به گزارش سلامت نیوز به نقل از ایمرج، مشابه صنعت داروسازی، صنعت مراقبت‌های بهداشتی با کاربردهای متعدد تقریباً برای هر رویکرد هوش مصنوعی، از جمله بینایی ماشین، تجزیه و تحلیل پیش‌بینی‌کننده، پردازش زبان طبیعی و در مورد بیمه سلامت، تشخیص ناهنجاری همراه است.

در این مقاله، مروری جامع از برجسته‌ترین کاربردهای هوش مصنوعی در صنعت مراقبت‌های بهداشتی را ارائه می‌کنیم و به جزئیات می‌پردازیم که چگونه پزشکان، بیمارستان‌ها و ارائه‌دهندگان مراقبت‌های بهداشتی موفق شده‌اند.

این گزارش نقطه اوج سال‌ها تحقیق ثانویه ما در زمینه هوش مصنوعی در فضای مراقبت‌های بهداشتی است، از جمله کارهایی که با بانک جهانی در مورد چگونگی آوردن هوش مصنوعی به سیستم‌های مراقبت بهداشتی کشورهای در حال توسعه انجام داده‌ایم.

بسیاری از عملکردهای کلیدی مراقبت های بهداشتی را که هوش مصنوعی ممکن است در حال حاضر در محیط بیمارستان انجام دهد برجسته می کند و بینش هایی از دکترا و مدیران هوش مصنوعی مراقبت های بهداشتی را که برای پادکست هفتگی خود با آنها مصاحبه کرده ایم، نشان می دهد.

پزشکان و پرستاران در بخش‌های مختلف بیمارستان می‌توانند از هوش مصنوعی و یادگیری ماشینی برای موارد زیر استفاده کنند:

رونویسی نسخه های پزشکی

پزشکان می توانند از هوش مصنوعی برای رونویسی صدای خود در اسناد پزشکی مانند پرونده الکترونیک سلامت (EHR) استفاده کنند. در حال حاضر، بسیاری از پزشکان وقت خود را صرف رونویسی یادداشت های صوتی ضبط شده از ویزیت بیمار در یک سیستم EHR می کنند.

با برنامه‌های پردازش زبان طبیعی (NLP) که برای تشخیص صدا استفاده می‌شود، رونویسان پزشکی می‌توانند رونویسی را خودکار کرده و گفتار خود را مستقیماً در سیستم EHR تایپ کنند.

اگرچه هوش مصنوعی برای رونویسی پزشکی در مقایسه با سایر برنامه های کاربردی مراقبت های بهداشتی هوش مصنوعی نوپا است، شرکت های مراقبت های بهداشتی مانند Allina Health در حال خرید نرم افزار رونویسی پزشکی با پردازش زبان طبیعی هستند.

این نرم افزار عمدتا توسط Nuance Communications، توسعه دهنده نرم افزار NLP فروخته می شود. Nuance Communications نرم‌افزاری را ارائه می‌کند که آن را Dragon Medical One می‌نامند، و آنها ادعا می‌کنند که می‌تواند به شرکت‌ها و ارائه‌دهندگان مراقبت‌های بهداشتی کمک کند تا با استفاده از پردازش زبان طبیعی، گفتار یک پزشک را به EHR رونویسی کنند. به نظر می رسد که پزشکان می توانند نرم افزار را در سیستم EHR موجود خود ادغام کنند.

مدل یادگیری ماشین پشت Dragon Medical One باید در مورد هزاران درخواست برای رونویسی گفتار آموزش ببیند تا بتواند به طور دقیق صدای پزشک را تشخیص دهد. صداهایی که برای آموزش آن مدل استفاده می‌شوند، لزوماً شامل لهجه‌ها، انحراف‌ها و زیر و بم‌های متعدد هستند تا نرم‌افزار بتواند صدای همه پزشکان را تشخیص دهد. سپس مدل یادگیری ماشین درخواست‌ها را در EHR رونویسی می‌کند.

