Vsebina
- Podajanje podatkov v realnem času v velike podatke
- Brez napak, brez stresa - vaš korak za korakom vodnik za ustvarjanje programske opreme, ki spreminja življenje, ne da bi vam uničila življenje
- Označevanje dogodkov za boljše strojno učenje
- Čisti podatki pred odpremo (zlato za pošiljanje, ne umazanija)
- CNN za trdno identifikacijo označenih senzorskih podatkov
- Prihodnost
Vir: PhonlamaiPhoto / iStockphoto
Odvzem:
Čeprav obstaja prepričanje, da je AI drago izvajati, pa znesek denarja, ki ga lahko prihranite, in izboljšana raven oskrbe pacienta, lahko nadoknadite.
Ujemanje vzorcev in napovedovanje nujnih potreb v bolnišnicah je težka naloga kvalificiranega medicinskega osebja, ne pa za AI in strojno učenje. Medicinsko osebje nima razkošja, da bi vsakega svojega pacienta stalno opazovalo. Kljub temu, da v očitnih okoliščinah izredno dobro prepoznajo takojšnje potrebe pacientov, medicinske sestre in zdravstveno osebje nimajo zmožnosti zaznavanja prihodnosti iz zapletenega niza pacientovih simptomov, ki se kažejo v razumnem obdobju. Strojno učenje ima razkošje ne le opazovanja in analiziranja podatkov o bolnikih 24/7, temveč tudi kombiniranja informacij, zbranih iz več virov, tj zgodovinskih zapisov, dnevnih ocen medicinskega osebja in meritev vitalnih teles, kot so srčni utrip, poraba kisika v realnem času. in krvni tlak. Uporaba AI pri ocenjevanju in napovedovanju skorajšnjih srčnih napadov, padcev, kapi, sepse in zapletov trenutno poteka po vsem svetu.
Primer v resničnem svetu je, kako bolnišnica El Camino povezuje podatke EHR, alarm za posteljo in medicinsko sestro v analitiko, da prepozna bolnike z visokim tveganjem padcev. Bolnica El Camino je znižala padce, kar je velik strošek za bolnišnice, za 39%.
Metodologije strojnega učenja, ki jih uporablja El Camino, so vrh ledene gore, vendar s pomočjo vpogledov v akcijo ali analitike na recept pomembno predstavljajo prihodnost zdravstva. Uporabljajo majhno množico možnih informacij, ki so na voljo, in fizičnih dejanj, ki jih je opravil pacient, na primer izhod iz postelje in pritiskanje gumba za pomoč v povezavi z zdravstvenimi podatki – občasno merjenje bolnišničnega osebja. Bolnišnični stroji trenutno ne hranijo pomembnih podatkov s srčnih monitorjev, dihalnih monitorjev, monitorjev nasičenosti s kisikom, EKG-ji in kamerami v naprave za shranjevanje velikih podatkov z identifikacijo dogodkov.
Vključevanje rešitev AI s trenutnimi bolnišničnimi sistemi je gospodarski, politični in tehnični problem. Namen tega dela je razprava o tehničnih težavah, ki jih je mogoče razdeliti na naslednje funkcije:
- Pridobite podatke
- Očistite podatke
- Prenesite podatke
- Analizirajte podatke
- Obvestite zainteresirane strani
Pridobivanje in čiščenje podatkov je zahteven vidik vseh izvedb AI. Dostojno referenčno izhodišče za razumevanje virov, potrebnih za dostop do tipičnih EHR, kot so podatki Epic, je v tem članku o tem, kako se povezati z epicom.
Podajanje podatkov v realnem času v velike podatke
Opravljamo napovedno analitiko – ne alarmiranje v realnem času. Gre za edinstveno različne težave. Napovedna analitika v realnem času lahko spusti pretakanje podatkov, ne pa podatkov o dogodkih. Podatki o dogodkih so oznake identifikatorjev, ki zagonskih dogodkov. Dogodki so srčni utrip na časovno obdobje ali nasičenost s kisikom v določenem intervalu. Podatki pretoka so odčitavanje vsakega srčnega utripa ali pulznega kisika. To je zelo pomembno, saj je garancija podatkov draga glede na učinkovitost. Zagotoviti moramo dogodke – teh je omejeno – ne smemo jamčiti za podatke.
EHR, klic medicinske sestre in spremljanje pacienta morajo biti v vsakem trenutku povezane z bolnikom. To pomeni edinstven identifikator, ki se deli med vse sisteme in ga je enostavno implementirati, na primer UUID (univerzalno edinstven identifikator). Z vidika implementacije kamere z vgrajenimi čitalci črtne kode, ki skenirajo okolje, vključujejo številne funkcionalne zahteve, potrebne za celovite izvedbe. Dobro implementiran sistem lahko skenira posteljne črtne kode, črtne kode zapestnih pacientov, receptorske črtne kode in intravenske črtne kode, hkrati pa dodeli edinstven UUID pri vsaki spremembi postelje bolnika. Trenutne bolnišnične tehnologije vključujejo skenerje medicinskih sester za črtne kode zapestnih pacientov.
