擦に満ちた方法でデータを作成します。 B) 残念ながら、このデータから強力な洞察を実際に生み出すことはできません。私の観点からすると、それが私たちが取り組む必要があることです。
Michael Krigsman:上記の 2 つの基本的な質問をしたきっかけは何ですか?
シェズパルトヴィ:私たちはいくつかの課題に直面しています。まず、生成されるデータは依然としてアプリケーション中心であり、サイロ化されています。私が医療システムで働いていたとき、約 1,500 件の申請があったことを覚えています。ここで、データをデジタル化していて、そのデータがアプリケーション環境に存在し、1,500 のアプリケーションがあると想像してください。
2 番目に、データのモビリティが欠如しています。つまり、データはデジタル化されてディスクに保存されていますが、それを環境に統合してそこから洞察を引き出すことが必ずしもできるわけではありません。サイロ化された環境が非常に多いため、すべてのデータを共通のコンテキストにまとめて洞察を生成するには、やるべきことがたくさんあります。
もちろんテクノロジーも進歩しています。フィリップスにはデータモビリティに関連した「Health Suite」という環境がある。何百もの異なるソースからデータを取り込んで結合し、そこから洞察を導き出します。
これが私たちのやっていることです。実際、多くの医療システムは現在、データを共通の環境に統合することに苦労しています。
Michael Krigsman:データのモビリティと相互運用性が、デジタル活動の多くの分野で依然としてボトルネックとなっているようです。そうなんですか?
シェズ・パートヴィ:はい。実際、データの相互運用性には、データを共有するだけの構文的な相互運用性と、意味を共有する意味的な相互運用性の 2 つの側面があると考える必要があります。
まだ多くのデータサイロがあるのは事実ですが、データの相互運用性においても大きな進歩があったことは否定できません。相互運用性が高まるにつれて、一部の組織は流動性を生み出し、それによってデータから情報へ、情報から知識へ、そして知識から洞察へ移行するというビジョンを掲げています。ここで人工知能が活躍できるのです。
Michael Krigsman:先ほど説明したデータが豊富な環境からデータドリブンに移行するにはどうすればよいですか?
ShezPartovi:私ができること例 データから情報、情報から知識、知識から洞察への移行の例。血糖値などの単一のデータポイントから始めましょう。単一の血糖値が 1 デシリットルあたり約 140 ミリグラムの場合、これは高値です。しかし一方で、その人が食事をしたばかりだからなのか? 空腹時血糖値なのか? 非空腹時血糖値なのか? したがって、それは単なるデータポイントにすぎません。便利ですが、まだ洞察力がありません。
しかし、私があなたに話していることが血糖値の上昇傾向であるならば、これは情報です。情報はトレンドであり、この傾向が高まっているということは、体に何らかの問題がある可能性があります。
患者の病歴をさらに詳しく調べて、初期段階の糖尿病の可能性があることが理解できれば、それは知識となります。しかし今日、品質の向上、コストの削減、エクスペリエンスの向上という 3 つの目的を前向きな方法で達成するには、医療システムが何を必要としているのか、臨床医、医師、看護師、組織が何を必要としているのか、そして彼らが望んでいることは単なるものではないことを理解する必要があります。データ、情報、または知識。
彼らは次の質問に答えたいと考えています: あなたが私に見せたこの患者が前糖尿病である可能性はどのくらいですか? 今後 18 か月以内にうっ血性心不全を発症する可能性はどのくらいですか? 規模はどのくらいですか? 可能性はどのくらいですか?今後 2 年以内に糖尿病性足部潰瘍が発症する可能性があるでしょうか? この種の予測、将来に対する洞察は真のチャンスです。データを統合し、それを使用して機械学習モデルを構築し、AI を使用できるようになると、真の意味でデータを使用して組織の洞察を推進していることになります。
これが本筋です:データから情報、知識、観察、そして最後に私にとって実現可能なものへ。現時点で私がこの患者様に提供できる最高のサービス。
マイケル クリグスマン:これらすべてを患者の転帰にどのように結びつけますか? または、この種のものを使用する利点は何ですか?相互運用性の違いは? 臨床医や患者の臨床経験、あるいは消費者の経験。たとえば、おそらく最も簡単なコスト削減だと思われることから始めます。
人工知能をデータと組み合わせて使用することでできることの 1 つは、次の金曜日の夜に救急部門にスタッフを配置するには何人のスタッフが必要かなど、いわゆる現実世界の運用予測に役立つことです。患者の流れはどうですか? 病院に来る患者の流れを予測して、スタッフの配置レベルを調整することはできますか? ちなみに、スタッフが不足している場合、それは困難になるため、それはケアの質に影響します。適切なサイジングは、コストとケアの質の両方にプラスの影響を与えます。たとえば、ADT フロー (入院、退院、搬送フロー) を使用してモデルを構築し、病院への患者の流れを予測します。これにより、合理的な人員配置の実現に役立ちます。これは、患者エクスペリエンスに影響を与えるだけでなく、臨床医の経験にも影響します。人手が不足すると、間違いなく医療の質に影響を与えるからです。これはまさにフィリップスが現在行っていることです。
