Sisu
- Andmete edastamine suurandmetele reaalajas
- Pole vigu ega stressi - teie samm-sammuline juhend elumuutva tarkvara loomiseks ilma oma elu hävitamata
- Sündmuste märgistamine paremaks masinõppimiseks
- Puhtad andmed enne saatmist (laevakuld, mitte mustus)
- CNN märgistatud sensoorsete andmete tahkeks tuvastamiseks
- Tulevik
Allikas: PhonlamaiPhoto / iStockphoto
Ära võtma:
Ehkki võib arvata, et AI rakendamine on kallis, võib selle kokku hoida nii rahasumma kui ka patsientide parema hoolduse tase.
Mustrite sobitamine ja haiglate vajaduste prognoosimine on kvalifitseeritud meditsiinitöötajate jaoks keeruline ülesanne, kuid mitte AI ja masinõppe jaoks. Meditsiinitöötajatel pole luksust jälgida kõiki oma patsiente täistööajaga. Ehkki meditsiiniõdedel ja meditsiinitöötajatel on uskumatult hea patsientide otseste vajaduste kindlakstegemine ilmsetes olukordades, ei ole neil mõistlikul ajal ilmnenud komplekssete patsientide sümptomite hulgast tulevikku märgata. Masinõppel on luksus mitte ainult jälgida ja analüüsida patsiendi andmeid ööpäevaringselt, vaid ka kombineerida mitmest allikast kogutud teavet, st ajaloolisi andmeid, meditsiinitöötajate igapäevaseid hinnanguid ja selliste reaalajas tehtavate elujõu mõõtmisi nagu pulss, hapniku tarbimine ja vererõhk. AI rakendamine peatste südameatakkide, kukkumiste, insultide, sepsise ja komplikatsioonide hindamisel ja prognoosimisel on praegu käimas kogu maailmas.
Reaalse näite näide on see, kuidas El Camino haigla ühendas EHRi, voodialarmi ja meditsiiniõe valgustuse andmed analüütiliste andmetega, et tuvastada kõrge kukkumisohuga patsiendid. El Camino haigla vähendas kukkumisi, mis on haiglatele suur kulu, 39%.
El Camino kasutatud masinõppemetoodikad on jäämäe tipp, kuid esindavad märkimisväärselt tervishoiu tulevikku, kasutades tegevuspõhiseid teadmisi või retseptianalüütikat. Nad kasutavad väikest alamhulka olemasolevast võimalikust teabest ja patsiendi tehtud füüsilistest toimingutest, näiteks voodist väljumist ja abinupu vajutamist koos terviseandmetega – haiglapersonali perioodiline mõõtmine. Haigla masinad ei edasta praegu olulisi andmeid südamemonitoride, hingamismonitoride, hapniku küllastumise monitoride, EKG-de ja kaamerate kohta suurtesse andmesalvestusseadmetesse koos sündmuse tuvastamisega.
AI-lahenduste integreerimine praeguste haiglasüsteemidega on majanduslik, poliitiline ja tehniline probleem. Selle artikli ülejäänud osa eesmärk on arutada tehnilisi probleeme, mis võib jagada järgmisteks funktsioonideks:
- Hankige andmed
- Puhastage andmed
- Andmete transportimine
- Analüüsige andmeid
- Teavitage sidusrühmi
Andmete hankimine ja puhastamine on kõigi AI rakenduste keeruline külg. Korralik lähtepunkt ressursside mõistmiseks, mis on vajalikud tüüpilisele EHR-ile, näiteks Epici andmetele juurdepääsuks, on selles artiklis, kuidas Epiciga integreeruda.
Andmete edastamine suurandmetele reaalajas
Me teeme ennustavat analüüsi – mitte reaalajas murettekitav. Need on ainulaadselt erinevad probleemid. Reaalajas ennustav analüüs võib voogesitusandmeid, mitte sündmuste andmeid maha jätta. Sündmuse andmed on identifikaatori sildid, mis registreerivad sündmused. Sündmused on pulss perioodil või hapniku küllastumine kindla intervalliga. Voogesituse andmed on iga südamelöögi või pulsi hapniku näit. See on väga oluline, kuna andmeside garantii on toimivuse mõttes kallis. Peame tagama üritused – neid on piiratud arv – me ei tohi andmeid tagada.
EHR, meditsiiniõe kõne ja patsiendi monitooringu andmed tuleb patsiendiga igal ajahetkel seostada. See tähendab unikaalset identifikaatorit, mida jagatakse kõigi süsteemide vahel ja mida saab hõlpsalt rakendada, näiteks UUID (universaalselt unikaalne identifikaator). Rakenduse perspektiivist integreerivad keskkonda skaneerivate sisseehitatud vöötkoodilugejatega kaamerad palju funktsionaalseid nõudeid, mis on vajalikud terviklikuks juurutamiseks. Hästi rakendatud süsteem saab skannida voodiriideid, patsiendi käepaela vöötkoode, retseptide vöötkoode ja intravenoosseid vöötkoode, määrates igale patsiendi voodivoodile ainulaadse UUID. Praegused haiglate tehnoloogiad hõlmavad õe skannerit patsientide käepaelte vöötkoodide jaoks.
