Saturs
- Barot datus reāllaikā lieliem datiem
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Notikumu marķēšana labākai mašīnu apguvei
- Tīri dati pirms nosūtīšanas (kuģa zelts, nav netīrs)
- CNN marķēto sensoro datu cietai identificēšanai
- Nākotne
Avots: PhonlamaiPhoto / iStockphoto
Izņemšana:
Lai arī var pastāvēt uzskats, ka AI ir dārgi ieviests, to var kompensēt ietaupītā naudas summa un uzlabotais pacientu aprūpes līmenis.
Modeļu saskaņošana un nepieciešamības prognozēšana slimnīcās ir grūts kvalificēta medicīnas personāla uzdevums, bet ne AI un mašīnu apguve. Medicīnas personālam nav greznības novērot katru savu pacientu uz pilnu slodzi. Lai arī neticami labi identificē tūlītējās pacientu vajadzības acīmredzamos apstākļos, medicīnas māsām un medicīnas personālam nav iespējas izprast nākotni no sarežģīta pacienta simptomu klāsta, kas parādīts saprātīgā laika posmā. Mašīnmācībai ir greznība ne tikai novērot un analizēt pacienta datus 24 stundas diennaktī, bet arī apvienot informāciju, kas savākta no vairākiem avotiem, ti, vēstures ierakstus, medicīnas darbinieku ikdienas novērtējumus un tādu dzīvības faktoru mērījumus reāllaikā kā sirdsdarbība, skābekļa patēriņš un asinsspiediens. AI pielietošana nenovēršamu sirdslēkmju, kritienu, insultu, sepse un komplikāciju novērtēšanā un prognozēšanā pašlaik notiek visā pasaulē.
Reālās pasaules piemērs ir tas, kā El Kamīno slimnīca sasaistīja EHR, gultas trauksmes signālus un medmāsu, lai izsauktu gaismas datus uz analītiku, lai identificētu pacientus ar augstu kritienu risku. El Camino slimnīca samazināja kritumus, kas ir lielākās slimnīcu izmaksas, par 39%.
Mašīnmācīšanās metodikas, kuras izmanto El Kamino, ir aisberga redzamā daļa, taču tās, izmantojot uz darbību vērstas atziņas vai recepšu analīzi, ievērojami atspoguļo veselības aprūpes nākotni. Viņi izmanto nelielu potenciālās pieejamās informācijas apakškopu un pacienta veiktās fiziskās darbības, piemēram, iziet no gultas un nospiež palīdzības pogu kopā ar veselības dokumentiem. – periodisks slimnīcas personāla mērījums. Slimnīcu iekārtas pašlaik nesniedz nozīmīgus datus no sirds monitoriem, elpošanas monitoriem, skābekļa piesātinājuma monitoriem, EKG un kamerām lielajās datu glabāšanas ierīcēs ar notikumu identificēšanu.
AI risinājumu integrēšana pašreizējās slimnīcu sistēmās ir ekonomiska, politiska un tehniska problēma. Šī raksta atlikušās daļas mērķis ir apspriest tehniskās problēmas, kuras var iedalīt šādās funkcijās:
- Iegūstiet datus
- Notīriet datus
- Pārvietojiet datus
- Analizējiet datus
- Paziņojiet ieinteresētajām personām
Datu iegūšana un tīrīšana ir izaicinošs visu AI ieviešanas aspekts. Pienācīgs atsauces sākumpunkts, lai izprastu resursus, kas nepieciešami, lai piekļūtu tipiskam EHR, piemēram, Epic datiem, ir atrodams šajā rakstā par to, kā integrēties ar Epic.
Barot datus reāllaikā lieliem datiem
Mēs veicam jutīgo analītiku – nav satraucošs reāllaikā. Tās ir unikāli atšķirīgas problēmas. Prognozējošā analītika reāllaikā var nomest straumēšanas datus, nevis datus par notikumiem. Notikumu dati ir identifikatora tagi, kas reģistrē notikumus. Notikumi ir sirdsdarbības ātrums noteiktā laika posmā vai piesātinājums ar skābekli noteiktā intervālā. Straumēšanas dati ir katrs sirdsdarbības vai pulsa skābekļa rādījums. Tas ir ļoti svarīgi, jo datu garantija ir dārga veiktspējas ziņā. Mums ir jāgarantē notikumi – to ir ierobežots skaits – mēs nedrīkstam garantēt datus.
EVK, medmāsas izsaukums un pacienta uzraudzības dati katrā brīdī ir jāsaista ar pacientu. Tas nozīmē unikālu identifikatoru, kas tiek koplietots starp visām sistēmām un viegli īstenojams, piemēram, UUID (universāli unikālais identifikators). Raugoties no ieviešanas perspektīvas, kamerās ar iebūvētiem svītrkodu lasītājiem, kas skenē vidi, ir integrētas daudzas funkcionālās prasības, kas vajadzīgas visaptverošai ieviešanai. Labi ieviesta sistēma var skenēt gultas svītru kodus, pacienta aproces svītru kodus, recepšu svītru kodus un intravenozus svītru kodus, vienlaikus katrai pacienta gultas maiņai piešķirot unikālu UUID. Pašreizējās slimnīcu tehnoloģijās ietilpst māsu skeneri pacienta aproces svītru kodiem.
