Sadržaj
- Podatke u realnom vremenu dodajte velikim podacima
- Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
- Događaji za označavanje za bolje strojno učenje
- Očišćeni podaci prije otpreme (zlato u brodu, a ne prljavština)
- CNN za čvrstu identifikaciju označenih senzornih podataka
- Budućnost
Izvor: PhonlamaiPhoto / iStockphoto
Oduzeti:
Iako postoji vjerovanje da je AI skupo implementirati, količina novca koji može uštedjeti i poboljšana razina skrbi o pacijentu mogu nadoknaditi to.
Usklađivanje obrazaca i predviđanje hitnih potreba u bolnicama je težak zadatak kvalificiranog medicinskog osoblja, ali ne i AI i strojno učenje. Medicinsko osoblje nema luksuz da svakodnevno promatra svakog svog pacijenta. Iako su nevjerojatno dobre u prepoznavanju neposrednih potreba pacijenata u očiglednim okolnostima, medicinske sestre i medicinsko osoblje ne posjeduju mogućnosti prepoznavanja budućnosti iz složenog niza pacijentskih simptoma izloženih tijekom razumnog razdoblja. Strojno učenje ima luksuz ne samo promatranje i analiziranje podataka o pacijentima 24/7, već i kombiniranje podataka prikupljenih iz više izvora, tj. Povijesnih zapisa, svakodnevnih procjena medicinskog osoblja i mjerenja vitalnih tijela kao što su brzina otkucaja srca, upotreba kisika. i krvnog tlaka. Primjena AI u procjeni i predviđanju skorog srčanog udara, padova, moždanog udara, sepse i komplikacija trenutno je u cijelom svijetu.
Primjer u stvarnom svijetu je kako je bolnica El Camino povezala EHR, alarm za krevet i medicinske sestre u analitičke podatke kako bi identificirala pacijente s visokim rizikom od pada. Bolnica El Camino smanjila je pad, što je glavni trošak bolnicama, za 39%.
Metodologije strojnog učenja koje koristi El Camino vrh su ledenog brega, ali značajno predstavljaju budućnost zdravstvene zaštite koristeći uvide usmjerene na akcije ili analitiku na recept. Koriste mali podskup potencijalnih dostupnih informacija i fizičkih radnji koje pacijent poduzima, poput izlaska iz kreveta i pritiska gumba za pomoć u kombinaciji sa zdravstvenim podacima – periodično mjerenje od strane bolničkog osoblja. Bolnički strojevi trenutno ne unose značajne podatke sa srčanih monitora, monitora za disanje, monitora zasićenja kisikom, EKG aparata i kamera u uređaje za pohranu velikih podataka s identifikacijom događaja.
Integriranje AI rješenja s trenutnim bolničkim sustavima ekonomski je, politički i tehnički problem. Svrha ostatka ovog članka je raspravljati o tehničkim problemima, koji se mogu podijeliti na sljedeće funkcije:
- Dohvati podatke
- Očistite podatke
- Prijevoz podataka
- Analizirajte podatke
- Obavijestite dionike
Dobivanje i čišćenje podataka je izazovan aspekt svih AI implementacija. Dostojna referentna polazište za razumijevanje resursa potrebnih za pristup tipičnim EHR-ovima poput podataka Epic nalazi se u ovom članku o tome kako se integrirati s epicom.
Podatke u realnom vremenu dodajte velikim podacima
Radimo prediktivnu analitiku – ne alarmantno u stvarnom vremenu. To su jedinstveno različiti problemi. Prediktivna analitika u stvarnom vremenu može ispustiti trenutne podatke, a ne podatke o događajima. Podaci događaja su oznake identifikatora koje podupiru događaje. Događaji su brzina otkucaja srca u određenom intervalu ili zasićenost kisikom u određenom intervalu. Podaci struje svako su očitanje kisika u pulsu ili pulsu. Ovo je vrlo važno jer je jamstvo podataka skupo u pogledu performansi. Moramo jamčiti događaje – postoji ograničen broj ovih – ne smijemo jamčiti podatke.
Podaci EHR-a, poziva medicinske sestre i praćenja pacijenta moraju biti povezani s pacijentom u svakom trenutku. To znači da se jedinstveni identifikator dijeli između svih sustava i lako se implementira, poput UUID (univerzalno jedinstveni identifikator). Iz perspektive implementacije kamere s ugrađenim čitačima bar koda koji skeniraju okoliš integriraju puno funkcionalnih zahtjeva potrebnih za sveobuhvatne implementacije. Dobro implementiran sustav može skenirati crtične kodove kreveta, trake za narukvice pacijenata, bar kodove na recept i intravenske bar kodove dodjeljujući jedinstveni UUID pri svakoj promjeni kreveta pacijenta. Postojeće tehnologije u bolnici uključuju skenere medicinskih sestara za barkodove pacijenta.