سپس یک متخصص EHR رونویسی را تصحیح می کند و پیش نویس جدید را دوباره از طریق مدل یادگیری ماشین اجرا می کند. این امر به الگوریتم آموزش می‌دهد تا عبارات مراقبت‌های بهداشتی را تشخیص دهد و به‌طور مؤثرتر آنچه را که پزشک می‌گوید در حین ضبط یادداشت‌های EHR رونویسی کند.

Nuance Communications یک مطالعه موردی منتشر کرد که در آن ادعا می‌کنند به پزشکی نبراسکا کمک کرده‌اند تا کارایی به‌روزرسانی سوابق پزشکی بیماران را برای همه ارائه‌دهندگان مراقبت‌های بهداشتی خود افزایش دهد. طبق مطالعه موردی، Nebraska Medicine Dragon Medical One را در سیستم EHR خود ادغام کرد.

قبل از ادغام، شرکت مشتری به شخص ثالثی برای خدمات رونویسی پرداخت می‌کرد تا یادداشت‌های صوتی پزشکان و پزشکان را تایپ کند.

ظاهراً پزشکی نبراسکا توانست هزینه رونویسی خود را تا 23 درصد کاهش دهد. این شرکت تمام پزشکان خود را در مورد تجربه آنها با Dragon Medical One مورد بررسی قرار داد و 71٪ از آنها گفتند که کیفیت یادداشت های EHR بهبود یافته است. علاوه بر این، 50٪ گفتند که حداقل 30 دقیقه در روز با استفاده از نرم افزار صرفه جویی می کنند.

یک پزشک می تواند با میکروفون خود صحبت کند تا یادداشت EHR را ضبط کند. اگر پزشک بگوید، "بیمار دچار شکستگی خط مو در اولنای راست خود شده است"، نرم افزار می تواند تمایز بین عبارت "شکستگی خط مو" و صداهای آوایی مرتبط با دستور "خط شکسته" را تشخیص دهد.

به این ترتیب، نرم افزار، خط جدیدی را شروع نمی کند یا عبارات دیگری را به عنوان دستورات عملیاتی دریافت نمی کند، در حالی که یادداشت های EHR در حال رونویسی هستند.

در آینده، یک پزشک ممکن است بتواند به سیستم NLP بگوید: «0.15 واحد انسولین در هر کیلوگرم»، و سیستم NLP ممکن است بتواند تفسیر کند که پزشک به دنبال سیستمی است که برای بیمارش نسخه بنویسد.

به این ترتیب، سیستم NLP ممکن است یک فرم نسخه تهیه کند که می تواند آن را برای بیمار چاپ کند و یا برای یک شرکت بیمه ارسال کند. باز هم، بعید است که نرم افزار NLP اکنون قادر به انجام این کار باشد، اما این یک امکان در آینده فراهم خواهد شد.

برنامه ریزی برای جراحی

جراحان ارتوپد می توانند از هوش مصنوعی و یادگیری ماشینی برای برنامه ریزی جراحی استفاده کنند. هوش مصنوعی و یادگیری ماشین همچنین می توانند به بخش های ارتوپدی در تصویربرداری پزشکی و شناسایی ساختارهای بدن متمایز، در تصاویر پزشکی کمک کنند.

در ارتوپدی، درک شکل دقیق ساختارهای بدن بیمار، مانند استخوان‌ها، غضروف‌ها و رباط‌ها، در ناحیه‌ای که از درد یا ناتوانی رنج می‌برد، ضروری است. تصاویر پزشکی مانند MRI و اشعه ایکس می‌توانند فاقد جزئیات و اندازه‌گیری‌های دقیق و بررسی عمق ساختار شده باشند که برای ارزیابی کامل وضعیت لازم است.

راه‌حل‌های یادگیری ماشینی می‌توانند به اندازه‌گیری استخوان‌ها، رباط‌ها و غضروف‌های بیمار از این تصاویر کمک کنند تا اطلاعات بیشتری از آنها استخراج شود. به عنوان مثال، یک متخصص ارتوپدی می خواهد اندازه هر استخوان، رباط و عضله مچ پای بیمار خود را بداند تا در صورت نیاز، قطعات آن را با دقت بیشتری جایگزین کند.

