Tartalom
- Adatok adatait valós időben a nagy adatokhoz
- Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
- Események címkézése a jobb gépi tanulás érdekében
- Tiszta adatok szállítás előtt (hajó arany, nem szennyezett)
- CNN a címkézett szenzoros adatok szilárd azonosításához
- A jövő
Forrás: PhonlamaiPhoto / iStockphoto
Elvitel:
Habár lehet, hogy az AI végrehajtása drága, a megtakarítható pénzmennyiség és a jobb betegápolás szintje kompenzálhatja ezt.
A minták illesztése és a kórházakban fennálló igény felmérése nehéz feladat a képzett orvosi személyzet számára, de nem az AI és a gépi tanulás szempontjából. Az orvosi személyzetnek nincs luxusa, hogy minden betegét teljes munkaidőben megfigyelje. Annak ellenére, hogy hihetetlenül jól felismeri a betegek közvetlen szükségleteit nyilvánvaló körülmények között, az ápolónők és az orvosi személyzet nem képesek megérteni a jövőt az ésszerű időszakon át tartó komplex betegtípus-sorozat alapján. A gépi tanulásnak nemcsak a beteg adatainak a megfigyelése és elemzése a nap 24 órájában, hanem a több forrásból összegyűjtött információk, azaz a történeti nyilvántartások, az orvosi személyzet napi értékelése és az életerők valósidejű méréseinek, például a pulzusszám, az oxigén felhasználása is. és a vérnyomás. Az AI alkalmazása a közelgő szívroham, esés, stroke, szepszis és szövődmények felmérésében és előrejelzésében jelenleg zajlik az egész világon.
Valós példa arra, hogy az El Camino Kórház összekapcsolta az EHR-t, az ágy riasztást és a nővér analitikát az adatokkal, hogy azonosítsák a magas esési kockázatú betegeket. Az El Camino Kórház 39% -kal csökkentette az esések számát, ami a kórházak jelentős költsége.
Az El Camino által alkalmazott gépi tanulási módszerek a jéghegy csúcsa, de cselekvés-központú betekintés vagy recept-elemzés segítségével jelentősen reprezentálják az egészségügy jövőjét. Egy kis részhalmazot használnak a rendelkezésre álló lehetséges információkról és a beteg által elvégzett fizikai tevékenységekről, például kilépnek az ágyból és megnyomják a súgó gombot az egészségügyi nyilvántartásokkal összefüggésben – a kórházi személyzet időszakos mérése. A kórházi gépek jelenleg nem szolgáltatnak jelentős adatokat a szívmonitorokról, légzésmonitorokról, oxigéntelítettség-monitorokról, EKG-kből és kamerákból az események azonosítását lehetővé tevő nagy adattároló eszközökbe.
Az AI-megoldások integrálása a jelenlegi kórházi rendszerekbe gazdasági, politikai és technikai probléma. A cikk fennmaradó részének célja a műszaki problémák megvitatása, amelyek a következő funkciókra bonthatók:
- Szerezd meg az adatokat
- Tisztítsa meg az adatokat
- Az adatokat szállítsa
- Elemezze az adatokat
- Értesítse az érdekelt feleket
Az adatok megszerzése és tisztítása az összes AI-megvalósítás kihívást jelentő eleme. A tipikus EHR, például az Epic adatokhoz való hozzáféréshez szükséges erőforrások megértésének megfelelő referencia-kiindulási pontja az Epic-rel történő integrációról szóló cikkben található.
Adatok adatait valós időben a nagy adatokhoz
Prediktív elemzéseket végezzünk – nem valós idejű riasztó. Ezek egyedülállóan eltérő problémák. A valós idejű prediktív elemzés adatfolyam-adatot hagyhat le, nem pedig eseményadatokat. Az eseményadatok azonosító címkék, amelyek eseményeket foglalnak el. Az események a pulzus egy adott időszakonként vagy az oxigéntelítettség egy meghatározott időközönként. A streaming adatok mindegyik szívverés vagy pulzus oxigén leolvasása. Ez nagyon fontos, mivel az adatgarancia a teljesítmény szempontjából drága. Garantálnunk kell az eseményeket – ezeknek korlátozott száma van – nem garantálhatjuk az adatokat.
Az EHR-t, a nővérhívást és a betegfigyelési adatokat minden időpontban össze kell kapcsolni a beteggel. Ez egy egyedi azonosítót jelent, amelyet minden rendszer megoszt, és könnyen megvalósítható, például UUID (univerzálisan egyedi azonosító). A megvalósítás szempontjából a beépített vonalkód-olvasóval rendelkező, a környezetet letapogató kamerák sok funkcionális követelményt integrálnak, amelyek az átfogó megvalósításhoz szükségesek. Egy jól megvalósított rendszer képes beolvasni az ágy vonalkódokat, a beteg csuklópántos vonalkódjait, a vényköteles vonalkódokat és az intravénás vonalkódokat, miközben minden egyes páciens ágyváltozásánál egyedi UUID-t rendel hozzá. A jelenlegi kórházi technológiák magukban foglalják a nővér szkennereket a betegek karkötő vonalkódjaira.