Naš je cilj pisati podatke o geoprostornim vremenskim serijama u realnom vremenu za pohranu velikih podataka. Najznačajnije vrijeme kašnjenja je u pisanju u bazu, pa moramo negdje asinkrono unijeti podatke iz reda čekanja, a najbolja metoda je to pomoću platforme za razmjenu poruka poput RabbitMQ ili Kafka. RabbitMQ može podnijeti 1 milijun s u sekundi, a Kafka može podnijeti i do 60 milijuna u sekundi. RabbitMQ jamči podatke, Kafka ne. Osnovna strategija postaje objavljivanje podataka razmjeni koji imaju potrebne karakteristike za vaše potrebe. (Amazon pokušava koristiti velike podatke kako bi smanjio troškove zdravstvene zaštite. Saznajte više u Amazonovim planovima zdravstvene zaštite - istinska tržišna revolucija?)
Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
Ne možete poboljšati svoje programiranje kad nikoga nije briga za kvalitetu softvera.
Događaji za označavanje za bolje strojno učenje
Najefikasniji algoritmi strojnog učenja su oni s jasno definiranim skupovima podataka i naljepnicama. Izvrsni, dobro poznati algoritmi koriste se za prepoznavanje raka i čitanje rendgenskih zraka. U članku koji je napisao Alexander Gelfand, Dubinsko učenje i budućnost biomedicinske analize slike, ističe se da je označavanje podataka presudno za uspjeh strojnog učenja. Pored označavanja, vrlo je važno izraditi podatke geoprostornih vremenskih serija u dobro definiranim, konzistentnim komadima koji se odnose na obilježeni događaj. Dobro definirane, konzistentne oznake koriste se kao kriterij odabira.
Očišćeni podaci prije otpreme (zlato u brodu, a ne prljavština)
Svi podaci za budućnost trebaju se smatrati geoprostornim podacima datumskih vremena. Očistite podatke prije objavljivanja u redu i upis u bazu podataka. Najučinkovitija metoda za sirove podatke senzora je primijeniti funkciju eksponencijalnog pomičnog prosjeka za čišćenje podataka prije otpreme. Naša je izreka pokušati isporučiti najbolje zlato što možete, a ne prljavštinu. Dugotrajno je utovar i pohranjivanje podataka skupo, stoga se prije isporuke i skladištenja pobrinite da budu što čistiji.
CNN za čvrstu identifikaciju označenih senzornih podataka
Za potrebe opisane u ovom članku, postoje dobro definirani skupovi javnih podataka i knjižnice strojnog učenja koje se koriste kao predlošci za vaše implementacije. Dobri analitičari i čvrsti programeri mogu primijeniti solidan AI za manje od šest mjeseci truda ako im se posveti vrijeme za učenje i vježbanje s dostupnim spremištima. Izvrsno skladište prepoznavanja slike za razumijevanje CNN-a (konvolucionarna neuronska mreža) s 87 posto točnosti prepoznavanja melanoma je projekt otkrivanja raka kože. Izvrsna knjižnica za razumijevanje kombiniranja senzora za prepoznavanje događaja je projekt LSTM-a za prepoznavanje ljudske aktivnosti Guillaumea Chevalier-a. Također, ovaj projekt je kombinacija ulaza senzora i određivanje različitih aktivnosti. U bolničkom okruženju ta ista metodologija djeluje na niz medicinskih stanja. (Za više primjera nedavnih otkrića AI u zdravlju, pogledajte 5 najneverovatnijih napretka u oblasti AI u zdravstvu.)
Budućnost
Primjena AI u bolničkim i zdravstvenim ustanovama događa se sada. Poboljšanje točnosti pružanja zdravlja prepoznavanjem kritičnih događaja putem integracije opreme za praćenje bolesnika, nosivih senzora i zdravstvenih kartona već je poznato rješenje koje se već primjenjuje. Opseg primjene AI na zdravlje i financijski utjecaj naše budućnosti je neizmjeran. Prepreke za ulazak su malene. Zgrabite ploče i veslajte za ovaj val. Možete utjecati na budućnost medicinskih troškova u cijelom svijetu.