Sisältö
- Syötä tiedot reaaliajassa isoihin tietoihin
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Tapahtumien merkitseminen parempaan koneoppimiseen
- Puhtaat tiedot ennen lähettämistä (Ship Gold, Not Dirt)
- CNN merkittyjen aistintietojen kiinteään tunnistamiseen
- Tulevaisuus
Lähde: PhonlamaiPhoto / iStockphoto
Ottaa mukaan:
Vaikka voidaan uskoa, että AI: n toteuttaminen on kallista, sen säästöt ja parannettu potilaiden hoidon taso voivat korvata sen.
Kuvioiden sovittaminen ja sairaalahoidon tarpeiden ennakointi on vaikea tehtävä ammattitaitoiselle lääketieteen henkilöstölle, mutta ei AI: n ja koneoppimisen kannalta. Lääkintähenkilökunnalla ei ole ylellisyyttä tarkkailla kaikkia potilaitaan kokopäiväisesti. Vaikka sairaanhoitajilla ja lääketieteellisellä henkilökunnalla on uskomattoman hyvä tunnistaa potilaiden välittömät tarpeet ilmeisissä olosuhteissa, niillä ei ole kykyä havaita tulevaisuutta monimutkaisesta joukosta potilasoireita, jotka ovat nähtävissä kohtuullisen ajanjakson ajan. Koneoppimisella on ylellisyyttä seurata ja analysoida potilastietoja 24 tuntia vuorokauden ympäri, mutta myös yhdistää useista lähteistä kerättyjä tietoja, kuten historiallisia tietoja, lääkintähenkilöstön päivittäisiä arviointeja ja reaaliaikaisia mittauksia elintoiminnoista, kuten syke, hapenkulutus ja verenpaine. AI: n soveltaminen välittömiin sydänkohtauksiin, putouksiin, aivohalvauksiin, sepsisiin ja komplikaatioihin arvioidaan ja ennustetaan parhaillaan ympäri maailmaa.
Todellinen esimerkki on siitä, kuinka El Caminon sairaala yhdisti EHR: n, sängyhälytyksen ja sairaanhoitajan kutsuvat valotiedot analytiikkaan potilaiden tunnistamiseksi, joilla on suuri putoamisriski. El Caminon sairaala laski 39%: lla putoamisia, mikä sairaalalle aiheutti huomattavia kustannuksia.
El Caminon käyttämät koneoppimismenetelmät ovat jäävuoren huippu, mutta ne edustavat merkittävästi terveydenhuollon tulevaisuutta käyttämällä toimintakeskeisiä oivalluksia tai reseptilääkeanalyysejä. He käyttävät pientä osaa käytettävissä olevista tiedoista ja potilaan suorittamista fyysisistä toimista, kuten poistuminen sängystä ja työntöpainikkeen painaminen terveystietojen yhteydessä – sairaalan henkilökunnan suorittama määräaikainen mittaus. Sairaalalaitteet eivät tällä hetkellä syötä merkittävää tietoa sydämen monitorista, hengitysmonitorista, happisaturaation monitorista, EKG: stä ja kamerasta suuriin tiedontallennuslaitteisiin, joissa on tapahtuman tunnistetiedot.
AI-ratkaisujen integrointi nykyisiin sairaalajärjestelmiin on taloudellinen, poliittinen ja tekninen ongelma. Tämän artikkelin loppuosan tarkoituksena on keskustella teknisistä ongelmista, jotka voidaan jakaa seuraaviin toimintoihin:
- Hanki tiedot
- Puhdista tiedot
- Kuljeta tiedot
- Analysoi tiedot
- Ilmoita sidosryhmille
Tietojen hankkiminen ja puhdistaminen on haastava osa kaikkia AI-toteutuksia. Kohtuullinen lähtökohta ymmärtämään resursseja, joita tarvitaan tyypillisen EHR: n kaltaisen EHR: n käyttämiseen, on tässä artikkelissa Miten integroida Epic-tietokantaan.
Syötä tiedot reaaliajassa isoihin tietoihin
Teemme ennustavaa analysointia – ei reaaliaikainen hälyttävä. Nämä ovat ainutlaatuisesti erilaisia ongelmia. Reaaliaikainen ennustava analytiikka voi pudottaa streaming-tietoja, ei tapahtumadataa. Tapahtumatiedot ovat tunnistetunnisteita, jotka kirjaavat tapahtumia. Tapahtumat ovat sykettä ajanjaksona tai hapen kylläisyyttä tietyllä aikavälillä. Suoratoisto on jokaisen syke tai pulssin hapen lukema. Tämä on erittäin tärkeää, koska tietotakuu on kallis suorituskyvyn kannalta. Meidän on taattava tapahtumat – näitä on rajoitettu määrä – Emme saa taata tietoja.
