Hvordan AI i sundhedsvæsenet identificerer risici og sparer penge

Indhold

• Fremfør data i realtid til Big Data
• Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
• Mærkning af begivenheder for bedre maskinlæring
• Rene data inden forsendelse (send guld, ikke snavs)
• CNN til solid identifikation af mærkede sensoriske data
• Fremtiden

Kilde: PhonlamaiPhoto / iStockphoto

Tag væk:

Selv om der kan være en tro på, at AI er dyrt at implementere, kan det beløb, det kan spare, og det forbedrede niveau for patientpleje kompensere for det.

Mønstermatchning og forudsigelse af et presserende behov på hospitaler er en vanskelig opgave for dygtige medicinske medarbejdere, men ikke for AI og maskinlæring. Medicinsk personale har ikke den luksus at observere hver af deres patienter på fuld tid. Selvom utroligt gode til at identificere de umiddelbare behov hos patienter under åbenlyse omstændigheder, besidder sygeplejersker og medicinske medarbejdere ikke evnen til at skelne fremtiden ud fra et komplekst udvalg af patientsymptomer, der er udstillet over en rimelig periode. Maskinlæring har den luksus at ikke kun observere og analysere patientdata døgnet rundt, men også kombinere information indsamlet fra flere kilder, dvs. historiske poster, daglige evalueringer fra medicinsk personale og realtidsmålinger af vitaler såsom hjerterytme, iltforbrug og blodtryk. Anvendelsen af ​​AI til vurdering og forudsigelse af forestående hjerteanfald, fald, slagtilfælde, sepsis og komplikationer er i øjeblikket i gang over hele verden.

Et ægte eksempel er, hvordan El Camino Hospital koblet EHR, sengealarm og sygeplejerske kalder lysdata til analyser for at identificere patienter med høj risiko for fald. El Camino Hospital reducerede fald, en stor omkostning for hospitaler, med 39%.

Maskinlæringsmetodologier, der bruges af El Camino, er toppen af ​​isbjerget, men repræsenterer markant fremtiden for sundhedsvæsenet ved hjælp af handlingsfokuseret indsigt eller receptanalyse. De bruger en lille undergruppe af den tilgængelige potentielle information og de fysiske handlinger, som patienten har taget, f.eks. At forlade sengen og trykke på hjælpeknappen sammen med sundhedsregistre. – en periodisk måling fra hospitalets personale. Hospitalets maskiner indfører i øjeblikket ikke signifikante data fra hjertemonitorer, respirationsmonitorer, iltmætningsmonitorer, EKG'er og kameraer i store datalagringsenheder med begivenhedsidentifikation.

Integrering af AI-løsninger med de nuværende sygesystemer er et økonomisk, politisk og teknisk problem. Formålet med resten af ​​denne artikel er at diskutere de tekniske problemer, der kan opdeles i følgende funktioner:

1. Hent dataene
2. Rengør dataene
3. Transport af dataene
4. Analyser dataene
5. Underret interessenterne

Henter og rengør data er et udfordrende aspekt af alle AI-implementeringer. Et anstændigt referenceudgangspunkt for forståelse af de ressourcer, der er nødvendige for at få adgang til en typisk EPJ som Epic-data, er i denne artikel om Sådan integreres med Epic.

Fremfør data i realtid til Big Data

Vi laver forudsigelig analyse – ikke alarmerende i realtid. Dette er entydigt forskellige problemer. Forudsigelig analyse i realtid kan droppe streamingdata, ikke hændelsesdata. Begivenhedsdata er identifikationskoder, der bogfører begivenheder. Begivenheder er hjerterytme pr. Tidsperiode eller iltmætning ved et specifikt interval. Streamingdata er hver hjerteslag eller puls-iltlæsning. Dette er meget vigtigt, fordi en datasikkerhed er dyre med hensyn til ydeevne. Vi skal garantere begivenheder – der er et begrænset antal af disse – vi må ikke garantere data.