تعیین این اندازه‌گیری‌ها می‌تواند التهاب حاد یا مشکلات دیگری را که ممکن است با فناوری تصویربرداری پزشکی معمولی به سختی قابل مشاهده باشد، آشکار کند.

علاوه بر این، پزشکان ممکن است از یک نرم افزار پیش بینی مبتنی بر هوش مصنوعی، برای تخمین موفقیت برخی از روش های جراحی استفاده کنند. این نرم افزار می تواند به شرکت های مراقبت های بهداشتی اجازه دهد تا توصیه های بهتری در مورد نحوه انجام عمل جراحی ارائه دهند.

این نوع نرم‌افزار معمولاً از یک سیستم امتیازدهی برای تعیین احتمال موفقیت برای یک روش پزشکی خاص استفاده می‌کند و می‌تواند امتیاز روش‌های جایگزین را که ممکن است کم و بیش به نفع بیمار باشد، تخمین بزند.

شرکت‌های مراقبت‌های بهداشتی که به دنبال راه‌حل‌های تجزیه و تحلیل پیش‌بینی‌کننده هستند، می‌توانند همراه با آن راه‌حل‌های نرم‌افزاری، به سراغ فروشندگانی مانند Medicrea برای ابزارهای سفارشی یا ایمپلنت‌های جراحی‌های مورد نظر بروند.

این شرکت ایمپلنت هایی را ارائه می دهد که به طور خاص برای هر بیمار ساخته شده اند و مطابق با طرح جراحی است که شرکت مراقبت های بهداشتی مشتری با استفاده از پلت فرم UNiD Medicrea ساخته است.

OM1 نرم‌افزار تحلیلی پیش‌بینی‌کننده را ارائه می‌دهد که آن را OM1 Medical Burden Index (OMBI) می‌نامند؛ به ادعای آنها به ارائه‌دهندگان کمک می‌کند تا نتایج جراحی‌ها را پیش‌بینی کنند.

آن‌ها همچنین بیان می‌کنند که نرم‌افزار می‌تواند با استفاده از تجزیه و تحلیل پیش‌بینی‌کننده، یک طرح پیشنهادی برای آن جراحی‌ها ایجاد کند.

OMBI تخمین می زند که بیماری ها چقدر بر زندگی روزمره بیماران تأثیر می گذارد.

ارزیابی OMBI اندازه گیری بار ترکیبی یک بیمار از تمام مشکلات پزشکی آنها است و از 1 تا 1000 امتیاز می گیرد.

معیار امتیازدهی OMBI، از تجزیه و تحلیل بیش از 200 میلیون پروفایل بیمار در سراسر ایالات متحده ایجاد شد. وب‌سایت OM1 بیان می‌کند که امتیاز OMBI یک پیش‌بینی‌کننده قوی برای استفاده از منابع بیمار در آینده و مرگ‌ومیر است.

مدل یادگیری ماشین پشت OMBI باید در مورد ده ها هزار پرونده الکترونیکی پزشکی و سلامت (EMRs/EHR) آموزش ببیند. به هر عاملی که عملکردهای عادی روزانه بیمار مانند فلج بودن یا ناتوانی در صحبت کردن را ضعیف می کند، یک مقدار عددی داده می شود و سپس از طریق الگوریتم OMBI اجرا می شود تا امتیاز OMBI را در اختیار کاربر قرار دهد.

سپس نرم‌افزار OM1 می‌تواند عوارضی را که ممکن است همراه با بیماری باشد، همراه با حجم منابعی که در آینده به آن‌ها نیاز خواهد داشت، پیش‌بینی کند.

تجزیه و تحلیل تصاویر پزشکی

با گسترش گسترده‌تر نرم‌افزار بینایی ماشین در صنعت مراقبت‌های بهداشتی، تصویربرداری پزشکی یک مورد کاربردی تر خواهد شد. نرم افزار بینایی ماشین برای تصویربرداری پزشکی معمولاً شامل برنامه هایی است که تصاویر پزشکی را اسکن می کند تا اطلاعات بیشتری از آنها استخراج کند.