Célunk az, hogy térinformatikai idősorozatokat valós időben írjunk a nagy adattároláshoz. A legjelentősebb késési idő az adatbázisba történő írás, tehát az adatokat aszinkron módon sorba kell helyezni valahol, és a legjobb módszer erre az üzenetküldő platform, például a RabbitMQ vagy a Kafka használata. A RabbitMQ másodpercenként 1 millió s-ot képes kezelni, a Kafka másodpercenként akár 60 millió-et képes kezelni. A RabbitMQ garantálja az adatokat, Kafka nem. Az alapstratégia az adatok közzététele lesz az olyan cserék számára, amelyek rendelkeznek az Ön igényeinek megfelelő tulajdonságokkal. (Az Amazon nagy adatot próbál felhasználni az egészségügyi költségek csökkentésére. Tudjon meg többet az Amazon egészségügyi ellátási terveiben - Valódi piaci forradalom?)
Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
Nem javíthatja a programozási képességeit, ha senki sem törődik a szoftver minőségével.
Események címkézése a jobb gépi tanulás érdekében
A leghatékonyabb gépi tanulási algoritmusok azok, amelyek egyértelműen meghatározott adatkészleteket és címkéket tartalmaznak. Kiváló, jól ismert algoritmusokat használnak a rák azonosítására és a röntgen beolvasására. Alexander Gelfand által írt cikk, a Mély tanulás és az orvosbiológiai képalkotó elemzés jövője rámutat arra, hogy az adatok címkézése kritikus jelentőségű a gépi tanulás sikeréhez. A címkézés mellett nagyon fontos a térinformatikai idősorok adatait jól definiált, konzisztens darabokban, a megjelölt eseményre hivatkozva feltölteni. A jól meghatározott, egységes címkéket választási kritériumként használják.
Tiszta adatok szállítás előtt (hajó arany, nem szennyezett)
A jövőre vonatkozó összes adatot térinformatikai naptári adatoknak kell tekinteni. Tisztítsa meg az adatokat, mielőtt közzéteszi egy sorba, és egy adatbázisba írja. A nyers érzékelőadatok leghatékonyabb módja az exponenciális mozgóátlag függvény alkalmazása az adatok kiszállítás előtti megtisztításához. Azt mondjuk, hogy próbáljuk meg szállítani a lehető legjobb aranyat, nem a szennyeződést. A hosszú távban az adatok szállítása és tárolása drága, ezért a szállítás és tárolás előtt ellenőrizze, hogy az adatok a lehető legtisztábbak-e.
CNN a címkézett szenzoros adatok szilárd azonosításához
A cikkben leírt célok érdekében vannak jól definiált nyilvános adatkészletek és gépi tanulási könyvtárak, amelyek felhasználhatók mint sablonok a megvalósításukhoz. A jó elemzők és megbízható programozók kevesebb, mint hat hónapos erőfeszítés alatt valósíthatják meg a szilárd AI-t, ha arra fordítanak időt a rendelkezésre álló tárolókban történő tanulásra és gyakorlásra. Kiváló képfelismerő tárolóhely a CNN (konvolúciós ideghálózat) megértéséhez, 87% -os pontossággal a melanoma felismerésnél, a Skin Cancer Detection Project. Kiváló könyvtár az érzékelők kombinációjának megértéséhez az események felismerésére a Guillaume Chevalier LSTM-ek az emberi tevékenység felismerésére projekt. Ezenkívül ez a projekt az érzékelő bemenetének és a különböző tevékenységek meghatározásának a kombinációja. Kórházi körülmények között ugyanaz a módszertan egész sor orvosi állapotra alkalmazható. (Az AI közelmúltbeli egészségügyi áttöréseinek további példáiról olvassa el az 5 legcsodálatosabb AI előrelépést az egészségügyben.)
A jövő
Az AI alkalmazása a kórházakban és az egészségügyi ellátásban most zajlik. Az egészségügyi megoldások pontosságának javítása a kritikus események felismerésével a betegmegfigyelő berendezések, a hordható érzékelők és az egészségügyi nyilvántartások integrálásával már ismert megoldásokkal is megvalósítottak. Az AI alkalmazásának mértéke kiszámíthatatlan a határidõink egészségügyi és pénzügyi következményeire. A belépés akadályai alacsonyak. Fogd meg a tábláikat és a lapátot ehhez a hullámhoz. Befolyásolhatja az egészségügyi költségek jövőjét világszerte.