Conţinut
- Alimentați date în timp real cu date mari
- Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
- Evenimente de etichetare pentru o mai bună învățare a mașinilor
- Date curate înainte de expediere (expediție aur, nu murdărie)
- CNN pentru identificarea solidă a datelor senzoriale etichetate
- Viitorul
Sursa: PhonlamaiPhoto / iStockphoto
La pachet:
Deși poate exista convingerea că AI este costisitor de pus în aplicare, suma de bani pe care o poate economisi și nivelul îmbunătățit de îngrijire a pacientului pot compensa.
Potrivirea modelului și prezicerea unei nevoi exigente în spitale este o sarcină dificilă pentru personalul medical calificat, dar nu și pentru învățarea AI și pentru învățarea mașinii. Personalul medical nu are luxul de a-și observa fiecare pacient în parte. Deși incredibil de buni în identificarea nevoilor imediate ale pacienților în circumstanțe evidente, asistenții medicali și personalul medical nu posedă capacitățile de a discerne viitorul dintr-o serie complexă de simptome ale pacientului expuse într-o perioadă rezonabilă. Învățarea automată are luxul de a observa și analiza datele pacientului 24/7, dar și de a combina informațiile colectate din mai multe surse, adică înregistrări istorice, evaluări zilnice de către personalul medical și măsurători în timp real ale vitalelor precum frecvența cardiacă, consumul de oxigen și tensiunea arterială. Aplicarea AI în evaluarea și predicția de atacuri de cord iminente, căderi, accidente vasculare cerebrale, sepsis și complicații este în prezent în curs de întreaga lume.
Un exemplu din lumea reală este modul în care Spitalul El Camino a legat EHR, alarma pentru pat și asistenta medicală apelează la date ușoare la analize pentru a identifica pacienții cu risc ridicat de căderi. Spitalul El Camino a redus căderile, un cost major pentru spitale, cu 39%.
Metodologiile de învățare automată utilizate de El Camino sunt vârful aisbergului, dar reprezintă în mod semnificativ viitorul asistenței medicale, folosind idei orientate spre acțiune sau analize de prescripție medicală. Folosesc un mic subset de informațiile potențiale disponibile și acțiunile fizice întreprinse de pacient, cum ar fi ieșirea din pat și apăsarea butonului de ajutor împreună cu fișele de sănătate – o măsurare periodică de către personalul spitalului. În prezent, echipamentele spitalicești nu alimentează date semnificative de la monitoare cardiace, monitoare de respirație, monitoare de saturație de oxigen, ECG și camere de luat vederi în dispozitive mari de stocare a datelor cu identificarea evenimentelor.
Integrarea soluțiilor AI cu sistemele spitalicești actuale este o problemă economică, politică și tehnică. Scopul restului acestui articol este de a discuta problemele tehnice, care pot fi defalcate în următoarele funcții:
- Obțineți datele
- Curățați datele
- Transportați datele
- Analizați datele
- Notificați părțile interesate
Obținerea și curățarea datelor este un aspect provocator al tuturor implementărilor AI. Un punct de plecare de referință decent pentru înțelegerea resurselor necesare pentru a accesa un EHR tipic, cum ar fi datele Epic, este în acest articol despre Cum să se integreze cu Epic.
Alimentați date în timp real cu date mari
Facem analize predictive – nu în timp real alarmant. Acestea sunt probleme deosebit de diferite. Analiticele predictive în timp real pot renunța la date în flux, nu la evenimente. Datele de eveniment sunt etichete de identificare care înregistrează evenimentele de tip bookend. Evenimentele sunt frecvența cardiacă pe o perioadă de timp sau saturația de oxigen la un anumit interval. Transmiterea datelor este fiecare bătăi cardiace sau puls de oxigen. Acest lucru este foarte important deoarece o garanție a datelor este costisitoare din punct de vedere al performanței. Trebuie să garantăm evenimente – există un număr limitat de acestea – nu trebuie să garantăm date.
EHR, apelurile de asistente medicale și datele de monitorizare ale pacientului trebuie să fie asociate cu un pacient în fiecare moment. Aceasta înseamnă un identificator unic care este partajat între toate sistemele și ușor de implementat, cum ar fi un UUID (identificator universal unic). Din perspectivă de implementare, camerele cu cititoare de coduri de bare integrate care scanează mediul integrează o mulțime de cerințe funcționale necesare pentru implementări cuprinzătoare. Un sistem bine pus în aplicare poate scana codurile de bare ale patului, codurile de bare ale brățarului pacientului, codurile de bare de prescripție și codurile de bare intravenoase, în timp ce atribuie un UUID unic la fiecare schimbare a patului pacientului. Tehnologiile spitalului actuale includ scanerele de asistență pentru codurile de bare ale bratarilor pentru pacient.