برخی از نرم‌افزارها ممکن است تصاویر پزشکی یا مدل‌های سه‌بعدی تولید شده را به‌منظور برجسته کردن بخش‌های خاصی از ناحیه تصویربرداری‌شده بدن یا شرایط بدخیم مانند تومورها یا سلول‌های سرطانی تقسیم‌بندی کنند.

به عنوان مثال، RSIP Vision اساساً بر روی اسکن تصویر ارتوپدی تمرکز دارد، با این حال، Sigtuple نرم افزاری به نام Shonit توسعه داد که به ادعای شرکت می تواند اطلاعات را از تصاویر خون استخراج کند. Sigtuple ادعا می کند که راه حل آن می تواند سلول های خون را در یک تصویر با استفاده از میکروسکوپ های برنامه ریزی شده برای آپلود تصاویر در ابر اسکن کند.

آنها با ذخیره تصاویر پزشکی خود در ابر، به تسهیل آسیب شناسی از راه دور برای ارائه دهندگان مراقبت های بهداشتی مشتری خود کمک می کنند. آنها همچنین ادعا می کنند که برای مثال، اگر پزشک به درک دقیق تری از تاریخچه پزشکی بیمار نیاز داشته باشد، دسترسی از راه دور به اطلاعات برای او مقدور خواهد بود.

وجود هر دوی این برنامه ها می تواند به کاهش مشکل داده های غیر دیجیتالی هنگام کار با هوش مصنوعی کمک کند. از آنجایی که الگوریتم‌های یادگیری ماشینی باید روی داده‌های دیجیتالی آموزش ببینند، تصاویر پزشکی قبل از اینکه به یک الگوریتم هوش مصنوعی داده شوند باید دیجیتالی شوند.

RSIP Vision برای استفاده در ارتباط با یک دستگاه تصویربرداری پزشکی مانند MRI و Shonit تصاویر دیجیتالی را به صورت بومی بر روی میکروسکوپ های خود می گیرد.

ما با ژیگانگ چن، مدیر آزمایشگاه داده های بزرگ مراقبت های بهداشتی در Tencent صحبت کردیم. وقتی از چن پرسیده شد که برای اینکه هوش مصنوعی در مراقبت های بهداشتی کار کند، چه موانعی باید غلبه کرد، گفت: بدون پایه داده ها و دیجیتالی شدن، سخت یا تقریبا غیرممکن است که مدل های واقعا خوب را از آن بیرون بیاوریم. بنابراین، این سومین نکته است، یعنی بدون دیجیتالی‌سازی، بدون اینکه کل این فرآیند آنلاین و دیجیتالی شود، چگونه می‌خواهید متوجه شوید یا چگونه می‌خواهید ارزش هوش مصنوعی را به تجارت بازگردانید؟

یکی دیگر از نرم افزارهای اسکن تصویر پزشکی هوش مصنوعی، اپلیکیشن موبایل هلندی SkinVision است. این شرکت ادعا می کند که این نرم افزار ضایعات پوستی و خال ها را از نظر خطر ابتلا به سرطان با استفاده از بینایی ماشین بررسی می کند.

ظاهراً این نرم افزار عکس های ضایعات پوستی را بر اساس میزان خطر مرتبط با ضایعه دسته بندی می کند. کاربرانی که نتایجی را دریافت می کنند که خطر بالایی را نشان می دهد نیز می توانند درخواست کنند که نتایج آنها توسط متخصصان پوست بررسی شود.

بر اساس یک مطالعه در سال 2017 که در برنامه SkinVision در مجله انجمن پزشکی از راه دور آمریکا منتشر شد، این نرم افزار ضایعات را با حساسیت 80 درصد امتیاز داد. علاوه بر این، نرم افزار شرایط بدخیم و پیش بدخیم را با ویژگی 78 درصد شناسایی کرد. این مطالعه از یک نمونه 108 تصویری استفاده کرد و توسط بخش پوست در بیمارستان Catharina Eindhoven در هلند انجام شد.

