隨著支持物聯網的設備的出現，醫療保健領域的遠程監護現已可用。幾乎所有大型健康保險提供商都有一個相關的病例管理部門，其中聘請臨床護士和醫生來審查成員(被保險人)所接受的護理。隨著技術的進步，這些病例管理部門現在經常使用聯網設備來幫助監測患有慢性病的成員的健康狀況。例如，充血性心力衰竭(CHF)是常規的病例管理項目，臨床醫生通過記事本和相關的量表跟蹤成員的體重和癥狀，將補充信息輸入病例管理系統，并在出現體重增加等異常時發出警報。AI用于確定警報何時發出并幫助下一步采取最佳行動——例如，會員/患者是否應該打電話給他們的醫生，病例管理的臨床醫生是否應該給會員打電話，會員是否應該去急診室等等。人工智能分析的物聯網測量和跟蹤提供對數據的即時評估，以便隨著時間的推移我們可以識別醫療事件/診斷疾病并預防未來的事件/疾病。

[[439415]]

物聯網與人工智能

物聯網應用案例中的一個例子是，醫療付款人為高危妊娠安排連網的血壓監測設備，這一前提是約7%的孕婦會發生妊娠高血壓，其中4-20%的嬰兒最終進入新生兒重癥監護病房(NICU)。與妊娠并發癥相關的醫療費用增加，包括妊娠高血壓及其相關疾病、先兆子癇和子癇，增加了醫療付款人監控這些“高危”母親的需求。聯合醫療保健公司一個致力于管理孕產婦潛在風險的團隊的坊間數據報告表明，在這些聯網護理監測項目中，設備使用和持續使用的患者約80-90%。產婦血壓讀數和任何異常情況都會告知管理醫生，以便他們能夠干預和管理病情(妊娠高血壓)，從而預防與該疾病相關的并發癥。

目前，在該項目中由人監控物聯網生成的數據。提供者在此模型中進行實際診斷并指定治療方案。在此類物聯網監控的未來迭代中，AI將分析這些成員生成的物聯網數據。AI隨后可以診斷甚至預測妊娠高血壓、先兆子癇和子癇的發展，并通過AI指導的干預措施及時進行最佳實踐治療或預防疾病。此外，我們可以監測所有懷孕女性，而不僅僅是高危人群。AI可以利用物聯網生成的數據，并學會識別數據中哪些因素或趨勢表明未來有發生高血壓相關疾病的風險，然后為整個孕婦群體提供疾病預防干預措施。在此項目中保持傳統的臨床嚴謹性意味著包括廣泛監測對這一人群的好處將超過任何潛在風險的評估，如假陽性結果和不必要的干預。但其中的問題和應用的可能性仍有待確定和解決。

為了真正理解這種簡單的關聯監測干預的重要性，我們必須對產婦健康空間有更多的了解。2000年至2014年間，美國孕產婦死亡率上升了26.6%。同樣，妊娠期高血壓疾病也從1993年的529例上升到2014年的912例[[2]]，醫療成本和利用項目(HCUP)估計，2012年美國與管理孕期高血壓/先兆子癇/子癇相關的短期成本為64億美元。在美國，作為孕期高血壓并發癥的早產相關的新生兒成本為每年262億美元。雖然妊娠高血壓及其相關疾病本身并不是導致母嬰健康惡化和醫療費用上升的原因，但它們是重要的因素。

有人會認為，接受常規推薦產前護理的母親不會有問題。然而，估計多達三分之一的婦女會漏診妊娠高血壓。漏診是可能的。在懷孕的第三個孕期(三個月為一個孕期)，在這期間，她的醫生每周都會給她看病，她的血壓和其他生命體征都會得到檢測。檢測值收集發生在診所環境中。診所的環境并不能反映女性真實生活中的壓力源和情況。休息時血壓讀數降低，姿勢改變(從站立到坐姿，從坐姿到躺姿)，壓力降低。通常情況下女性在召回進行血壓評估進，需要靜坐15-20分鐘或更長時間。這種情況血壓讀數可能會虛低或“正常”。

隨著物聯網的出現，我們現在可以在現日常生活中實時監測這些高危患者，以提供及時的干預和治療。人工智能將通過持續分析和指導最佳實踐護理或管理的最佳下一步來增強這一過程，從而預防孕產婦/胎兒并發癥和控制疾病，并使女性保持在疾病管理階段，而不是發展為需要高風險的并發癥以及昂貴的護理，例如剖腹產、住院治療等。與此相關的是不需要早產的嬰兒的成本節約和健康促進以及與妊娠高血壓相關的NICU住院。