EHR, sairaanhoitajan kutsut ja potilaan seurantatiedot on liitettävä potilaaseen joka hetki. Tämä tarkoittaa yksilöivää tunnistetta, joka on jaettu kaikkien järjestelmien kesken ja helposti toteutettavissa, kuten UUID (yleisesti ainutlaatuinen tunniste). Toteutusnäkökulmasta kamerat, joissa on sisäänrakennetut viivakoodilukijat ja jotka skannaavat ympäristöä, integroivat paljon toiminnallisia vaatimuksia, jotka ovat välttämättömiä kattavaan toteutukseen. Hyvin toteutettu järjestelmä voi skannata sängyn viivakoodeja, potilaan rannekkeen viivakoodeja, lääkemääräysten viivakoodeja ja laskimonsisäisiä viivakoodeja määrittämällä yksilöllisen UUID-tunnuksen jokaiselle potilaan sängyn vaihdolle. Nykyiseen sairaalatekniikkaan sisältyy sairaanhoitoskannerit potilaan rannekeviivakoodeille.
Tavoitteenamme on kirjoittaa geospatiaaliset aikasarjatiedot reaaliajassa isojen tietojen tallentamiseksi. Merkittävin viiveaika on kirjoittamisessa tietokantaan, joten meidän on asynkronisesti asetettava jonot tiedot jonnekin, ja paras tapa tehdä se on käyttää viestintäalustaa, kuten RabbitMQ tai Kafka. RabbitMQ pystyy käsittelemään miljoona s / s ja Kafka jopa 60 miljoonaa s / s. RabbitMQ takaa tiedon, Kafka ei. Perusstrategiaksi tulee tietojen julkaiseminen vaihtoille, joilla on tarpeitasi varten tarvittavat ominaisuudet. (Amazon yrittää käyttää suuria tietoja terveydenhuollon kustannusten alentamiseksi. Lisätietoja Amazonin terveydenhuoltosuunnitelmista - todellinen markkinoiden vallankumous?)
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Tapahtumien merkitseminen parempaan koneoppimiseen
Tehokkaimmat koneoppimisalgoritmit ovat sellaisia, joissa on selvästi määritellyt tietojoukot ja etiketit. Syövän tunnistamiseen ja röntgenkuvien lukemiseen käytetään erinomaisia, tunnettuja algoritmeja. Syvän oppimisen ja lääketieteellisen kuva-analyysin tulevaisuuden Alexander Gelfandin kirjoittamassa artikkelissa korostetaan, että tietojen merkitseminen on kriittistä koneoppimisen onnistumiselle. Merkinnän lisäksi on erittäin tärkeää kirjata geospatiaaliset aikasarjatiedot tarkkaan määriteltyihin, yhtenäisiin paloihin, jotka viittaavat merkittyyn tapahtumaan. Tarkkaan määriteltyjä, yhdenmukaisia etikettejä käytetään valintakriteereinä.
Puhtaat tiedot ennen lähettämistä (Ship Gold, Not Dirt)
Kaikkia tulevaisuuden tietoja olisi pidettävä geospatiaalisena päiväajankohtana. Puhdista tiedot ennen niiden julkaisemista jonossa ja kirjoittamista tietokantaan. Tehokkain menetelmä raakatunnistintiedoille on käyttää eksponentiaalisesti liukuvaa keskimääräistä toimintoa tietojen puhdistamiseen ennen lähettämistä. Sanomme, että yritämme lähettää parhaan mahdollisen kullan, ei likaa. Kaudella tietojen lähettäminen ja varastointi on kallista, joten varmista, että tiedot ovat mahdollisimman puhtaita ennen lähettämistä ja varastointia.
CNN merkittyjen aistintietojen kiinteään tunnistamiseen
Tässä artikkelissa kuvattuihin tarkoituksiin on olemassa hyvin määriteltyjä julkisia tietojoukkoja ja koneoppimiskirjastoja, joita voidaan käyttää malleina toteutuksillesi. Hyvät analyytikot ja vankat ohjelmoijat voivat toteuttaa vankan AI: n alle kuuden kuukauden vaivalla, jos heille annetaan varattu aika oppia ja harjoitella käytettävissä olevien arkistojen kanssa. Erinomainen kuvan tunnistusvarasto CNN: n (konvoluutiohermoverkko) ymmärtämiseksi 87-prosenttisella tarkkuudella melanooman tunnistuksessa on ihosyövän havaitsemisprojekti. Erinomainen kirjasto ymmärtämään anturien yhdistämistä tapahtumien tunnistamiseen on Guillaume Chevalierin LSTMs for Human Activity Recognition -projekti. Lisäksi tämä projekti on yhdistelmä anturien syöttöä ja eri toimintojen määrittämistä. Sairaalaympäristössä tämä sama menetelmä toimii monenlaisiin sairauksiin. (Lisää esimerkkejä äskettäisistä AI-läpimurtoista terveydessä, katso 5 terveyshuollon hämmästyttävintä AI-ennakkoa.)
Tulevaisuus
AI: n soveltaminen sairaala- ja terveydenhuollossa tapahtuu nyt. Terveydenhuollon tarkkuuden parantamiseksi tunnistamalla kriittiset tapahtumat integroimalla potilaan seurantalaitteet, puettavat anturit ja terveyskertomukset ovat jo tunnettuja ratkaisuja. AI: n soveltamisen laajuutta futuureidemme terveys- ja taloudellisiin vaikutuksiin ei voida laskea. Markkinoille pääsyn esteet ovat vähäiset. Tartu laudoihin ja meloa tätä aaltoa varten. Voit vaikuttaa lääketieteellisten kustannusten tulevaisuuteen maailmanlaajuisesti.