تست ECG و مدیریت اورژانس

در مواقع اضطراری، دقت و سرعت همیشه بالاترین اولویت را دارد. این امر به ویژه در صنعت مراقبت های بهداشتی که در آن متخصصان پزشکی نمی توانند برای مدت زمان طولانی منتظر بمانند تا پردازش سیستم های کامپیوتری به پایان برسد، صادق می باشد. (این شامل موقعیت های بحرانی مانند ایست قلبی یا آسیب های تهدید کننده زندگی می شود.)

هوش مصنوعی برای این موقعیت‌ها معمولاً بینش‌هایی را از داده‌های پزشکی بیمار با استفاده از تحلیل‌ و پیش‌بینی ارائه می‌کند. همچنین ممکن است توصیه ای برای نحوه درمان بیمار ارائه دهد.

برای مثال، نتایج ECG/EKG بیمار را می‌توان از طریق یک برنامه یادگیری ماشینی اجرا کرد تا به پزشکان در یافتن ناهنجاری‌ها در ضربان قلب کمک کند.

اگر نرم‌افزار مورد نظر یک برنامه کاربردی تجزیه و تحلیل تجویزی باشد، ممکن است توصیه‌هایی برای نحوه درمان بیمار فهرست‌شده به ترتیب اولویت ارائه دهد. نتیجه این است که یک برنامه هوش مصنوعی می تواند بینش ها را استخراج کند و بر اساس انواع دیگر داده های پزشکی مانند سطح قند خون یا الکل، فشار خون یا تعداد گلبول های سفید، توصیه هایی ارائه کند.

برخی از برنامه ها به منظور ارزیابی مناسب وضعیت بیمار و توصیه بهترین درمان ها، ممکن است نیاز به استفاده از فناوری بینایی ماشین داشته باشند. این موارد می تواند برای تعیین تعداد سلول های خونی و ضایعات یا سایر علائم در خارج از بدن ضروری باشد.

برنامه های کاربردی بینایی ماشین پزشکی با چالش یافتن بهترین سخت افزار برای اجرای آنها روبرو هستند. برای برخی از برنامه ها، یک iPad به دلیل قابلیت حمل و سهولت استفاده انتخاب می شود. در غیر این صورت، ممکن است لازم باشد بیمار در حین مراقبت زیر یک دوربین بزرگتر قرار گیرد تا پزشکان و دوربین دید واضحی از بیمار داشته باشند.

ارائه اطلاعاتی که می تواند منجر به تشخیص شود

پیشرفت‌های هوش مصنوعی در کمک به تشخیص پزشکی همچنان با نوآوری‌هایی، فناوری را به جلو می‌برد. ما با دکتر الکساندر لو بوتیلیر، مدیر ارشد اجرایی و یکی از بنیانگذاران هوش مصنوعی و شرکت تصویربرداری پزشکی Imagia، در مورد احتمالات بینایی ماشین در تشخیص پزشکی در آینده صحبت کردیم. لو بوتیلیه وقتی از او پرسیده شد که رهبران مراقبت های بهداشتی در آینده چه پیشرفت هایی ممکن است از آن انتظار داشته باشند، گفت: این پیشرفت در واقع چند سال پیش با یادگیری عمیق در مورد آنچه که می توانید با نتایج بیماران و حتی جهش های ژنتیکی مشاهده کنید، رخ داد. فقط با نگاه کردن به یک تصویر، کامپیوتر می‌تواند ببیند که آیا جهش‌های ژنتیکی وجود دارد یا خیر، بنابراین نیازی به انجام نمونه خون یا بیوپسی نداریم. هدف نهایی این است که فقط با نگاه کردن به یک تصویر، بتوانیم استاندارد مراقبت را تسریع کنیم. با ترکیب تمام داده های موجود، ما قادر خواهیم بود بهترین درمان را برای هر بیمار پیدا کنیم.

شاید یکی از برجسته ترین موارد استفاده برای کاربردهای هوش مصنوعی و ML در مراقبت های بهداشتی، کمک به پزشکان در زمینه تشخیص پزشکی باشد. در حال حاضر، فروشندگان AI وجود دارند که برنامه های تلفن همراه را برای اطلاعات در مورد علائم بیماران و همچنین چت بات هایی که از طریق برنامه ها یا وب سایت های شرکتی که عملکرد مشابهی را ارائه می دهند قابل دسترسی هستند، ارائه می دهند.