上記は運用予測ですが、先ほどの臨床予測についてお話します。糖尿病性足潰瘍や心臓病の可能性を予測するための例として糖尿病を使用します。実際、臨床予測の例は数多くあります。
たとえば、人工知能と機械学習を使用して放射線画像を読み取り、異常を特定または予測できます。治療の質に影響を与えるため、画像をできるだけ早く処理する必要があるとアルゴリズムが判断した場合、放射線科医は直ちに画像を確認し、積極的な措置を講じる必要があります。このアルゴリズムは、画像を撮影順に並べるのではなく、異常のある画像を最初に配置します。最初に検出し、最初に治療することのみが、良好な治療結果を生み出すことができます。
フィリップスでは、これらは患者の転帰を改善するための AI と ML の最も一般的な使用例です。
医療分野でのデータ共有に対するインセンティブの創出
MichaelKrigsman:Shez Partovi:データは医療システムに属しており、ソフトウェア会社が実際に所有しているわけではありません。たとえば、フィリップスはこのデータを所有していません。私たちは本質的に単なるデータ管理者です。
しかし、世界のいくつかの国に、実際にこのデータを所有しているソフトウェア会社 (悪口を言いたくないので名前は言いません) が存在することは知っています。したがって、あなたの主張は正しいとも言えます。しかし、少なくとも米国では、「データの共有を拒否します」と言うのは正しくありません。情報遮断ルールはこれを禁止します。
Michael Krigsman:集約する必要があるデータの種類を教えていただけますか?
ShezPartovi:AI と機械学習、臨床 予測と運用予測では、どのようなデータが必要かを理解するために問題から始める必要があります。たとえば、Google マップを例に挙げると、覚えていると思いますが、赤いヒートマップで道順と経過時間を表示するだけだった時代がありました。その後、自転車に費やした時間、徒歩に費やした時間、最適なルートなどが表示されるようになりました。提供したい予測や価値に応じて、ますます多くのデータを収集しています。
ここで企業自体の話に戻りますが、モデルを作成するためにどのようなデータを収集する必要があるかを検討するときは、問題から始める必要もあります。適切かつ効率的なケアの規模を維持するために、入院期間を予測したいとします。その場合、おそらく必要なのは、滞留時間を予測するための ADT ストリームだけです。一方、ある人が特定の病気や特定のがんに罹患しているかどうかを予測しようとしている場合は、画像、血液値、EHR (電子健康記録データ) データが必要になる場合があります。要約すると、問題の記述から始めて、何を予測しようとしているのか、臨床医や運用チームに提供したいツールを理解してから、逆算してどのようなデータを構築する必要があるのかを確認する必要があります。これは、予測モデルを提供するためのものです。
データ サイエンスで解決する適切な問題を選択する
Michael Krigsman:Shez Partovi:どの組織にも、運用上の問題を解決しようとしている運用担当者がいるか、無駄のないチームが存在するかのどちらかです。少し前までリーンチームは非常に人気がありました。今は変革チームができています。
名前は違いますが、どちらも解決すべき問題を探し回っています。そしてもちろん、クリニカルエクセレンスチームとオペレーショナルエクセレンスチームもあります。ただし、組織内では異なる呼び方で呼ばれる場合があります。
運営委員会の会議に出席すると、おそらく彼らが解決すべき問題や頭を抱えていることを知っていることがわかります。実際、お客様からもそう言われています。したがって、すでにプログラムを実行しているチームから始めることをお勧めします。たとえば、最高看護責任者または最高医療責任者は臨床優秀プログラムを実行しており、最高執行責任者は業務効率化プログラムまたは優秀プログラムを実行しています。彼らはいくつかの課題を解決しようとしています。そのため、彼らはこれらの問題を解決するツールとして機械学習モデルを構築するためのデータを持っています。
私が医療システムの最高マーケティング責任者 (CMO) だったら、解決すべき問題はたくさんあるでしょうが、私はすでに研究されている問題から始めると思います。また、これらのチームのツールとして AI と ML を使用することも検討してください。
##Michael Krigsman:言い換えれば、臨床であれ外科であれ、直面する可能性のある差し迫った現実的な問題に対処するということです。そうでしょう?