Meie eesmärk on kirjutada georuumiliste aegridade andmed reaalajas suurte andmete salvestamiseks. Kõige olulisem viivitusaeg on andmebaasi kirjutamisel, seega peame andmeid kuskilt sünkroonselt järjekorda panema, ja selleks on parim viis kasutada sõnumsideplatvormi, näiteks RabbitMQ või Kafka. RabbitMQ saab hakkama ühe miljoniga sekundis ja Kafka kuni 60 miljoni sekundis. RabbitMQ tagab andmete tagamise, Kafka seda ei tee. Põhistrateegiaks saab andmete avaldamine vahetuste jaoks, millel on teie vajadustele vajalikud omadused. (Amazon üritab tervishoiukulude vähendamiseks kasutada suurandmeid. Lisateavet leiate Amazoni tervishoiuplaanidest - kas tõeline tururevolutsioon?)
Pole vigu ega stressi - teie samm-sammuline juhend elumuutva tarkvara loomiseks ilma oma elu hävitamata
Te ei saa oma programmeerimisoskusi parandada, kui keegi tarkvara kvaliteedist ei hooli.
Sündmuste märgistamine paremaks masinõppimiseks
Kõige tõhusamad masinõppe algoritmid on selgelt määratletud andmekogumite ja siltidega algoritmid. Vähi tuvastamiseks ja röntgenikiirte lugemiseks kasutatakse suurepäraseid, tuntud algoritme. Alexander Gelfandi kirjutatud artikkel Deep Learning and the Biomedical Image Analysis Future toob välja, et andmete märgistamine on masinõppe õnnestumise jaoks kriitilise tähtsusega. Lisaks märgistamisele on väga oluline lisada georuumiliste aegridade andmed täpselt määratletud, järjepidevate tükkidena, viidates märgistatud sündmusele. Valikukriteeriumina kasutatakse täpselt määratletud ja ühtlasi märgiseid.
Puhtad andmed enne saatmist (laevakuld, mitte mustus)
Kõiki tuleviku andmeid tuleks käsitleda georuumiliste päevaaja andmetena. Puhastage andmed enne nende järjekorda avaldamist ja andmebaasi kirjutamist. Andurite töötlemata andmete kõige tõhusam meetod on eksponentsiaalse libiseva keskmise funktsiooni rakendamine andmete puhastamiseks enne saatmist. Meie ütlus on proovida saata parimat kulda, mida vähegi võimalik, mitte pori. Pikamaa jooksul on andmete saatmine ja säilitamine kulukas, nii et enne saatmist ja säilitamist veenduge, et andmed oleksid võimalikult puhtad.
CNN märgistatud sensoorsete andmete tahkeks tuvastamiseks
Selles artiklis kirjeldatud eesmärkidel on olemas täpselt määratletud avalikud andmekogumid ja masinõppe raamatukogud, mida saab kasutada mallidena oma rakenduste jaoks. Head analüütikud ja kindlad programmeerijad saavad usaldusväärse AI rakendada vähem kui kuue kuu jooksul, kui neile antakse pühendatud aeg olemasolevate hoidlate õppimiseks ja harjutamiseks. Nahavähi tuvastamise projekt on suurepärane kujutisetuvastuse repositoorium CNN (konvolutsioonne närvivõrk) mõistmiseks 87-protsendise täpsusega melanoomi tuvastamisel. Suurepärane andurite kombineerimise mõistmiseks sündmuste äratundmiseks on Guillaume Chevalieri projekt LSTM inimtegevuse tunnustamiseks. Samuti on see projekt anduri sisendi ühendamine ja erinevate tegevuste määramine. Haiglaravi korral töötab sama metoodika mitmesuguste meditsiiniliste seisundite korral. (Lisateavet hiljutiste AI läbimurde kohta tervises leiate 5 kõige hämmastavamat AI-d tervishoiu alal.)
Tulevik
AI rakendamine haigla- ja tervishoiuasutustes toimub praegu. Tervise edastamise täpsuse parandamine kriitiliste sündmuste äratundmise kaudu patsiendi jälgimisseadmete, kantavate andurite ja terviseandmete integreerimise kaudu on juba teadaolevaid lahendusi rakendatud. AI kohaldamise ulatus meie futuuride tervisele ja finantsmõjudele on arvutamatu. Sissesõidu tõkked on madalad. Haarake selle laine jaoks lauad ja mõla. Saate mõjutada ravikulude tulevikku kogu maailmas.