برخی از اپلیکیشن‌های گوشی هوشمند نیز برای پردازش داده‌های حسگر اینترنت اشیا (IoT) از طریق الگوریتم‌های یادگیری ماشین ساخته شده‌اند که به نرم‌افزار اجازه می‌دهد ضربان قلب را ردیابی کند.

حسگر را می توان به خود گوشی هوشمند، ساعت هوشمند یا سایر دستگاه های پوشیدنی در امتداد خطوط FitBit متصل کرد. سپس نتایج اندازه‌گیری این داده‌ها در برنامه تلفن هوشمند بیمار نمایش داده می‌شود که می‌تواند شامل توصیه‌ها یا یادآوری‌هایی مانند زمان مصرف دارو باشد.

توجه به این نکته مهم است که ادغام این نوع کاربردهای تشخیصی ممکن است توجه عمیق‌تری نسبت به آنچه که بلافاصله آشکار است را به خود اختصاص دهد. ما با یوفنگ دنگ، دانشمند ارشد و مدیر بخش استنباط آمریکای شمالی صحبت کردیم. شرکت دنگ یک شرکت بینایی ماشین با تخصص در تصویربرداری پزشکی و تشخیص است. وقتی از دنگ پرسیده شد که موفق ترین مشتریانشان چه وجه مشترکی داشتند، دنگ گفت: من فکر می کنم اولین نکته یکپارچه سازی جریان کار است زیرا اگر یک مدل هوش مصنوعی خوب دارید، کافی نیست. در دنیای پزشکی، شما باید راه حل خود را به طور یکپارچه در جریان کاری پزشکان ادغام کنید، به طوری که آنها واقعا بتوانند از ابزار شما برای بهبود کارایی خود استفاده کنند. ما با بسیاری از بیمارستان ها و همکاران کار کرده ایم و اولین موردی که با آنها صحبت می کنیم این است که چگونه ابزار خود را در سیستم پزشکی آنها ادغام کنیم.

برای مثال، یک تیم تحقیق و توسعه ممکن است نیاز به تطبیق با داشبورد کاربر جدید داشته باشد تا به داده های تحقیقاتی آنها به راحتی توسط بخش های دیگر قابل دسترسی باشد. اگر این روند برای تیم تحقیق و توسعه دشوار باشد، می‌تواند باعث شود که پزشکان از جزئیات مهم در مورد تشخیص خود کمتر مطلع شوند.

برخی از برنامه‌های تشخیصی هوش مصنوعی، شامل نرم‌افزار بینایی ماشین برای کمک به پزشکان، در تشخیص ناهنجاری‌های فیزیکی در بدن است که می‌تواند نشانه‌های بیماری باشد.

Aidence ادعا می‌کند که نرم‌افزار بینایی ماشین آن‌ها Veye Chest می‌تواند به رادیولوژیست‌ها در گزارش ندول‌های ریوی یا رشد کوچک در ریه‌ها کمک کند.

این شرکت ادعا می کند که نرم افزار Veye Chest می تواند با نرم افزار خواندن و گزارش موجود بیمارستان یکپارچه شود.

ما می‌توانیم استنباط کنیم که این به معنای یک سیستم یا پایگاه داده EMR/EHR است، اگرچه مشخص نیست که آیا نرم‌افزار با همه مارک‌ها مانند EPIC EHR سازگار است یا خیر.

ظاهراً این نرم افزار می تواند وجود یا علائم ندول های ریوی را در سی تی اسکن ریه های بیمار تشخیص دهد. Veye Chest شرح متنی یافته‌های خود را به همراه یک تصویر حاشیه‌نویسی از ریه‌ها نمایش می‌دهد. حاشیه نویسی و متن نشانگر برای تشخیص دقیق تر بیمار و ثبت اندازه گره های ریوی در طول درمان مهم است.

