Obsah
- Vložte data v reálném čase na velká data
- Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
- Označování událostí pro lepší strojové učení
- Vyčištění dat před odesláním (zlaté zlato, ne nečistoty)
- CNN pro solidní identifikaci označených senzorických dat
- Budoucnost
Zdroj: PhonlamaiPhoto / iStockphoto
Odnést:
I když může existovat přesvědčení, že implementace umělé inteligence je nákladná, množství peněz, které může ušetřit, a vylepšená úroveň péče o pacienta ji mohou nahradit.
Přizpůsobení vzorců a předvídání naléhavé potřeby v nemocnicích je obtížným úkolem pro kvalifikované zdravotnické pracovníky, nikoli však pro umělé inteligence a strojové učení. Zdravotnický personál nemá luxus pozorovat každého ze svých pacientů na plný úvazek. Přestože jsou sestry a zdravotníci neuvěřitelně dobře schopni identifikovat okamžité potřeby pacientů za zřejmých okolností, nemají schopnosti rozeznat budoucnost od komplexní řady symptomů pacienta, které se projeví v přiměřené době. Strojové učení má luxus nejen sledovat a analyzovat data pacientů 24/7, ale také kombinovat informace shromážděné z více zdrojů, tj. Historických záznamů, denního hodnocení zdravotnického personálu a měření vitálů v reálném čase, jako je srdeční frekvence, spotřeba kyslíku a krevní tlak. Aplikace AI při hodnocení a predikci bezprostředních infarktů, pádů, mrtvic, sepse a komplikací v současnosti probíhá na celém světě.
Příkladem skutečného světa je to, jak nemocnice El Camino Hospital propojila údaje EHR, alarm postele a sestra s daty světla k analytice k identifikaci pacientů s vysokým rizikem pádů. Nemocnice El Camino snížila pády, což jsou hlavní náklady nemocnic, o 39%.
Metodiky strojového učení, které používá El Camino, jsou špičkou ledovce, ale významně představují budoucnost zdravotní péče pomocí analýz zaměřených na akce nebo analytiky na předpis. Používají malou podskupinu potenciálních dostupných informací a fyzických akcí, které pacient provádí, jako je opuštění postele a stisknutí tlačítka nápovědy ve spojení se zdravotními záznamy – pravidelné měření nemocničním personálem. Nemocniční stroje v současné době nepodávají významná data ze srdečních monitorů, monitorů dýchání, monitorů saturace kyslíkem, EKG a kamer do velkých zařízení pro ukládání dat s identifikací událostí.
Integrace řešení umělé inteligence do současných nemocničních systémů je hospodářským, politickým a technickým problémem. Účelem zbývající části tohoto článku je diskutovat o technických problémech, které lze rozdělit na následující funkce:
- Získejte data
- Vyčistěte data
- Transportujte data
- Analyzujte data
- Informujte zúčastněné strany
Získávání a čištění dat je náročným aspektem všech implementací AI. Slušný referenční výchozí bod pro pochopení zdrojů potřebných pro přístup k typickým datům typu EHR, jako jsou Epic, je v tomto článku o tom, jak integrovat s Epic.
Vložte data v reálném čase na velká data
Děláme prediktivní analýzu – není alarmující v reálném čase. To jsou jedinečně odlišné problémy. Prediktivní analytika v reálném čase může upustit od streamování dat, nikoli dat událostí. Data událostí jsou identifikační značky, které rezervují události. Události jsou srdeční frekvence za časové období nebo saturace kyslíkem v určitém intervalu. Streamovaná data jsou údaje o srdečním rytmu nebo pulzním kyslíku. To je velmi důležité, protože záruka dat je z hlediska výkonu drahá. Musíme zaručit události – existuje jen omezený počet – nesmíme garantovat data.
Údaje EHR, volání sestry a údaje o sledování pacienta musí být v každém okamžiku spojeny s pacientem. To znamená jedinečný identifikátor, který je sdílen mezi všemi systémy a je snadno implementovatelný, jako je UUID (univerzálně jedinečný identifikátor). Z pohledu implementace kamery s vestavěnými čtečkami čárových kódů, které skenují prostředí, integrují řadu funkčních požadavků nezbytných pro komplexní implementaci. Dobře implementovaný systém může skenovat čárové kódy postele, čárové kódy náramku pacienta, čárové kódy předpisu a intravenózní čárové kódy při přiřazování jedinečného UUID při každé změně lůžka pacienta. K současným nemocničním technologiím patří sestry pro snímání čárových kódů náramků pacienta.
