Inhoud
- Voer gegevens in realtime toe aan big data
- Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
- Etikettering van evenementen voor beter machinaal leren
- Schone gegevens voor verzending (verzenden goud, niet vuil)
- CNN voor solide identificatie van gelabelde sensorische gegevens
- De toekomst
Bron: PhonlamaiPhoto / iStockphoto
Afhaal:
Hoewel er misschien een overtuiging is dat AI duur is om te implementeren, kan de hoeveelheid geld die het kan besparen en het verbeterde niveau van patiëntenzorg het goedmaken.
Het matchen van patronen en het voorspellen van een dringende behoefte in ziekenhuizen is een moeilijke taak voor ervaren medisch personeel, maar niet voor AI en machine learning. Medisch personeel heeft niet de luxe om al hun patiënten fulltime te observeren. Hoewel ongelooflijk goed in het identificeren van de onmiddellijke behoeften van patiënten in voor de hand liggende omstandigheden, beschikken verpleegkundigen en medisch personeel niet over de mogelijkheden om de toekomst te onderscheiden van een complex scala aan symptomen van patiënten die gedurende een redelijke periode werden getoond. Machine learning heeft de luxe van het niet alleen observeren en analyseren van patiëntgegevens 24/7, maar ook het combineren van informatie verzameld uit meerdere bronnen, zoals historische gegevens, dagelijkse evaluaties door medisch personeel, en real-time metingen van vitale functies zoals hartslag, zuurstofverbruik en bloeddruk. De toepassing van AI bij de beoordeling en voorspelling van aanstaande hartaanvallen, vallen, beroertes, sepsis en complicaties is momenteel overal ter wereld aan de gang.
Een voorbeeld uit de praktijk is hoe El Camino Hospital EPD, bedalarm en verpleegoproeplichtgegevens koppelde aan analyses om patiënten met een hoog valrisico te identificeren. El Camino Hospital verminderde het aantal valpartijen met 39% voor ziekenhuizen.
De machine learning methodologieën die El Camino gebruikt, zijn het topje van de ijsberg, maar vertegenwoordigen in belangrijke mate de toekomst van de gezondheidszorg met actiegerichte inzichten of voorschriftanalyses. Ze gebruiken een kleine subset van de mogelijke beschikbare informatie en de fysieke acties van de patiënt, zoals het verlaten van het bed en het indrukken van de help-knop in combinatie met gezondheidsdossiers – een periodieke meting door ziekenhuispersoneel. Ziekenhuismachines voeren momenteel geen significante gegevens van hartmonitors, beademingsmonitors, zuurstofverzadigingsmonitors, ECG's en camera's in big data-opslagapparaten met gebeurtenisidentificatie.
Integratie van AI-oplossingen met huidige ziekenhuissystemen is een economisch, politiek en technisch probleem. Het doel van de rest van dit artikel is om de technische problemen te bespreken, die kunnen worden onderverdeeld in de volgende functies:
- Haal de gegevens op
- Reinig de gegevens
- Vervoer de gegevens
- Analyseer de gegevens
- Breng de belanghebbenden op de hoogte
Gegevens ophalen en opschonen is een uitdagend aspect van alle AI-implementaties. Een goed startpunt voor referentie voor het begrijpen van de benodigde bronnen voor toegang tot typische EPD-gegevens zoals Epic is in dit artikel over hoe te integreren met Epic.
Voer gegevens in realtime toe aan big data
We doen voorspellende analyses – niet realtime alarmerend. Dit zijn uniek verschillende problemen. Real-time voorspellende analyses kunnen streaminggegevens laten vallen, geen gebeurtenisgegevens. Gebeurtenisgegevens zijn identificatietags die gebeurtenissen boeken. Gebeurtenissen zijn hartslag per tijdsperiode of zuurstofverzadiging met een specifiek interval. Streaming gegevens zijn elke hartslag of puls zuurstofmeting. Dit is erg belangrijk omdat een gegevensgarantie duur is in termen van prestaties. We moeten evenementen garanderen – er zijn er een beperkt aantal – we mogen geen gegevens garanderen.
EPD, verpleegoproep- en patiëntbewakingsgegevens moeten allemaal op elk moment in verband worden gebracht met een patiënt. Dit betekent een unieke identificatie die wordt gedeeld tussen alle systemen en eenvoudig kan worden geïmplementeerd, zoals een UUID (universeel unieke identificatie). Vanuit een implementatieperspectief integreren camera's met ingebouwde barcodelezers die de omgeving scannen veel functionele vereisten die nodig zijn voor uitgebreide implementaties. Een goed geïmplementeerd systeem kan bed-barcodes, patiëntpolsband-barcodes, recept-barcodes en intraveneuze barcodes scannen, terwijl een unieke UUID wordt toegewezen bij elke verandering van het patiëntbed. Huidige ziekenhuistechnologieën omvatten verpleegsterscanners voor polsbandjes van patiënten.
