Zawartość
- Przesyłaj dane w czasie rzeczywistym do dużych zbiorów danych
- Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
- Oznaczanie wydarzeń dla lepszego uczenia maszynowego
- Wyczyść dane przed wysyłką (wysyłaj złoto, nie brud)
- CNN do stałej identyfikacji oznakowanych danych sensorycznych
- Przyszłość
Źródło: PhonlamaiPhoto / iStockphoto
Na wynos:
Choć może istnieć przekonanie, że sztuczna inteligencja jest droga do wdrożenia, ilość pieniędzy, które może zaoszczędzić, i wyższy poziom opieki nad pacjentem, mogą to nadrobić.
Dopasowywanie wzorców i przewidywanie pilnych potrzeb w szpitalach jest trudnym zadaniem dla wykwalifikowanych pracowników medycznych, ale nie dla sztucznej inteligencji i uczenia maszynowego. Personel medyczny nie ma luksusu obserwowania każdego pacjenta w pełnym wymiarze godzin. Chociaż niezwykle oczywiste są umiejętności rozpoznawania natychmiastowych potrzeb pacjentów w oczywistych okolicznościach, pielęgniarki i personel medyczny nie są w stanie rozpoznać przyszłości na podstawie złożonej gamy objawów pacjentów wykazywanych w rozsądnym okresie. Uczenie maszynowe ma luksus polegający na tym, że nie tylko obserwuje i analizuje dane pacjentów 24/7, ale także łączy informacje zebrane z wielu źródeł, tj. Zapisy historyczne, codzienne oceny personelu medycznego i pomiary parametrów witalnych w czasie rzeczywistym, takich jak tętno, zużycie tlenu i ciśnienie krwi. Na całym świecie obecnie stosuje się sztuczną inteligencję do oceny i przewidywania nadciągających ataków serca, upadków, udarów, sepsy i powikłań.
Prawdziwym przykładem jest to, jak szpital El Camino połączył EHR, alarm łóżka i pielęgniarkę przywołuje dane świetlne do analiz, aby zidentyfikować pacjentów z wysokim ryzykiem upadków. Szpital El Camino zmniejszył liczbę upadków, co stanowi poważny koszt dla szpitali, o 39%.
Metodologie uczenia maszynowego stosowane przez El Camino są wierzchołkiem góry lodowej, ale w znacznym stopniu odzwierciedlają przyszłość opieki zdrowotnej za pomocą spostrzeżeń dotyczących działań lub analiz na receptę. Używają niewielkiej części potencjalnych dostępnych informacji i fizycznych działań podejmowanych przez pacjenta, takich jak wyjście z łóżka i naciśnięcie przycisku pomocy w połączeniu z dokumentacją medyczną – okresowy pomiar dokonywany przez personel szpitalny. Maszyny szpitalne nie dostarczają obecnie istotnych danych z monitorów pracy serca, monitorów oddychania, monitorów nasycenia tlenem, EKG i kamer do urządzeń do przechowywania dużych danych z identyfikacją zdarzeń.
Integracja rozwiązań AI z obecnymi systemami szpitalnymi stanowi problem ekonomiczny, polityczny i techniczny. Pozostała część tego artykułu ma na celu omówienie problemów technicznych, które można podzielić na następujące funkcje:
- Uzyskaj dane
- Wyczyść dane
- Transportuj dane
- Przeanalizuj dane
- Powiadom interesariuszy
Pobieranie i czyszczenie danych jest trudnym aspektem wszystkich implementacji AI. Dobry punkt odniesienia do zrozumienia zasobów potrzebnych do uzyskania dostępu do typowych EHR, takich jak dane Epic, znajduje się w tym artykule na temat integracji z Epic.
Przesyłaj dane w czasie rzeczywistym do dużych zbiorów danych
Wykonujemy analizy predykcyjne – nie alarmuje w czasie rzeczywistym. Są to wyjątkowo różne problemy. Analizy predykcyjne w czasie rzeczywistym mogą upuszczać dane strumieniowe, a nie dane zdarzeń. Dane zdarzeń to znaczniki identyfikujące zdarzenia rezerwacji. Zdarzenia to częstość akcji serca w danym okresie czasu lub nasycenie tlenem w określonym przedziale. Strumieniowe przesyłanie danych to każdy odczyt pulsu lub tlenu. Jest to bardzo ważne, ponieważ gwarancja danych jest droga pod względem wydajności. Musimy zagwarantować wydarzenia – jest ich ograniczona liczba – nie możemy gwarantować danych.
Dane dotyczące EHR, wezwania pielęgniarki i monitorowania pacjenta muszą być powiązane z pacjentem w każdym momencie. Oznacza to unikalny identyfikator, który jest współużytkowany przez wszystkie systemy i łatwy do wdrożenia, taki jak UUID (uniwersalny unikalny identyfikator). Z perspektywy wdrożenia kamery z wbudowanymi czytnikami kodów kreskowych, które skanują środowisko, integrują wiele wymagań funkcjonalnych niezbędnych do kompleksowych wdrożeń. Dobrze wdrożony system może skanować kody kreskowe łóżka, kody kreskowe opaski pacjenta, kody kreskowe na receptę i dożylne kody kreskowe, przypisując unikalny UUID przy każdej zmianie łóżka pacjenta. Obecne technologie szpitalne obejmują skanery pielęgniarek do kodów kreskowych opasek pacjenta.