シェズパルトヴィ:もちろんです。つまり、私は今とても実践的になっています。組織の KPI やチームの KPI と一致する可能性があります。これらのことから始めるのは、本当に簡単で直接的なところです。
Michael Krigsman:データをより効果的に利用する、よりデータ中心の医療システムになるという課題は、運用面に向けたテクノロジーの偏りですか?
##ShezPartovi :まず第一に、もちろんデータをデジタル化する必要があります。データに関しては、量、多様性、真実性という 3 つの V があります。保存ツールとして機能するモデルを真に作成するには、これらの品質を実装する必要があります。なぜなら、大規模性は偏見を排除するのに役立ち、多様性はより優れた機械学習モデルを作成し、信頼性はデータの真実を復元するからです。これが最初のステップです。次に、モデルを実際にトレーニングし、データにラベルを付けて、モデルを検証する必要があります。さらに、（フィリップが行ったように）FDA の審査を申請するかどうかを決定する必要があり、それを検証するだけでなく、特定の要件を満たす必要もあります。
これが事実であることを証明するために結果調査を実施します。繰り返しますが、これはサプライヤー側の問題です。内部的には、操作のためにそれを行う必要はありません。
データ (大量化、多様性、信頼性)、ラベル付け、機械学習、モデリング、テストと検証など、これらすべての活動には、組織が医療テクノロジー企業と協力する必要があります。一部の複雑な学術医療センターでは、支援が必要な人材を見つけるために大学に連絡することもあります。
何が障壁なのかと尋ねると、それはフィリップスから入手できるツールを実装しているか、それとも自分でツールを構築したいかによって異なります。その場合、あなたを助けてくれるヘルステック企業や、あなたを助けてくれる何らかの企業と提携するか、あるいはそれを行うための社内機能を構築することを決定するかもしれません。
ツールはそこにあります。しかし、すべてを統合するには、能力、トレーニング、スキルアップが必要です。したがって、社内で構築するか、パートナーと協力することになります。
Michael Krigsman:データがさまざまな記録システムから取得されている場合、組織はどのようにして企業全体のビューを作成できますか? 結局のところ、データはさまざまなソフトウェア ベンダーから取得されており、本質的には異なるシステムです。
ShezPartovi:データをすべて 1 つにまとめられる環境に置きたいと考えています。少なくとも技術的には、保持領域が必要であることを考慮する必要があります。それを「データ レイク」または任意の呼び方で呼びますが、健全なデータ スペースと呼びます。質問者は可視化の問題について言及しましたが、これは重要だと思います。上記では、データ、情報、知識、洞察について説明しましたが、覚えていると思いますが、ビジュアライゼーションはデータを情報に変換するために私が使用した用語です。
人々は視覚化を「ダッシュボードやグラフの表示」と結びつける傾向があります。しかし、より強力なこと、そしておそらく質問で示唆されていることは、このデータから洞察をどのように作成できるかということだと思います。これにより、単純な視覚化よりもはるかに高い ROI を得ることができます。ちなみに、何らかのデータ レイク環境 (できればクラウド) が必要だと思います。機械学習モデルを実行するつもりなら、データ センターに置かれた高価な GPU を購入したくないからです。 1日30分使用し、23.5時間アイドル状態にしておきます。
クラウドを使用し、使用した量に応じて料金を支払うことができます。クラウドでは、最も複雑な機械学習モデルのトレーニング セットやトレーニング手法を使用でき、使用した分だけお支払いいただけます。独自のデータセンターに構築しようとすると、ほんの一部しか使用しないものに多額の費用を支払うことになります。決してそんなことはしないでください。
MichaelKrigsman:私自身について少しお話しましょう。特定の医療システムの名前は言いませんが、私は絶対にそのシステムを支持します。理由はたくさんありますが、その 1 つは、彼らが偉大な医師であることなどです。しかし、情報ロックもあり、私がシステムから離れると、医師から通知が送られてきます。この固有の情報ロックインは、あなたが説明するデータ共有にとって有害ではないでしょうか?
