Содержание
- Подача данных в режиме реального времени в большие данные
- Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
- Маркировка событий для лучшего машинного обучения
- Чистые данные перед отправкой (доставка золота, а не грязи)
- CNN для твердой идентификации меченых сенсорных данных
- Будущее
Источник: PhonlamaiPhoto / iStockphoto
вынос:
Хотя существует мнение, что ИИ является дорогостоящим для реализации, сумма, которую он может сэкономить, и улучшенный уровень обслуживания пациентов могут восполнить его.
Сопоставление с образцом и прогнозирование острой потребности в больницах - трудная задача для квалифицированного медицинского персонала, но не для искусственного интеллекта и машинного обучения. Медицинские работники не могут позволить себе наблюдать за каждым из своих пациентов на постоянной основе. Хотя медсестры и медицинские работники невероятно хороши в определении неотложных потребностей пациентов в очевидных обстоятельствах, они не обладают способностями различать будущее по сложному набору симптомов, проявляющихся в течение разумного периода времени. Машинное обучение позволяет не только наблюдать и анализировать данные пациента 24/7, но также комбинировать информацию, собранную из нескольких источников, например, исторические записи, ежедневные оценки медицинского персонала и измерения жизненно важных показателей в реальном времени, такие как частота сердечных сокращений, потребление кислорода. и кровяное давление. Применение ИИ для оценки и прогнозирования неминуемых сердечных приступов, падений, инсультов, сепсиса и осложнений в настоящее время осуществляется во всем мире.
Пример из реальной жизни - это то, как больница Эль-Камино связывает ЭМК, тревогу в постели и медсестру с помощью световых данных для аналитики, чтобы идентифицировать пациентов с высоким риском падений. Больница Эль-Камино сократила количество падений, что является основной ценой для больниц, на 39%.
Методологии машинного обучения, используемые El Camino, являются верхушкой айсберга, но в значительной степени отражают будущее здравоохранения, используя ориентированные на действия идеи или аналитику рецептов. Они используют небольшое подмножество доступной потенциальной информации и физических действий, предпринимаемых пациентом, таких как выход из кровати и нажатие кнопки помощи в сочетании с записями о состоянии здоровья. – периодическое измерение персоналом больницы. В настоящее время больничное оборудование не подает значимых данных с кардиомониторов, мониторов дыхания, мониторов насыщения кислородом, ЭКГ и камер в устройства хранения больших данных с идентификацией событий.
Интеграция решений ИИ с современными больничными системами является экономической, политической и технической проблемой. Целью оставшейся части этой статьи является обсуждение технических проблем, которые можно разбить на следующие функции:
- Получить данные
- Очистить данные
- Транспорт данных
- Проанализируйте данные
- Уведомить заинтересованные стороны
Получение и очистка данных - сложный аспект всех реализаций ИИ. Достойная справочная отправная точка для понимания ресурсов, необходимых для доступа к типичным данным EHR, таким как Epic, находится в этой статье о том, как интегрироваться с Epic.
Подача данных в режиме реального времени в большие данные
Мы занимаемся прогнозной аналитикой – не тревожит в реальном времени. Это уникально разные проблемы. Прогнозирующая аналитика в реальном времени может отбрасывать потоковые данные, а не данные о событиях. Данные о событиях - это теги-идентификаторы, которые создают события. События - это частота сердечных сокращений за период времени или насыщение кислородом через определенный интервал. Потоковые данные - это каждое сердцебиение или импульсное считывание кислорода. Это очень важно, потому что гарантия данных является дорогой с точки зрения производительности. Мы должны гарантировать события – Есть ограниченное количество таких – мы не должны гарантировать данные.