Mūsu mērķis ir reālā laikā rakstīt ģeotelpisko laika rindu datus lielo datu glabāšanai. Visnozīmīgākais nobīdes laiks ir ierakstīšanā datu bāzē, tāpēc mums ir asinhroni jāiekārto dati rindā kaut kur, un labākā metode to ir izmantot, izmantojot ziņojumapmaiņas platformu, piemēram, RabbitMQ vai Kafka. RabbitMQ var izturēt 1 miljonu s sekundē, bet Kafka - 60 miljonus sekundē. RabbitMQ garantē datus, Kafka to nedara. Par pamatstratēģiju kļūst datu publicēšana apmaiņai, kurai ir jūsu vajadzībām nepieciešamās īpašības. (Amazon mēģina izmantot lielus datus, lai samazinātu veselības aprūpes izmaksas. Uzziniet vairāk vietnē Amazon Health Care Plans - True Market Revolution?)
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
Notikumu marķēšana labākai mašīnu apguvei
Visefektīvākie mašīnmācīšanās algoritmi ir tie, kuriem ir skaidri definētas datu kopas un etiķetes. Lai identificētu vēzi un nolasītu rentgenstarus, tiek izmantoti lieliski, labi zināmi algoritmi. Aleksandra Gelfandra rakstā “Dziļā izglītība un biomedicīnas attēlu analīzes nākotne” norādīts, ka datu marķēšanai ir kritiska loma mašīnmācīšanās panākumos. Papildus marķējumam ir ļoti svarīgi ģeogrāfisko telpisko laika rindu datus ievietot labi definētos, konsekventos gabalos, atsaucoties uz marķēto notikumu. Kā atlases kritēriji tiek izmantotas precīzi noteiktas, konsekventas etiķetes.
Tīri dati pirms nosūtīšanas (kuģa zelts, nav netīrs)
Visi nākotnes dati būtu jāuzskata par ģeotelpiskajiem dienas laika datiem. Notīriet datus pirms to publicēšanas rindā un ierakstīšanas datu bāzē. Visefektīvākā metode neapstrādātu sensoru datiem ir eksponenciāli slīdoša vidējā funkcija, lai notīrītu datus pirms nosūtīšanas. Mūsu teiciens ir mēģināt nogādāt labāko zeltu, ko vien varat, nevis netīrumus. Ilgtermiņā datu nosūtīšana un glabāšana ir dārga, tāpēc pirms nosūtīšanas un glabāšanas pārliecinieties, ka dati ir pēc iespējas tīrāki.
CNN marķēto sensoro datu cietai identificēšanai
Šajā rakstā aprakstītajiem mērķiem ir precīzi definētas publisko datu kopas un mašīnmācīšanās bibliotēkas, kuras var izmantot kā veidnes jūsu ieviešanai. Labi analītiķi un stabili programmētāji var ieviest stabilu AI mazāk nekā sešu mēnešu laikā, ja tiek atvēlēts laiks, lai mācītos un praktizētu ar pieejamajām krātuvēm. Lielisks attēlu atpazīšanas krātuve CNN (konvolucionālais neironu tīkls) izpratnei ar 87 procentu precizitāti melanomas atpazīšanā ir ādas vēža noteikšanas projekts. Lieliska bibliotēka, lai saprastu sensoru apvienošanu notikumu atpazīšanai, ir Guillaume Chevalier projekts LSTMs cilvēka aktivitātes atpazīšanai. Šis projekts ir arī sensora ievades apvienojums un dažādu darbību noteikšana. Slimnīcas apstākļos šī pati metodika darbojas ar virkni medicīnisku stāvokļu. (Lai iegūtu vairāk piemēru par nesenajiem AI sasniegumiem veselības jomā, iepazīstieties ar 5 pārsteidzošākajiem AI sasniegumiem veselības aprūpē.)
Nākotne
AI piemērošana slimnīcu un veselības aprūpes iestādēs notiek tagad. Zināmi risinājumi jau tiek ieviesti, lai uzlabotu veselības aprūpes precizitāti, atpazīstot kritiskos notikumus, integrējot pacientu uzraudzības aprīkojumu, valkājamos sensorus un veselības ierakstus. AI piemērošanas apjoms mūsu nākotnes līgumu veselībai un finansiālajai ietekmei nav aprēķināms. Iekļūšanas šķēršļi ir zemi. Šim vilnim satveriet dēļus un bradāt. Jūs varat ietekmēt medicīnas izmaksu nākotni visā pasaulē.