قبل از ظهور همه گیری کوید ۱۹، ۸۸٪ از ارائه دهندگان خدمات بهداشتی روی یک سیستم کنترل از راه دور بیمار (RPM) سرمایه گذاری کرده بودند که می تواند شامل دستگاه های اندازه گیری قند خون یا اکسی متر باشد. و پیش بینی می شود تا سال ۲۰۲۲ تعداد دستگاه های پوشیدنی در ایالات متحده به حدود ۶۷ میلیون دستگاه برسد.
اما ، برای اینکه سلامت دیجیتال در دسترس بیماران قرار گیرد و برای ارائه دهندگان مفید باشد ، زیرساخت های مناسب و ادغام با سوابق الکترونیکی سلامت (EHR) مورد نیاز است.
در حال حاضر ، شکاف دیجیتالی در حال برچیده شدن است. ۸۳٪ ساکنان ایالات متحده در مناطق روستایی اکنون به خدمات باند پهن دسترسی دارند. محاسبات لبه می تواند با تمرکززدایی داده ها در مراکز داده کوچکتر و متناسب با اهداف خاص یا جمعیت ، خدمات بهداشتی دیجیتال را برای بیماران به ارمغان بیاورد.
زیرساخت ابر برای توسعه برنامه ها و اتصال دستگاه های بیمار با EHR بسیار مهم است. مایک مک شری ، مدیر عامل Xealth ، گفت: “منابع سنتی در حقیقت برای بیمارستان ها، سوابق پزشکی است ، اما این بخش بسیار کمی از داده ها در مقابل آنچه برنامه ها و دستگاه های RPM جمع آوری می کنند، است.”
اما وقتی نوبت به خود پوشیدنی ها و حسگرها می رسد ، محاسبات لبه ای می تواند انتقال داده ها را از پوشیدنی ها و حسگرهایی مانند دستگاه های اندازه گیری قند خون آنلاین، اکسی متر ، مقیاس های وزن ، حسگرهای فشار خون یا سایر نمایشگرهایی که بیماران دیابتی استفاده می کنند ، آسان کند.
طبق گفته مجله علم و فناوری دیابت ، این دستگاه ها در تلفن های هوشمند و تبلت هایی که به عنوان هاب محاسبات لبه ای عمل می کنند ، بارگذاری می شوند. داده ها در یکی از این دستگاه های تلفن همراه پردازش می شوند ، سپس در یک مرکز داده لبه یا در یک مخزن ابر متمرکز برای تجزیه و تحلیل بارگذاری می شوند. اگر تلفن هوشمند یا رایانه لوحی بیمار آفلاین باشد ، داده ها در زمان واقعی بارگذاری نمی شوند.
موانع دانش فنی همچنین ممکن است مانع هماهنگ سازی داده در زمان واقعی شود. مک شری خاطرنشان کرد: “اگر انتظار دارید بیمار بلوتوث تلفن خود را با دستگاه همگام سازی کند شاید تبحر کافی برای این کار را نداشته باشد.بنابراین دستگاه های بیشتری با تراشه های تلفن همراه مجهز شده اند تا اتصال داده ها و احراز هویت را بصورت خودکار کنترل کنند. این موارد باعث می شود که داده ها در زمان واقعی بارگذاری می شوند و به رعایت موارد مربوط به داده های بیمار کمک می کنند.
اینجاست که محاسبات لبه ای می توانند تفاوتی قابل لمس ایجاد کنند. برخی از این برنامه های کاربردی برای محاسبه لبه که توسط ۵G فعال شده اند ، شامل ارتباطات حلقه بسته با ضربان سازهای قلب ، دفیبریلاتورها و حتی سیستم های تهویه مکانیکی هستند.
اما از طرفی چالش هایی نیز در این زمینه های وجود دارد، به گفته جاش کلمن ، مدیر عامل شرکت Rimidi ، بسیاری از چالش های ادغام با EHR ها می توانند با رابط برنامه نویسی FHIR (API) برطرف شوند. FHIR API یک رابط برنامه کاربردی به دستور دولت است که امکان همکاری پذیری داده ها را فراهم می کند ، و این به عنوان بخشی از قانون نهایی درمان قرن ۲۱ از مراکز خدمات پزشکی و دفتر هماهنگ کننده ملی فناوری اطلاعات سلامت است.
با این وجود مسائل تجاری و عملی هنوز با قابلیت همکاری و یکپارچه سازی وجود دارند. کلمن گفت: شرکت های EHR “داده ها را در تملک خود می دانند. و در تلاشند یک سپر دفاعی پیرامون آنچه انجام می دهند ایجاد کنند.”
کلمن اضافه کرد ، نقاط اصطکاک مانند این باید از طریق مقررات دولتی و آگاهی فزاینده ای که این همکاری ها برای توسعه دهندگان شخص ثالث RPM و فناوری زیرساخت های بهداشت دیجیتال و فروشندگان EHR مثمر ثمر است ، از بین برود.
توجه به این نکته ضروری است که به گفته Xealth’s McSherry ، از آنجا که هیچ راه حل یکسانی برای بیماران وجود ندارد ، پزشکان و پرستاران باید توجه کنندکه معیارها در یک جهت اشتباه قرار نگیرند. گردش کار باید در EHR بدرستی تعبیه شود و بیماران باید آموزش ببینند که چگونه در ابزارها یا خدمات مختلف ثبت نام کنند تا مطمئن شوند اطلاعاتشان به سرعت بارگذاری شود.
جنبه دیگر گردش کار، مربوط به مراقبت از بیمار است ، مانند قبل یا بعد از یک روش معمول. به عنوان مثال ، قبل از کولونوسکوپی ، بیشتر بیماران نسخه چاپی دستورالعمل ها را دریافت می کنند. مک شری خاطرنشان کرد: یک گردش کار می تواند یادآوری های پیامکی مانند هشدارهای مربوط به قطع خوردن و نوشیدن در یک زمان خاص و یادآوری مر بوط به مصرف نوشیدنی های آماده سازی را برای بیمار ارسال کند.
به گفته مک شری ، وقتی صحبت از هوش مصنوعی و یادگیری ماشین در سلامت دیجیتال می شود ، این موارد در سطوح گسسته خدمات مشهودتر است. به عنوان مثال ، وی گفت که برنامه ای که سلامت رفتار را کنترل می کند ، بر اساس پاسخ های بیمار ، پیش بینی می کند.
مک شری گفت: در بسیاری از موارد ، هوش مصنوعی نقش بیشتری در مراقبت های غیرمستقیم از بیمار دارد ، مانند تشخیص پیشگیری برای بیماران سرپایی که احتمال عوارض آنها بیشتر است. وی خاطرنشان کرد: “ما همچنین در این زمینه شاهد تحقیقات دارویی و سایر تحولات دارویی و دستگاهی هستیم.”