ShezPartovi:これにより、データ共有が確実に困難になります。しかし、多くの組織がこの現状から脱却しようとしています。たとえば、カリフォルニア大学サンフランシスコ校 (UCSF) のパートナーは、上で述べた共通の共有環境を使用しており、実際に UCSF 環境外の実践からデータを取得し、次のことを可能にする全体的なビューを作成しようとしています。患者の診療所間の移動が簡単かつ楽になり、情報共有も容易になります。
マイケル・クリグスマン:不正なデータ、不正なアルゴリズム、およびその結果として不正な予測が行われた場合は、責任は誰にありますか?
Shez Partovi:フィリップスでは、これが臨床医の意思決定を支援するツールであると信じ続けていますが、最終的には臨床医に最終的な意思決定者になってもらいたいと考えています。
質問自体に戻りますが、まず哲学的に言えば、少なくとも私たちの観点からは、透明性があり、偏見がなく、エクスペリエンスを向上させるツールを作成する方法を検討しています。これは、臨床医の完了にも役立ちます。血液検査や他の検査と同じように機能します。
ところで、どんな検査にも偽陽性や偽陰性が発生する可能性があります。臨床医は、自分自身を診断するアルゴリズムとは異なり、検証と総合的な考慮事項に基づいて意思決定を行います。データ、アルゴリズム、予測のいずれであっても、それらは臨床医の意思決定を支援するツールにすぎません。
次に、データバイアスに関しては、先ほどの3V(Variety、Diversity、Authenticity)に、Verification(検証)の1Vを加えます。もちろん、アルゴリズムを作成するプロセスには、この大衆化、多様性、信頼性、そして検証が含まれます。
臨床医として私たち全員が医療を地域医療として捉えているという事実は、ある地域で風土病である病気が、別の地域では風土病であるとは限らないことを意味します。私はカナダと米国の両方でトレーニングを受けてきました。カナダでの特定の胸部 X 線写真は結核であり、米国での研修中に私が得た同じ所見は肺炎コクシジオイデス症でした。それらは違う。しかし、それは医療が地域にあるからです。
アルゴリズムは、展開環境に応じて微調整する必要があります。米国はおろか、世界にとって普遍的なアルゴリズムは存在しないでしょう。医療は地域にあります。トレーニングはローカルで微調整する必要があります。
Michael Krigsman:あなたは、モデルをローカライズするか、地域の状況を反映する必要があるという非常に挑発的な指摘をしています。これらのモデルの作成は誰が担当するべきですか?
ShezPartovi:アルゴリズムは微調整できます - 私たちも微調整できます。したがって、モデルは「一般的に」トレーニングおよび微調整でき、本番環境に入る前に環境のバックグラウンドでデプロイすることもでき、デプロイ後にトレーニングを継続できます。
定義上、実装と継続使用によってローカライズされます。
Michael Krigsman:これらのモデルは通常、ソフトウェア ベンダー、医療システム、またはフィリップスのような企業によって提供されますか?これらのモデルは誰が提供しますか?