Naszym celem jest zapisywanie danych geoprzestrzennych szeregów czasowych w czasie rzeczywistym w celu przechowywania dużych zbiorów danych. Najbardziej znaczącym opóźnieniem jest zapis w bazie danych, więc musimy gdzieś asynchronicznie umieścić w kolejce dane, a najlepszą metodą jest skorzystanie z platformy przesyłania wiadomości, takiej jak RabbitMQ lub Kafka. RabbitMQ może obsłużyć 1 milion s na sekundę, a Kafka może obsłużyć do 60 milionów na sekundę. RabbitMQ gwarantuje dane, Kafka nie. Podstawową strategią staje się publikowanie danych na giełdach, które mają cechy niezbędne do Twoich potrzeb. (Amazon próbuje wykorzystywać duże zbiory danych w celu obniżenia kosztów opieki zdrowotnej. Dowiedz się więcej w planach opieki zdrowotnej Amazon - prawdziwa rewolucja na rynku?)
Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
Nie możesz poprawić swoich umiejętności programistycznych, gdy nikt nie dba o jakość oprogramowania.
Oznaczanie wydarzeń dla lepszego uczenia maszynowego
Najbardziej wydajnymi algorytmami uczenia maszynowego są te z jasno określonymi zestawami danych i etykietami. Doskonałe, dobrze znane algorytmy są wykorzystywane do identyfikacji raka i odczytywania promieni rentgenowskich. Artykuł napisany przez Alexandra Gelfanda, Deep Learning and the Future of Biomedical Image Analysis, wskazuje, że etykietowanie danych ma kluczowe znaczenie dla sukcesu uczenia maszynowego. Oprócz etykietowania bardzo ważne jest, aby zaksięgować dane geoprzestrzennych szeregów czasowych w dobrze zdefiniowanych, spójnych częściach odwołujących się do oznaczonego zdarzenia. Dobrze określone, spójne etykiety są stosowane jako kryteria wyboru.
Wyczyść dane przed wysyłką (wysyłaj złoto, nie brud)
Wszystkie dane na przyszłość należy traktować jako dane geoprzestrzenne z datą i godziną. Wyczyść dane przed opublikowaniem ich w kolejce i zapisaniem w bazie danych. Najbardziej wydajną metodą dla surowych danych z czujników jest zastosowanie wykładniczej funkcji średniej ruchomej do wyczyszczenia danych przed wysyłką. Naszym powiedzeniem jest, aby spróbować wysłać najlepsze złoto, jakie możesz, a nie brud. Na dłuższą metę wysyłka i przechowywanie danych są drogie, więc upewnij się, że dane są tak czyste, jak to możliwe przed wysyłką i przechowywaniem.
CNN do stałej identyfikacji oznakowanych danych sensorycznych
Do celów opisanych w tym artykule istnieją dobrze zdefiniowane publiczne zestawy danych i biblioteki uczenia maszynowego, które można wykorzystać jako szablony dla wdrożeń. Dobrzy analitycy i solidni programiści mogą wdrożyć solidną sztuczną inteligencję w mniej niż sześć miesięcy wysiłku, jeśli mają poświęcony czas na naukę i ćwiczenia z dostępnymi repozytoriami. Doskonałym repozytorium rozpoznawania obrazów dla zrozumienia CNN (splotowa sieć neuronowa) z 87-procentową dokładnością w rozpoznawaniu czerniaka jest Projekt Wykrywania Raka Skóry. Doskonałą biblioteką do zrozumienia łączenia czujników do rozpoznawania zdarzeń jest projekt LSTMs for Human Activity Recognition autorstwa Guillaume Chevalier. Ponadto projekt ten stanowi połączenie danych wejściowych czujnika i określania różnych działań. W warunkach szpitalnych ta sama metodologia działa na szereg schorzeń. (Aby uzyskać więcej przykładów ostatnich przełomów AI w zdrowiu, zobacz 5 najbardziej niesamowitych osiągnięć AI w opiece zdrowotnej.)
Przyszłość
Obecnie stosuje się sztuczną inteligencję w szpitalach i placówkach opieki zdrowotnej. Poprawa dokładności dostarczania zdrowia poprzez rozpoznawanie krytycznych zdarzeń poprzez integrację sprzętu do monitorowania pacjenta, noszonych czujników i dokumentacji medycznej pozwoliła na znane rozwiązania już wdrożone. Zakres zastosowania sztucznej inteligencji na zdrowie i skutki finansowe naszych kontraktów futures jest nieobliczalny. Bariery wejścia są niskie. Chwyć deski i wiosło na tę falę. Możesz wpłynąć na przyszłość kosztów leczenia na całym świecie.