Ons doel is om geospatiale tijdreeksen in realtime te schrijven voor big data-opslag. De belangrijkste vertragingstijd zit in het schrijven naar de database, dus we moeten ergens asynchroon gegevens in de wachtrij zetten, en de beste methode om dat te doen is met behulp van een berichtenplatform zoals RabbitMQ of Kafka. RabbitMQ kan 1 miljoen s per seconde verwerken en Kafka kan tot 60 miljoen per seconde verwerken. RabbitMQ garandeert de gegevens, Kafka niet. De basisstrategie wordt het publiceren van gegevens naar uitwisselingen die de nodige kenmerken voor uw behoeften hebben. (Amazon probeert big data te gebruiken om de zorgkosten te verlagen. Meer informatie in Amazon Health Care Plans - Een echte marktrevolutie?)
Geen bugs, geen stress - Uw stapsgewijze handleiding voor het creëren van levensveranderende software zonder uw leven te vernietigen
U kunt uw programmeervaardigheden niet verbeteren als niemand om softwarekwaliteit geeft.
Etikettering van evenementen voor beter machinaal leren
De meest efficiënte algoritmen voor machine learning zijn die met duidelijk gedefinieerde datasets en labels. Uitstekende, bekende algoritmen worden gebruikt om kanker te identificeren en röntgenfoto's te lezen. Het artikel geschreven door Alexander Gelfand, Deep Learning and the Future of Biomedical Image Analysis, wijst erop dat gegevensetikettering cruciaal is voor het succes van machine learning. Naast het labelen is het erg belangrijk om de geospatiale tijdreeksgegevens te boeken in goed gedefinieerde, consistente brokken die verwijzen naar de gelabelde gebeurtenis. Goed gedefinieerde, consistente labels worden gebruikt als selectiecriteria.
Schone gegevens voor verzending (verzenden goud, niet vuil)
Alle gegevens voor de toekomst moeten worden beschouwd als geospatiale datetime-gegevens. Reinig de gegevens voordat u deze in een wachtrij publiceert en in een database schrijft. De meest efficiënte methode voor onbewerkte sensorgegevens is het toepassen van een exponentiële voortschrijdend gemiddelde-functie om de gegevens vóór verzending schoon te maken. Ons gezegde is om te proberen zo goed mogelijk goud te verzenden, niet het vuil. Op de lange termijn zijn verzending en opslag van gegevens duur, dus zorg ervoor dat de gegevens vóór verzending en opslag zo schoon mogelijk zijn.
CNN voor solide identificatie van gelabelde sensorische gegevens
Voor de in dit artikel beschreven doeleinden zijn er goed gedefinieerde openbare gegevenssets en machine learning-bibliotheken die u kunt gebruiken als sjablonen voor uw implementaties. Goede analisten en solide programmeurs kunnen solide AI implementeren in minder dan zes maanden inspanning als ze de tijd krijgen om te leren en te oefenen met de beschikbare repositories. Een uitstekende repository voor beeldherkenning voor het begrijpen van CNN (convolutioneel neuraal netwerk) met 87 procent nauwkeurigheid bij melanoomherkenning is het Skin Cancer Detection Project. Een uitstekende bibliotheek om het combineren van sensoren voor gebeurtenisherkenning te begrijpen, is het LSTMs for Human Activity Recognition-project van Guillaume Chevalier. Ook is dit project de combinatie van sensorinvoer en de bepaling van verschillende activiteiten. In een ziekenhuisomgeving werkt deze zelfde methode voor een reeks medische aandoeningen. (Voor meer voorbeelden van recente AI-doorbraken in gezondheid, bekijk je de 5 meest verbazingwekkende AI-vooruitgang in de gezondheidszorg.)
De toekomst
De toepassing van AI in ziekenhuizen en gezondheidszorg gebeurt nu. Het verbeteren van de nauwkeurigheid van gezondheidsafgifte door het herkennen van kritieke gebeurtenissen door de integratie van patiëntbewakingsapparatuur, draagbare sensoren en gezondheidsdossiers heeft reeds bekende oplossingen geïmplementeerd. De omvang van de toepassing van AI op de gezondheid en financiële impact van onze futures is niet te overzien. De toetredingsdrempels zijn laag. Grijp je planken en peddel voor deze golf. U kunt wereldwijd invloed hebben op de toekomst van medische kosten.