Scopul nostru este să scriem în timp real date serios geospatiale pentru stocarea de date mari. Cel mai semnificativ timp de întârziere este în scrierea în baza de date, deci trebuie să ne asincronizăm date în coadă undeva, iar cea mai bună metodă de a face acest lucru este folosirea unei platforme de mesagerie precum RabbitMQ sau Kafka. RabbitMQ poate gestiona 1 milion s pe secundă, iar Kafka poate gestiona până la 60 de milioane pe secundă. RabbitMQ garantează datele, Kafka nu. Strategia de bază devine publicarea datelor către schimburi care au caracteristicile necesare pentru nevoile dvs. (Amazon încearcă să utilizeze date mari pentru a reduce costurile de îngrijire a sănătății. Aflați mai multe în Amazon Planuri de îngrijire a sănătății - o adevărată revoluție a pieței?)
Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
Nu îți poți îmbunătăți abilitățile de programare atunci când nimeni nu îi pasă de calitatea software-ului.
Evenimente de etichetare pentru o mai bună învățare a mașinilor
Cei mai eficienți algoritmi de învățare automată sunt cei cu seturi de date și etichete clar definite. Algoritmi excelenți, bine cunoscuți, sunt folosiți pentru a identifica cancerul și pentru a citi razele X. Articolul scris de Alexander Gelfand, Deep Learning and the Future of Biomedical Image Analysis, subliniază faptul că etichetarea datelor este esențială pentru succesul învățării automate. În plus față de etichetare, este foarte important să rezervați datele seriei de timp geospatiale în bucăți bine definite și consistente care fac referire la evenimentul marcat. Etichetele bine definite și coerente sunt utilizate ca criterii de selecție.
Date curate înainte de expediere (expediție aur, nu murdărie)
Toate datele pentru viitor ar trebui să fie considerate date geospatiale. Curățați datele înainte de a le publica pe o coadă și de a le scrie într-o bază de date. Cea mai eficientă metodă pentru datele senzorilor prime este de a aplica o funcție exponențială medie în mișcare pentru a curăța datele înainte de expediere. Zicerea noastră este să încercați să livrați cel mai bun aur pe care îl puteți, nu murdăria. Pe termen lung, transportul și stocarea datelor sunt costisitoare, deci asigurați-vă că datele sunt cât mai curate posibil înainte de expediere și stocare.
CNN pentru identificarea solidă a datelor senzoriale etichetate
În scopurile descrise în acest articol, există seturi de date publice bine definite și biblioteci de învățare automată pentru a fi utilizate ca șabloane pentru implementările dvs. Analiști buni și programatori solizi pot implementa AI solidă în mai puțin de șase luni de efort, dacă li se acordă timp dedicat pentru a învăța și a practica cu depozitele disponibile. Un excelent depozit de recunoaștere a imaginii pentru înțelegerea CNN (rețea neuronală convoluțională) cu o precizie de 87 la sută la recunoașterea melanomului este Proiectul de detectare a cancerului de piele. O bibliotecă excelentă pentru a înțelege combinarea senzorilor pentru recunoașterea evenimentelor este proiectul LSTMs pentru recunoașterea activității umane de Guillaume Chevalier. De asemenea, acest proiect reprezintă combinația dintre intrarea senzorului și determinarea diferitelor activități. Într-un cadru spitalicesc, aceeași metodologie funcționează pentru o serie de afecțiuni medicale. (Pentru mai multe exemple de descoperiri recente în domeniul sănătății în domeniul sănătății, consultați 5 cele mai uimitoare avansuri ale AI în asistența medicală.)
Viitorul
Aplicarea AI în mediul spital și în asistența medicală se întâmplă acum. Îmbunătățirea preciziei livrării de sănătate prin recunoașterea evenimentelor critice prin integrarea echipamentelor de monitorizare a pacienților, a senzorilor purtabili și a înregistrărilor de sănătate are deja soluții cunoscute. Măsura aplicării AI asupra impactului financiar asupra sănătății și financiar al viitorului nostru este incalculabilă. Barierele de intrare sunt mici. Prindeți-vă scândurile și paleta pentru acest val. Puteți afecta viitorul costurilor medicale la nivel mondial.