Shez Partovi :上記はすべて利用可能です。もちろんフィリップスでもモデルの開発は行っており、実は弊社のモデルを入れて利用できる「AIManager」という環境が用意されています。
組織は独自のモデルを構築し、それを AI Manger に入れて使用することもできます。現在、多くの若い企業がこの取り組みを行っています。データにアクセスできる企業であれば、適切なデータを使用してモデルを構築できると思います。
Michael Krigsman:ローカル モデルはモデルの内部バイアスを軽減する方法だということですが、私は正しく理解していますか?
Shez Partovi :はい、バイアスを減らすのに役立ちます。トレーニングおよび検証されたモデルがローカルに入って使用され始めると、そのモデルはローカルの最適化および調整モデルとみなされます。
マイケル クリグスマン:ヘルスケアにおけるデータと AI は今後数年間でどこへ向かうのでしょうか? ?
ShezPartovi:検査のために体の組織や血液を採取すると、データ ストリームが生成され、そのデータを取得して、そのデータに対してテストとしてアルゴリズムを実行できます。そうですね、採血して血液を検査するのと同じように、データは医療システムの静脈や動脈を流れることができます。そのデータを取得してアルゴリズムを適用できます。
医師は順序付けアルゴリズムをテストとして使用します。はい、常に実行されているバックグラウンド アルゴリズムがあります。ただし、アルゴリズムによっては大量の計算能力を必要とする場合があります。このようなアルゴリズムを実行するにはコンピューティング能力を使用するため、実際にはコストがかかる可能性があります。
時間が経つにつれて、臨床医は検査を注文するのと同じ方法でアルゴリズムを注文するようになると思います。
マイケル・クリグスマン:これが起こるまでにどれくらい時間がかかると予想しますか?
シェズ・パートヴィ:5 年以内にいくつかの初期の兆候が見られるかもしれないと思います10年まで。
マイケル・クリグスマン:データ サイエンスを収益向上だけでなく、患者ケアの向上に確実に活用するにはどうすればよいでしょうか?また、テクノロジーは非常に高価です。それをどのように考慮する必要がありますか?
ShezPartovi:人々は、品質を向上させ、コストを削減し、エクスペリエンスを向上させるために、ヘルスケアにおける AI および ML テクノロジーの包括的な重要性を正しく認識する必要があります。実際、コストはこれらの要因のうち 3 分の 1 しか占めていないことがわかります。私たちはコスト削減だけでなく、三重目標のあらゆる側面に焦点を当てる必要があります。
以前「データサイエンスを活用して業務効率化を図る」と言いましたが、業務効率化が介護サービスの向上につながるケースもあると私は考えています。 。これらの要素はすべて結びついており、別々のものであるように思われたくないのです。
マイケルクリグスマン:この変化する環境を見据えている医療管理者にアドバイスはありますか? 彼らは適応する必要があることはわかっていますが、耐えるのは彼らにとって非常に厳しいものになるでしょう。財務上の圧力、規制上の圧力、あらゆる種類のさまざまな圧力。
ShezPartovi:私は、他の組織との協力の初期段階において、これについて深く理解しています。私はフィリップスの代表なので利己的に聞こえるかもしれませんが、私が CMO だったら、トレーニングやスキルアップ、その他多くのことを行うでしょう。
管理者への私からの提案は、自分たちの問題に対する最適な解決策を同僚から見つけ出し、テクノロジー パートナーを紹介して、このパートナーと一緒に AI ML をこの問題にどのように適用できるかを確認することです。これが私が管理者としてどのように行動するかです。
マイケル・クリグスマン:この変化する医療の世界について政策立案者に理解してほしいことは何ですか?
シェズ・パートヴィ:政策立案者はそうすべきであり、そうする必要があります。知る。 AI と ML は、三重目標を推進する上で重要な役割を果たします。したがって、私の意見では、この時代において、AIML は品質を向上させ、コストを削減し、患者と臨床医のエクスペリエンスを向上させることができます。
政策立案者は、データ サイエンスの導入を促進し、AI と ML への障壁を取り除く方法を検討する必要があります。そうすることで得られる最終的な効果は、他のチームが望んでいることだからです。これら 3 つの目標は相互に関連しており、政策を通じて実践を進める方法を見つけ出す必要があります。
以上がデータサイエンスと人工知能はヘルスケア業界をどう変えるのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