Naším cílem je psát data geoprostorových časových řad v reálném čase pro ukládání velkých dat. Nejvýznamnější zpoždění je v zápisu do databáze, takže musíme někde asynchronně ukládat data do fronty a nejlepší způsob, jak toho dosáhnout, je pomocí platformy pro zasílání zpráv, jako je RabbitMQ nebo Kafka. RabbitMQ zvládne 1 milion s za sekundu a Kafka zvládne až 60 milionů za sekundu. RabbitMQ garantuje data, Kafka ne. Základní strategií se stává publikování dat na burzy, které mají nezbytné vlastnosti pro vaše potřeby. (Amazon se snaží používat velká data ke snižování nákladů na zdravotní péči. Další informace naleznete v Plánech zdravotní péče Amazonu - skutečná revoluce trhu?)
Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
Nemůžete zlepšit své programovací schopnosti, když se nikdo nestará o kvalitu softwaru.
Označování událostí pro lepší strojové učení
Nejúčinnější algoritmy strojového učení jsou algoritmy s jasně definovanými sadami dat a štítky. K identifikaci rakoviny a čtení rentgenových paprsků se používají vynikající známé algoritmy. Článek, který napsal Alexander Gelfand, Hluboké učení a budoucnost biomedicínské analýzy obrazu, poukazuje na to, že označování dat je rozhodující pro úspěch strojového učení. Kromě označování je velmi důležité zarezervovat data geoprostorových časových řad v dobře definovaných, konzistentních blocích odkazujících na označenou událost. Jako kritéria výběru se používají dobře definované a konzistentní štítky.
Vyčištění dat před odesláním (zlaté zlato, ne nečistoty)
Všechna data pro budoucnost by měla být považována za geoprostorová datetime data. Vyčistěte data před jejich publikováním do fronty a zapsáním do databáze. Nejúčinnější metodou pro nezpracovaná data senzoru je použití funkce exponenciálního klouzavého průměru k vyčištění dat před odesláním. Naše rčení je pokusit se dopravit to nejlepší zlato, jaké můžete, ne špínu. Na dálku jsou náklady na přepravu a skladování drahé, proto se před odesláním a uložením ujistěte, že jsou data co nejčistší.
CNN pro solidní identifikaci označených senzorických dat
Pro účely popsané v tomto článku existují dobře definované veřejné datové soubory a knihovny strojového učení, které lze použít jako šablony pro vaše implementace. Dobří analytici a solidní programátoři mohou implementovat solidní umělou inteligenci za méně než šest měsíců úsilí, pokud budou mít vyhrazený čas na učení a procvičování s dostupnými úložišti. Vynikající repozitář rozpoznávání obrázků pro porozumění CNN (konvoluční neurální síť) s 87% přesností při rozpoznávání melanomu je projekt detekce rakoviny kůže. Vynikající knihovnou pro pochopení kombinace senzorů pro rozpoznávání událostí je projekt LSTM pro rozpoznávání lidské aktivity od Guillaume Chevalier. Tento projekt je také kombinací vstupu senzoru a stanovení různých činností. V nemocničním prostředí funguje stejná metodologie pro celou řadu zdravotních stavů. (Další příklady nedávných průlomů AI ve zdraví najdete v 5 nejúžasnějších AI pokrokech ve zdravotní péči.)
Budoucnost
Aplikace AI v nemocničním a zdravotnickém prostředí se nyní děje. Zlepšení přesnosti poskytování zdravotní péče rozpoznáváním kritických událostí prostřednictvím integrace zařízení pro sledování pacientů, nositelných senzorů a zdravotních záznamů již bylo známo řešení. Rozsah použití AI na zdravotní a finanční dopad naší budoucnosti je nevyčíslitelný. Překážky vstupu jsou nízké. Popadněte své desky a pádlo za tuto vlnu. Můžete ovlivnit budoucnost lékařských nákladů po celém světě.