תוֹכֶן
- הזן נתונים בזמן אמת ל- Big Data
- אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
- אירועי תיוג למידה טובה יותר במכונה
- נתונים נקיים לפני המשלוח (משלוח זהב, לא לכלוך)
- CNN לזיהוי מוצק של נתונים חושיים עם תווית
- העתיד
מקור: PhonlamaiPhoto / iStockphoto
להסיר:
למרות שישנה אמונה ש- AI הוא יקר ליישום, כמות הכסף שהוא יכול לחסוך ורמת הטיפול המשופרת בחולים יכולים לפצות על כך.
התאמת דפוסים וניבוי צורך נמרץ בבתי חולים היא משימה קשה עבור הצוותים הרפואיים המיומנים, אך לא ללימודי התעשייה ולמידת המכונה. לצוותים הרפואיים אין את המותרות לצפות בכל אחד מהמטופלים שלהם במשרה מלאה. אף על פי שהם טובים להפליא בזיהוי הצרכים המיידיים של חולים בנסיבות ברורות, אחיות וצוותים רפואיים אינם בעלי יכולות הבחנה של העתיד ממגוון מורכב של תסמיני מטופלים שהוצגו במשך תקופה סבירה. למידת מכונות יש את היוקרה לא רק להתבונן ולנתח את נתוני המטופלים 24/7, אלא גם לשלב מידע שנאסף ממקורות רבים, כלומר רישומים היסטוריים, הערכות יומיות על ידי הצוות הרפואי, ומדידות בזמן אמת של חיוניות כמו דופק, שימוש בחמצן. ולחץ דם. יישום ה- AI בהערכה וניבוי של התקפי לב, נפילות, שבץ מוחי, אלח דם וסיבוכים מתנהל כיום בכל רחבי העולם.
דוגמה בעולם האמיתי היא כיצד בית החולים אל קמינו קישר בין EHR, אזעקת מיטה ואחות קוראים נתוני אור לניתוח כדי לזהות חולים בסיכון גבוה לנפילות. בית החולים אל קמינו צמצם את הנפילות, עלות משמעותית לבתי החולים, ב 39%.
מתודולוגיות למידת המכונה המשמשות את אל קמינו הינן קצה הקרחון, אך מייצגות משמעותית את עתיד שירותי הבריאות באמצעות תובנות ממוקדות פעולות או ניתוח מרשם. הם משתמשים בקבוצת משנה קטנה של המידע האפשרי והפעולות הגופניות שביצע המטופל כמו יציאה מהמיטה ולחיצה על כפתור העזרה בשילוב עם רישומי הבריאות. – מדידה תקופתית על ידי צוות בית החולים. מכונות בית חולים אינן מזינות נתונים משמעותיים ממוניטורי לב, מסכי נשימה, מסכי רווי חמצן, א.ק.ג ומצלמות למכשירי אחסון נתונים גדולים עם זיהוי אירועים.
שילוב פתרונות AI עם מערכות בית חולים קיימות זו בעיה כלכלית, פוליטית וטכנית. מטרת שארית מאמר זה היא לדון בבעיות הטכניות הניתנות לחלוקה לפונקציות הבאות:
- קבל את הנתונים
- נקה את הנתונים
- העבר את הנתונים
- נתח את הנתונים
- הודע לבעלי העניין
השגת וניקוי נתונים היא היבט מאתגר בכל יישומי ה- AI. נקודת פתיחה הגונה להבנת המשאבים הדרושים לגישה ל- EHR טיפוסי כמו נתוני Epic נמצאת במאמר זה בנושא כיצד לשלב עם Epic.
הזן נתונים בזמן אמת ל- Big Data
אנו מבצעים ניתוחים חזויים – לא מדאיג בזמן אמת. אלה בעיות שונות באופן ייחודי. ניתוח חזוי בזמן אמת יכול להפיל נתוני סטרימינג, לא נתוני אירועים. נתוני אירועים הם תגי זיהוי המוזמנים להוסיף אירועים. אירועים הם דופק בכל פרק זמן או רוויה בחמצן במרווח מסוים. נתוני הזרמה הם כל פעימות לב או קריאת חמצן בדופק. זה חשוב מאוד מכיוון שערבות נתונים יקרה מבחינת הביצועים. עלינו להבטיח אירועים – יש מספר מצומצם של אלה – אסור לנו להבטיח נתונים.
EHR, שיחות אחות ונתוני ניטור מטופלים צריכים להיות קשורים לחולה בכל נקודת זמן. משמעות הדבר היא מזהה ייחודי המשותף בין כל המערכות ומיושם בקלות כגון UUID (מזהה ייחודי אוניברסלי). מנקודת מבט ליישום מצלמות עם קוראי ברקוד מובנים הסורקים את הסביבה משלבים הרבה דרישות פונקציונליות הנחוצות ליישום מקיף. מערכת מיושמת היטב יכולה לסרוק ברקודים של מיטות, ברקודים של צמיד לחולים, ברקודים עם מרשם וברקודים תוך ורידים תוך הקצאת UUID ייחודי לכל שינוי במיטת חולים. הטכנולוגיות הקיימות בבית חולים כוללות סורקי אחיות לברקודי צמיד של חולים.