Naš cilj je pisanje podatkov o geoprostorskih časovnih vrstah v realnem času za shranjevanje velikih podatkov. Najpomembnejši čas zaostanka je v pisanju v bazo, zato moramo nekje asinhrono prestaviti podatke iz čakalne vrste in najboljši način za to je uporaba platforme za sporočanje, kot sta RabbitMQ ali Kafka. RabbitMQ lahko prenese 1 milijon s na sekundo, Kafka pa do 60 milijonov na sekundo. RabbitMQ zagotavlja podatke, Kafka pa ne. Osnovna strategija postane objavljanje podatkov na izmenjavah, ki imajo potrebne lastnosti za vaše potrebe. (Amazon poskuša uporabiti velike podatke za znižanje stroškov zdravstvene oskrbe. Več o tem v načrtih zdravstvene oskrbe v Amazonu - prava tržna revolucija?)
Brez napak, brez stresa - vaš korak za korakom vodnik za ustvarjanje programske opreme, ki spreminja življenje, ne da bi vam uničila življenje
Ne morete izboljšati svojih programskih veščin, kadar nikogar ne skrbi za kakovost programske opreme.
Označevanje dogodkov za boljše strojno učenje
Najučinkovitejši algoritmi strojnega učenja so tisti z jasno določenimi nabori podatkov in nalepkami. Odlični, dobro znani algoritmi se uporabljajo za prepoznavanje raka in odčitavanje rentgenskih žarkov. Članek, ki ga je napisal Alexander Gelfand, Globoko učenje in prihodnost analize biomedicinske slike, poudarja, da je označevanje podatkov ključnega pomena za uspeh strojnega učenja. Poleg označevanja je zelo pomembno, da se podatki o geoprostorskih časovnih vrstah odprejo v dobro opredeljenih in doslednih delih, ki se nanašajo na označen dogodek. Kot izbirna merila se uporabljajo dobro opredeljene in dosledne oznake.
Čisti podatki pred odpremo (zlato za pošiljanje, ne umazanija)
Vse podatke za prihodnost je treba obravnavati kot prostorske podatke o datumu. Očistite podatke, preden jih objavite v čakalni vrsti in jih zapišete v bazo podatkov. Najučinkovitejša metoda za surove podatke senzorjev je uporaba eksponentne funkcije drsečega povprečja za čiščenje podatkov pred odpremo. Naš izrek je, da poskusite odposlati najboljše zlato, ki ga lahko, ne umazanijo. Oddaja in shranjevanje podatkov je na dolgi razdalji drago, zato se pred pošiljanjem in shranjevanjem prepričajte, da so podatki čim bolj čisti.
CNN za trdno identifikacijo označenih senzorskih podatkov
Za namene, opisane v tem članku, obstajajo dobro opredeljeni javni nabori podatkov in knjižnice strojnega učenja, ki se uporabljajo kot predloge za vaše izvedbe. Dobri analitiki in trdni programerji lahko izvedejo trden AI v manj kot šestih mesecih napora, če jim namenijo dovolj časa za učenje in vadbo z razpoložljivimi skladišči. Odličen sklad za prepoznavanje slike za razumevanje CNN (konvolucijsko nevronske mreže) s 87-odstotno natančnostjo pri prepoznavanju melanoma je projekt odkrivanja kožnega raka. Odlična knjižnica za razumevanje kombiniranja senzorjev za prepoznavanje dogodkov je projekt LSTMs for Human Activity Recognition Guillaume Chevalier. Ta projekt je tudi kombinacija senzorskih vnosov in določanje različnih dejavnosti. V bolnišnici ta ista metodologija deluje za vrsto zdravstvenih stanj. (Za več primerov nedavnih prebojev AI v zdravju si oglejte pet najbolj neverjetnih napredkov AI v zdravstvu.)
Prihodnost
Aplikacija AI v bolnišnicah in zdravstvenih ustanovah se zdaj dogaja. Izboljšanje natančnosti zdravstvene oskrbe s prepoznavanjem kritičnih dogodkov z integracijo opreme za spremljanje bolnikov, nosljivih senzorjev in zdravstvenih kartotek je že znanih rešitev. Obseg uporabe AI na zdravje in finančni vpliv naše prihodnosti je neprecenljiv. Ovire za vstop so majhne. Zgrabite deske in veslo za ta val. Na prihodnost zdravstvenih stroškov lahko vplivate po vsem svetu.