從醫療保健的角度來看，物聯網和人工智能支持的實時監控和實時管理可確保患者的安全和健康。人工智能解決方案可以使提供者能夠提供及時和最佳的護理，增加患者參與度，減少住院，減少住院時間，并防止再入院和急診科的使用。通過AI分析和與提供商的協作對連接的血壓讀數進行簡單干預，可以創建個性化的醫療保健解決方案，為我們的醫療保健系統節省大量相關成本。

將同樣的方法應用于不同年齡段的各類人群，會促進更多人健康。例如，健身手環、血壓監測器、心率監測器、血糖儀和其他設備為患者提供個性化的建議，并從其提供者或臨床支持團隊獲得近乎實時的管理。就我們之前討論的那個中年糖尿病女性而言，我們提到她已經轉向了醫療保健連續體的更健康的一端。我們可以通過她的聯網設備繼續保持參與并了解患者的情況。如果她開始恢復體重，數據表明活動減少，血糖儀讀數通常會增加，人工智能會引導下一步采取最佳行動。這些可能包括通過保險公司通知她的臨床醫生或她的臨床支持團隊，建議他們進行干預以評估情況并對她的護理進行微調，從而以實時方式直接響應個人情況。

類似地，物聯網和人工智能可應用于健康患者，以使他們在健康連續體模型中處于健康階段。設備可設置為報警或向患者、提供者和保險公司的臨床支持提供異常結果通知。通過這種方式，可以在問題惡化之前，根據個人的需要/擔憂進行必要的干預。例如，如果一名健康患者出現血壓升高的常規趨勢，我們可以接觸該患者并確定是否有高血壓發生。在實際疾病(高血壓)發病之前，通過收集數據點、評估最佳治療途徑和監測反應，使用人工智能有可能優化結果。

對于老年人來說，物聯網和人工智能正被用來幫助他們在孤獨環境中更健康、更長壽地生活。通過持續跟蹤他們在家中的健康狀況和安全風險，如跌倒風險，我們可以識別他們健康狀況中的任何干擾或變化，并提醒家庭成員、提供者和護理管理團隊。已經創建了幾個圍繞這種監測與人工智能相結合的試點項目，初步結果顯示在家庭健康方面取得了成功。此外，當發現異常或警報響起時，家庭護理臨床醫生被派往消費者家里，以評估出現的情況并對設備進行調整。與臨床醫生攜手合作的技術前所未有的醫療保健形式。

我們從個體患者、提供者和保險公司的角度研究了人工智能和物聯網監控以改善健康狀況。人工智能和監測改善健康的另一個領域是對住院病人的自主監測。住院是危險的。住院期間發生藥物不良反應的風險為5.5%，感染風險為18%，發生潰瘍的風險為3%。[[3]]不包括跌倒、受傷或醫源性事件(與醫院/醫療護理相關的受傷或傷害)的風險。患者住院時間越長，發生不良事件的風險越大。據估計，每10名患者中就有1名出現不良事件。除此之外，人們認為這些事件中有44%是可以預防的。這些事件中有7.4%導致死亡。

今天的公司使用與人工智能相結合的連接監控。AI使用大量實時數據預測和推斷行為，以防止跌倒/受傷、檢測和預防感染、評估協議或流程失誤等，最終目標是提高患者安全并消除與住院相關的死亡事故。

對于個體臨床醫生、保險公司、醫院系統，尤其是個體患者而言，人工智能與互聯設備和監控相結合的發展導致我們對醫療保健未來的設想發生了巨大的范式轉變。我們不再只是盡我們所能，被動應付“病人在哪里”。我們現在有能力從被動的醫療保健系統轉變為專注的、個性化的、主動的醫療保健模式。

健康決定因素和大數據

影響或決定健康的若干因素之間存在著復雜的關系。醫療、遺傳學、行為、社會經濟環境、身體影響和環境都扮演著重要角色。了解這些健康決定因素中的一個或多個對個人健康結果的影響，或哪些決定因素相互影響，都是復雜的，需要更多的研究。

圖21說明了許多健康決定因素中的一些。人工智能提供了一個機會，讓人們了解每年每天都會出現飽和的巨大數據。

圖21決定健康的若干因素

隨著時間的推移收集的數據，一些是定量的，一些是定性的，來自三個領域的無數來源，即大數據。讓人們更健康的機會需要理解這場數據海嘯。

單純關注醫學測試結果而不是健康的許多決定因素限制了我們為個人獲得最佳健康的能力。只有通過人工智能，我們才能看到模式并找到因果路徑，以了解哪些決定因素相互影響，以及它們對健康結果的影響。