Obsah
- Prenášajte údaje v reálnom čase na veľké dáta
- Žiadne chyby, žiadny stres - Váš sprievodca krok za krokom k vytvoreniu softvéru na zmenu života bez zničenia vášho života
- Udalosti označujúce štítky pre lepšie strojové učenie
- Čisté údaje pred odoslaním (zlaté zlato, nečistoty)
- CNN pre spoľahlivú identifikáciu senzorických údajov označených značkou
- Budúcnosť
Zdroj: PhonlamaiPhoto / iStockphoto
Zobrať:
Aj keď môže existovať presvedčenie, že implementácia AI je nákladná, množstvo peňazí, ktoré môže ušetriť, a zlepšená úroveň starostlivosti o pacienta ju môžu nahradiť.
Zhodovanie vzorov a predpovedanie naliehavej potreby v nemocniciach je náročná úloha pre kvalifikovaných zdravotníckych pracovníkov, ale nie pre AI a strojové učenie. Zdravotnícky personál nemá luxus pozorovania všetkých svojich pacientov na plný úväzok. Aj keď sú sestry a zdravotnícky personál neuveriteľne dobrý v identifikácii okamžitých potrieb pacientov za zjavných okolností, nedisponujú schopnosťou rozoznať budúcnosť od komplexného súboru symptómov pacienta, ktoré sa prejavia v primeranom období. Strojové učenie má tú výhodu, že nielen sleduje a analyzuje údaje o pacientovi 24/7, ale tiež kombinuje informácie získané z viacerých zdrojov, tj z historických záznamov, denných hodnotení zdravotníckych pracovníkov a merania vitálov v reálnom čase, ako sú srdcový rytmus, spotreba kyslíka. a krvný tlak. Aplikácia AI pri posudzovaní a predikcii bezprostredných infarktov, pádov, mozgových príhod, sepsy a komplikácií v súčasnosti prebieha na celom svete.
Skutočným príkladom je to, ako nemocnica El Camino Hospital prepojila údaje EHR, alarm postele a sestra s údajmi o svetle s analytickými údajmi s cieľom identifikovať pacientov s vysokým rizikom pádu. Nemocnica El Camino znížila pády, ktoré sú hlavnými nákladmi pre nemocnice, o 39%.
Metodiky strojového učenia, ktoré používa El Camino, sú špičkou ľadovca, ale významne predstavujú budúcnosť zdravotníckej starostlivosti pomocou akcií zameraných na činnosť alebo analýzou liekov na predpis. Používajú malú podmnožinu dostupných dostupných informácií a fyzických krokov, ktoré pacient podnikol, napríklad opustenie postele a stlačenie tlačidla pomoci v spojení so zdravotnými záznamami. – pravidelné meranie nemocničným personálom. Nemocničné stroje v súčasnosti nepodávajú významné údaje zo srdcových monitorov, monitorov dýchania, monitorov saturácie kyslíkom, EKG a fotoaparátov do veľkých zariadení na ukladanie údajov s identifikáciou udalostí.
Integrácia riešení AI do súčasných nemocničných systémov je hospodárskym, politickým a technickým problémom. Účelom zvyšku tohto článku je diskutovať o technických problémoch, ktoré možno rozdeliť na tieto funkcie:
- Získajte údaje
- Vyčistite údaje
- Transportujte údaje
- Analyzujte údaje
- Informovať zainteresované strany
Získavanie a čistenie údajov je náročným aspektom všetkých implementácií AI. Dôstojný referenčný východiskový bod na pochopenie zdrojov potrebných na prístup k typickým údajom EHR, ako sú údaje Epic, je v tomto článku o tom, ako sa integrovať s programom Epic.
Prenášajte údaje v reálnom čase na veľké dáta
Robíme prediktívnu analýzu – nie alarmujúce v reálnom čase. Sú to jedinečne odlišné problémy. Prediktívna analytika v reálnom čase môže vynechať streamované údaje, nie údaje o udalostiach. Údaje o udalosti sú identifikačné značky, ktoré rezervujú udalosti. Udalosti sú srdcová frekvencia za časové obdobie alebo saturácia kyslíkom v špecifickom intervale. Streamované údaje sú údaje pulzu kyslíka a pulzu. Je to veľmi dôležité, pretože záruka údajov je z hľadiska výkonu drahá. Musíme zaručiť udalosti – existuje ich obmedzený počet – nesmieme zaručiť údaje.
Údaje EHR, údaje o volaní sestry a údaje o monitorovaní pacienta musia byť v každom okamihu spojené s pacientom. To znamená jedinečný identifikátor, ktorý je zdieľaný medzi všetkými systémami a je ľahko implementovateľný, napríklad UUID (univerzálne jedinečný identifikátor). Z hľadiska implementácie kamery s integrovanými čítačkami čiarových kódov, ktoré skenujú prostredie, integrujú množstvo funkčných požiadaviek potrebných na komplexnú implementáciu. Dobre implementovaný systém môže skenovať čiarové kódy postele, čiarové kódy zápästia pacienta, čiarové kódy predpisu a intravenózne čiarové kódy a pri každej zmene postele pacienta priradiť jedinečný UUID. K súčasným nemocničným technológiám patria snímače zdravotných sestier pre čiarové kódy pacientovho náramku.