EHR, sygeplejepersonale og patientovervågningsdata skal alle tilknyttes en patient på hvert tidspunkt. Dette betyder en unik identifikator, der deles mellem alle systemer og let implementeres, såsom en UUID (universelt unik identifikator). Fra et implementeringsperspektiv kameraer med indbyggede stregkodelæsere, der scanner miljøet, integrerer en masse funktionelle krav, der er nødvendige for omfattende implementeringer. Et velimplementeret system kan scanne sengestregkoder, stregkoder til patientbånd, receptpligtige stregkoder og intravenøs stregkoder, samtidig med at der tildeles en unik UUID på hver patientbedskift. De aktuelle hospitalsteknologier inkluderer sygeplejerscannere til stregkoder til patientens armbånd.

Vores mål er at skrive geospatiale tidsserier i realtid til lagring af big data. Den mest markante forsinkelse er i skrivning til databasen, så vi skal asynkront køe et eller andet sted, og den bedste metode til at gøre det er ved at bruge en meddelelsesplatform som RabbitMQ eller Kafka. RabbitMQ kan håndtere 1 million s i sekundet og Kafka kan håndtere op til 60 millioner per sekund. RabbitMQ garanterer dataene, Kafka gør det ikke. Den grundlæggende strategi bliver offentliggørelse af data til udvekslinger, der har de nødvendige egenskaber til dine behov. (Amazon prøver at bruge store data til at sænke omkostningerne til sundhedsvæsenet. Lær mere i Amazon Health Care Plans - En ægte markedrevolution?)

Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv

Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.

Mærkning af begivenheder for bedre maskinlæring

De mest effektive algoritmer til maskinlæring er dem med klart definerede datasæt og etiketter. Fremragende, velkendte algoritmer bruges til at identificere kræft og læse røntgenstråler. Artiklen skrevet af Alexander Gelfand, Deep Learning and the Future of Biomedical Image Analyse, påpeger, at datamærkning er kritisk for succes med maskinlæring. Ud over mærkningen er det meget vigtigt at bogføre de geospatielle tidsseriedata i veldefinerede, konsistente bidder, der refererer til den mærkede begivenhed. Veldefinerede, ensartede etiketter bruges som udvælgelseskriterier.

Rene data inden forsendelse (send guld, ikke snavs)

Alle data for fremtiden skal betragtes som geospatiale datetime data. Rengør dataene, inden de offentliggøres i en kø og skrives til en database. Den mest effektive metode til rådige sensordata er at anvende en eksponentiel bevægende gennemsnitsfunktion til at rense dataene før forsendelse. Vores ordsprog er at forsøge at sende det bedste guld, du kan, ikke snavs. I det lange løb er forsendelse og opbevaring af data dyre, så sørg for, at dataene er så rene som muligt inden forsendelse og opbevaring.

CNN til solid identifikation af mærkede sensoriske data

Til de formål, der er beskrevet i denne artikel, er der veldefinerede offentlige datasæt og maskinlæringsbiblioteker, der kan bruges som skabeloner til dine implementeringer. Gode ​​analytikere og solide programmører kan implementere solid AI i mindre end seks måneders indsats, hvis de får dedikeret tid til at lære og øve med de tilgængelige depoter. Et fremragende billedgenkendelseslager til forståelse af CNN (indviklet neuralt netværk) med 87 procents nøjagtighed på melanomgenkendelse er Skin Cancer Detection Project. Et fremragende bibliotek til at forstå at kombinere sensorer til anerkendelse af begivenheder er projektet LSTMs for Human Activity Recognition af Guillaume Chevalier. Dette projekt er også kombinationen af ​​sensorinput og bestemmelsen af ​​forskellige aktiviteter. På hospitaler fungerer den samme metode til en række medicinske tilstande. (For flere eksempler på nylige gennembrud i AI inden for sundhed, se De 5 mest fantastiske AI-fremskridt inden for sundhedsvæsenet.)

Fremtiden

Anvendelsen af ​​AI i hospitaler og sundhedsvæsenet indstillinger sker nu. At forbedre nøjagtigheden af ​​levering af sundheden ved at genkende kritiske begivenheder gennem integration af patientovervågningsudstyr, bærbare sensorer og sundhedsregistre har kendte løsninger, der allerede er implementeret. Omfanget af anvendelsen af ​​AI på vores futures sundhedsmæssige og økonomiske virkning er uberegnelig. Barrierer for indrejse er lave. Grib dine brædder og padle for denne bølge. Du kan påvirke fremtiden for medicinske omkostninger over hele verden.