המטרה שלנו היא לכתוב נתונים על סדרות זמן גאוגרפיות בזמן אמת לאחסון נתונים גדולים. זמן הפיגור המשמעותי ביותר הוא בכתיבה למסד הנתונים, ולכן עלינו לתור נתונים באופן אי-סינכרוני איפשהו, והשיטה הטובה ביותר לעשות זאת היא באמצעות פלטפורמת העברת הודעות כמו RabbitMQ או Kafka. RabbitMQ יכול להתמודד עם מיליון שניות לשנייה וקפקא יכול להתמודד עם עד 60 מיליון לשנייה. RabbitMQ מבטיח את הנתונים, קפקא לא עושה זאת. האסטרטגיה הבסיסית הופכת לפרסום נתונים לחילופי דברים שיש להם את המאפיינים הדרושים לצרכים שלך. (אמזון מנסה להשתמש בנתונים גדולים כדי להוריד את עלויות שירותי הבריאות. למידע נוסף על תכניות הבריאות של אמזון - מהפכת שוק אמיתית?)
אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
אתה לא יכול לשפר את כישורי התכנות שלך כאשר לאף אחד לא אכפת מאיכות התוכנה.
אירועי תיוג למידה טובה יותר במכונה
האלגוריתמים היעילים ביותר למידת מכונה הם אלה עם ערכות נתונים ותוויות מוגדרים בבירור. אלגוריתמים מצוינים ומוכרים משמשים לזיהוי סרטן וקריאת קרני רנטגן. המאמר שנכתב על ידי אלכסנדר גלפנד, Deep Learning and the Future of Biomedical Image Image, מציין כי תיוג נתונים הוא קריטי להצלחת למידת המכונה. בנוסף לתיוג, חשוב מאוד להוסיף את נתוני סדרות הזמן הגיאוגרפיות בנתחים מוגדרים ועקביים המתייחסים לאירוע המסומן. תוויות קבועות ומוגדרות היטב משמשות כקריטריוני בחירה.
נתונים נקיים לפני המשלוח (משלוח זהב, לא לכלוך)
כל הנתונים לעתיד צריכים להיחשב לנתוני תאריך גיאוגרפי. נקה את הנתונים לפני פרסומם בתור וכתיבתם למסד נתונים. השיטה היעילה ביותר לנתוני חיישנים גולמיים היא ליישם פונקציה ממוצעת נעה מעריכית לניקוי הנתונים לפני המשלוח. האמרה שלנו היא לנסות לשלוח את הזהב הכי טוב שאתה יכול, לא את הלכלוך. לאורך הארוך, משלוח ואחסון נתונים הם יקרים, לכן יש לוודא שהנתונים נקיים ככל האפשר לפני המשלוח והאחסון.
CNN לזיהוי מוצק של נתונים חושיים עם תווית
למטרות המתוארות במאמר זה, קיימות מערכי נתונים ציבוריים מוגדרים היטב וספריות למידת מכונות לשימוש כתבניות ליישומים שלך. אנליסטים טובים ומתכנתים סולידיים יכולים ליישם AI מוצק בפחות משישה חודשי מאמץ אם יקבלו זמן מוקדש ללמוד ולתרגל עם מאגרי האחסון הזמינים. מאגר זיהוי תמונות מעולה להבנת CNN (רשת עצבית מפותלת) עם דיוק של 87 אחוז בזיהוי מלנומה הוא פרויקט גילוי סרטן העור. ספרייה מצוינת להבנת שילוב חיישנים לצורך זיהוי אירועים היא פרויקט LSTMs לזיהוי פעילות אנושית מאת גיום שבלייה. כמו כן, פרויקט זה הוא השילוב של קלט חיישן וקביעת פעילויות שונות. במסגרת בית חולים, אותה מתודולוגיה עובדת למגוון של מצבים רפואיים. (לקבלת דוגמאות נוספות לפריצות דרך AI האחרונות בתחום הבריאות, עיין בחמשת ההתקדמות המדהימות ביותר בתחום הבריאות.)
העתיד
היישום של AI במוסדות החולים והבריאות קורה כעת. שיפור הדיוק של מסירת הבריאות על ידי הכרת אירועים קריטיים באמצעות שילוב של ציוד ניטור חולים, חיישנים לבישים ורשומי בריאות, ידוע כבר על פתרונות שכבר מיושמים. מידת היישום של AI על ההשפעה הבריאותית והפיננסית של העתיד שלנו אינה ניתנת לערעור. חסמי הכניסה נמוכים. תפוס את הלוחות וההנעה שלך לגל זה. אתה יכול להשפיע על עתיד העלויות הרפואיות ברחבי העולם.