Naším cieľom je písať údaje geoprostorových časových radov v reálnom čase pre veľké ukladanie údajov. Najdôležitejšie oneskorenie je v zápise do databázy, takže musíme niekde asynchrónne ukladať údaje do fronty a najlepšou metódou je použitie platformy na zasielanie správ, ako je RabbitMQ alebo Kafka. RabbitMQ zvládne 1 milión s za sekundu a Kafka zvládne až 60 miliónov za sekundu. RabbitMQ garantuje údaje, Kafka nie. Základnou stratégiou sa stáva zverejňovanie údajov na burzách, ktoré majú potrebné charakteristiky pre vaše potreby. (Amazon sa snaží používať veľké údaje na zníženie nákladov na zdravotnú starostlivosť. Viac informácií o plánoch zdravotnej starostlivosti Amazon - skutočná revolúcia na trhu?)
Žiadne chyby, žiadny stres - Váš sprievodca krok za krokom k vytvoreniu softvéru na zmenu života bez zničenia vášho života
Svoje programovacie schopnosti si nemôžete vylepšiť, keď sa nikto nestará o kvalitu softvéru.
Udalosti označujúce štítky pre lepšie strojové učenie
Najúčinnejšie algoritmy strojového učenia sú algoritmy s jasne definovanými súbormi údajov a štítkami. Na identifikáciu rakoviny a čítanie röntgenových lúčov sa používajú vynikajúce známe algoritmy. Článok, ktorý napísal Alexander Gelfand, Hlboké vzdelávanie a budúcnosť biomedicínskej analýzy obrázkov, poukazuje na to, že označovanie údajov je rozhodujúce pre úspech strojového učenia. Okrem označovania je veľmi dôležité zarezervovať údaje o geoprostorových časových radoch v dobre definovaných konzistentných blokoch odkazujúcich na označenú udalosť. Ako výberové kritériá sa používajú dobre definované a konzistentné štítky.
Čisté údaje pred odoslaním (zlaté zlato, nečistoty)
Všetky údaje do budúcnosti by sa mali považovať za geopriestorové údaje. Pred publikovaním do frontu ich vyčistite a zapíšte do databázy. Najúčinnejšou metódou pre nespracované údaje snímača je použitie funkcie exponenciálneho kĺzavého priemeru na vyčistenie údajov pred odoslaním. Naše príslovie je pokúsiť sa dodať to najlepšie zlato, aké môžete, nie špinu. Po dlhej trase je preprava a ukladanie údajov drahé, preto pred odoslaním a uložením skontrolujte, či sú údaje čo najčistejšie.
CNN pre spoľahlivú identifikáciu senzorických údajov označených značkou
Na účely opísané v tomto článku existujú dobre definované verejné súbory údajov a knižnice strojového učenia, ktoré sa používajú ako šablóny pre vaše implementácie. Kvalitní analytici a dôkladní programátori dokážu implementovať solídnu inteligenciu za menej ako šesť mesiacov úsilia, ak majú dostatok času na to, aby sa naučili a precvičili s dostupnými archívmi. Vynikajúcim repozitárom rozpoznávania obrázkov na porozumenie CNN (konvolučná neurónová sieť) s 87 percentnou presnosťou pri rozpoznávaní melanómu je projekt detekcie rakoviny kože. Vynikajúca knižnica na pochopenie kombinovania senzorov na rozpoznávanie udalostí je projekt LSTM pre rozpoznávanie ľudskej činnosti od Guillaume Chevalier. Tento projekt je tiež kombináciou vstupu senzora a určenia rôznych aktivít. V nemocničnom prostredí funguje rovnaká metodika pre celý rad zdravotných stavov. (Viac príkladov nedávnych prielomov AI v oblasti zdravia nájdete v 5 najúžasnejších AI pokrokoch v zdravotnej starostlivosti.)
Budúcnosť
Aplikácia AI v nemocničných a zdravotníckych zariadeniach sa v súčasnosti deje. Zlepšenie presnosti poskytovania zdravotnej starostlivosti rozpoznávaním kritických udalostí prostredníctvom integrácie monitorovacieho zariadenia pacienta, nositeľných snímačov a zdravotných záznamov už bolo známe. Rozsah uplatňovania AI na zdravotné a finančné dôsledky našej budúcnosti je nevyčísliteľný. Prekážky vstupu sú nízke. Chyť svoje dosky a pádlo pre túto vlnu. Môžete ovplyvniť budúcnosť lekárskych nákladov na celom svete.