نرم افزار Veye Chest نشان CE را دریافت کرده است که نشان دهنده انطباق با استانداردهای منطقه اقتصادی اروپا است. این شرکت هیچ مطالعه موردی در مورد عملکرد نرم افزار با مشتریان را فهرست نمی کند، اما گواهینامه CE استفاده از نرم افزار را در سراسر اتحادیه اروپا تایید می کند.

مارک جین هارت یکی از بنیانگذاران و مدیر عامل شرکت Aidence است. او دارای مدرک کارشناسی ارشد در رشته علوم کامپیوتر از موسسه فناوری آیندهوون است. هارت قبل از کار در Aidence به عنوان یکی از بنیانگذاران و CTO برای شرکت های کوچکتر بازاریابی و فناوری هلند فعالیت می کرد.

نظارت بر جراحی

جراحی مانیتورینگ یکی دیگر از موارد استفاده از دیجیتالی شدن ابزار پزشکی است. به این ترتیب در انکولوژی و رادیولوژی، نرم افزار بینایی ماشین می تواند برای ردیابی پیشرفت جراحی استفاده شود.

برخی از فروشندگان ممکن است نرم افزاری را ارائه دهند که یک روش جراحی گام به گام را به جراح زمانی که یک مرحله را کامل کرده است، توصیه می کند. برخی دیگر ممکن است جراحی را از نظر علائم حیاتی بیمار یا پایبندی به بهترین شیوه های بیمارستان نظارت کنند. شرایط می تواند شامل از دست دادن خون، سطح قند خون، ضربان قلب و سطح اکسیژن خون باشد.

Gauss نرم افزار iPad خود را Triton ارائه می دهد که به ادعای آنها می تواند به پزشکان کمک کند تا از دست دادن خون بیمار را با استفاده از بینایی ماشین پیگیری کنند.

ظاهراً پزشکان می‌توانند دوربین آی‌پد را به سمت اسفنج‌های جراحی استفاده‌شده قرار دهند تا بتواند میزان از دست دادن خون بیمار و سرعت از دست دادن خون را اندازه‌گیری کند. به منظور تعیین دقیق این عوامل، گاوس احتمالاً مدل یادگیری ماشینی پشت تریتون را بر روی میلیون‌ها تصویر از اسفنج‌های جراحی با مقادیر مختلف خون روی آنها آموزش داده است؛ سپس الگوریتم می تواند تصاویری را که با نرخ های بالاتر از دست دادن خون مرتبط هستند را تشخیص دهد.

پس از آن یک جراح می‌تواند یک اسفنج خونی را روی آی‌پد مجهز به تریتون نگه دارد و نرم‌افزار میزان خون موجود در اسفنج را تعیین می‌کند. ظاهراً این نرم افزار از این اطلاعات برای تعیین میزان خونی که بیمار قبل یا در حین جراحی از دست داده است استفاده می کند. مشخص نیست که چگونه مدل یادگیری ماشینی گاوس میزان از دست دادن خون و میزان از دست دادن خون را تعیین می کند.

وب سایت گاوس به یک مطالعه مستقل روی نرم افزار تریتون اشاره می کند که در مجله آمریکایی پریناتولوژی گزارش شده است. این مطالعه نرم افزار را با توانایی جراحان برای تشخیص میزان از دست دادن خون در بیماران سزارین در بین 2781 شرکت کننده مقایسه کرد. این مطالعه بیان می‌کند که تریتون بیشتر از تخمین جراحان، خونریزی‌های نشانه‌ای را در بیماران شناسایی کرده است.

جراحان در بیمارانی که سزارین با تریتون داشتند کمتر از آنهایی که تریتون نداشتند، از فرآورده خون استفاده کردند. بیماران سزارین که در آنها پزشک از تریتون استفاده کرده بود نیز توانستند زودتر از بیمارانی که از روش‌های سنتی سزارین استفاده می‌کردند بیمارستان را ترک کنند.

سیدارت ساتیش مدیرعامل و یکی از بنیانگذاران گاوس است. او دارای مدرک کارشناسی ارشد در مهندسی زیستی از برکلی است. ساتیش همچنین بخشی از فلوشیپ در استنفورد برای شبیه سازی جراحی بود.