ЭМК, данные вызова медсестры и данные мониторинга пациента должны быть связаны с пациентом в любой момент времени. Это означает уникальный идентификатор, который совместно используется всеми системами и легко реализуется, например, UUID (универсально уникальный идентификатор). С точки зрения реализации камеры со встроенными считывателями штрих-кода, которые сканируют среду, объединяют множество функциональных требований, необходимых для всесторонних реализаций. Хорошо реализованная система может сканировать штрих-коды кроватей, штрих-коды браслетов пациентов, рецептурные штрих-коды и внутривенные штрих-коды, назначая уникальный UUID при каждой смене постели пациента. Современные больничные технологии включают в себя сканеры медсестер для штрих-кодов браслетов пациентов.
Наша цель - записывать данные геопространственных временных рядов в реальном времени для хранения больших данных. Самое значительное время задержки при записи в базу данных, поэтому мы должны где-то асинхронно ставить в очередь данные, и лучший способ сделать это - использовать платформу обмена сообщениями, такую как RabbitMQ или Kafka. RabbitMQ может обрабатывать 1 миллион с в секунду, а Kafka может обрабатывать до 60 миллионов с в секунду. RabbitMQ гарантирует данные, Kafka - нет. Основной стратегией становится публикация данных на биржах, которые имеют необходимые характеристики для ваших нужд. (Amazon пытается использовать большие данные для снижения затрат на медицинское обслуживание. Подробнее о планах медицинского обслуживания Amazon - настоящая рыночная революция?)
Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
Вы не можете улучшить свои навыки программирования, когда никто не заботится о качестве программного обеспечения.
Маркировка событий для лучшего машинного обучения
Наиболее эффективными являются алгоритмы машинного обучения с четко определенными наборами данных и метками. Отличные, хорошо известные алгоритмы используются для выявления рака и считывания рентгеновских лучей. В статье, написанной Александром Гельфандом «Углубленное обучение и будущее анализа биомедицинских изображений», отмечается, что маркировка данных имеет решающее значение для успеха машинного обучения. В дополнение к маркировке очень важно объединить данные геопространственных временных рядов в четко определенные, согласованные фрагменты, ссылающиеся на помеченное событие. Четко определенные, согласованные метки используются в качестве критериев выбора.
Чистые данные перед отправкой (доставка золота, а не грязи)
Все данные на будущее должны рассматриваться как геопространственные данные даты и времени. Очистите данные перед публикацией в очередь и записью в базу данных. Наиболее эффективный метод для необработанных данных датчика состоит в применении экспоненциальной функции скользящего среднего для очистки данных перед отправкой. Мы говорим, чтобы попытаться доставить лучшее золото, которое вы можете, а не грязь. В долгосрочной перспективе доставка и хранение данных обходятся дорого, поэтому перед отправкой и хранением убедитесь, что данные максимально чистые.
CNN для твердой идентификации меченых сенсорных данных
Для целей, описанных в этой статье, существуют четко определенные общедоступные наборы данных и библиотеки машинного обучения, которые можно использовать в качестве шаблонов для ваших реализаций. Хорошие аналитики и надежные программисты могут внедрить надежный ИИ менее чем за шесть месяцев, если им уделено специальное время для изучения и практики с доступными репозиториями. Проект распознавания рака кожи является отличным хранилищем для распознавания изображений для понимания CNN (сверточной нейронной сети) с точностью 87% при распознавании меланомы. Отличной библиотекой для понимания объединения датчиков для распознавания событий является проект LSTM для распознавания человеческой деятельности Гийома Шевалье. Кроме того, этот проект представляет собой комбинацию сенсорного ввода и определения различных видов деятельности. В условиях больницы, эта же методика работает для множества заболеваний. (Дополнительные примеры последних достижений ИИ в области здравоохранения можно найти в разделе «5 самых удивительных достижений ИИ в области здравоохранения».)
Будущее
Применение ИИ в больницах и медицинских учреждениях происходит сейчас. Повышение точности оказания медицинской помощи путем распознавания критических событий за счет интеграции оборудования для мониторинга пациентов, носимых датчиков и медицинских карт позволяет уже применять известные решения. Степень применения ИИ на здоровье и финансовое влияние нашего будущего не поддается исчислению. Барьеры для входа низкие. Хватай свои доски и весло для этой волны. Вы можете повлиять на будущее медицинских расходов по всему миру.