Зміст
- Подайте дані в режимі реального часу на великі дані
- Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
- Позначення подій для кращого машинного навчання
- Чисті дані перед відправкою (золото, не бруд)
- CNN для твердої ідентифікації мічених сенсорних даних
- Майбутнє
Джерело: PhonlamaiPhoto / iStockphoto
Винос:
Хоча може існувати думка, що AI дорого реалізувати, кількість грошей, яку вона може заощадити, та покращений рівень догляду за пацієнтами, можуть компенсувати це.
Узгодження моделей та прогнозування гострої потреби в лікарнях є складним завданням кваліфікованого медичного персоналу, але не для ШІ та машинного навчання. Медичні працівники не мають розкоші спостерігати за кожним своїм пацієнтом постійно. Хоча неймовірно добре виявляти негайні потреби пацієнтів за очевидних обставин, медсестри та медичні працівники не володіють можливостями розпізнавання майбутнього за складним набором симптомів пацієнта, виявлених протягом розумного періоду. Машинне навчання має розкіш не лише в спостереженні та аналізі даних пацієнтів 24/7, а й у поєднанні інформації, зібраної з різних джерел, тобто історичних записів, щоденних оцінок медичного персоналу та реальних вимірювань життєвих органів, таких як частота серцевих скорочень, використання кисню. і артеріального тиску. Застосування ШІ в оцінці та прогнозуванні неминучих інфарктів, падінь, інсультів, сепсису та ускладнень зараз ведеться у всьому світі.
Приклад у реальному світі - це те, як лікарня Ель-Каміно поєднала ЕГР, сигналізацію про ліжко та медсестру для отримання даних про світло для аналітики, щоб виявити пацієнтів з високим ризиком падіння. Лікарня Ель-Каміно зменшила падіння, основні витрати для лікарень, на 39%.
Методології машинного навчання, що використовуються Ель-Каміно, є вершиною айсберга, але суттєво представляють майбутнє охорони здоров’я, використовуючи орієнтовані на дії заходи або аналітику рецептів. Вони використовують невеликий набір потенційної наявної інформації та фізичні дії, які вживає пацієнт, такі як вихід із ліжка та натискання кнопки допомоги разом із записами про стан здоров'я – періодичне вимірювання персоналом лікарні. Наразі лікарняна техніка не отримує значних даних від серцевих моніторів, моніторів дихання, моніторів насичення киснем, ЕКГ та камер у пристрої зберігання великих даних із ідентифікацією події.
Інтеграція рішень ШІ з сучасними лікарняними системами є економічною, політичною та технічною проблемою. Мета решти цієї статті - обговорити технічні проблеми, які можна розділити на наступні функції:
- Отримати дані
- Очистіть дані
- Транспортуйте дані
- Проаналізуйте дані
- Повідомте зацікавлених сторін
Отримання та очищення даних є складним аспектом усіх впроваджень AI. Достойна орієнтир для відпрацьовування розуміння ресурсів, необхідних для доступу до типових даних EHR, таких як Epic, знаходиться в цій статті про те, як інтегруватися з Epic.
Подайте дані в режимі реального часу на великі дані
Ми робимо прогностичну аналітику – не тривожно в режимі реального часу. Це однозначно різні проблеми. Прогнозна аналітика в реальному часі може скидати потокові дані, а не дані про події. Дані про події - це теги ідентифікаторів, які позначають завантажуючі події Події - це частота серцебиття за певний проміжок часу або насичення киснем через певний інтервал. Дані потокового потоку - це кожне зчитування серцебиття або пульсу кисню. Це дуже важливо, оскільки гарантія даних є дорогою з точки зору продуктивності. Ми повинні гарантувати події – їх обмежена кількість – ми не повинні гарантувати дані.
Дані EHR, виклику медичної сестри та моніторингу пацієнтів повинні бути пов’язані з пацієнтом у будь-який момент часу. Це означає унікальний ідентифікатор, який ділиться між усіма системами та легко реалізується, наприклад UUID (універсальний унікальний ідентифікатор). З точки зору реалізації камери із вбудованими зчитувачами штрих-кодів, які сканують середовище, інтегрують безліч функціональних вимог, необхідних для всебічної реалізації. Добре реалізована система дозволяє сканувати штрих-коди ліжок, штрих-коди браслетів пацієнта, штрих-коди за рецептом та внутрішньовенні штрих-коди, призначаючи унікальний UUID на кожну зміну ліжка пацієнта. Сучасні лікарняні технології включають в себе сканери медсестер для штрих-кодів браслетів пацієнта.
Наша мета - записувати дані геопросторових часових рядів у режимі реального часу для зберігання великих даних. Найбільш значущий час затримки - це запис у базу даних, тому ми повинні десь асинхронно чергувати дані черги, і найкращий метод зробити це за допомогою платформи обміну повідомленнями, наприклад RabbitMQ або Kafka. RabbitMQ може справляти 1 мільйон с в секунду, а Кафка - до 60 мільйонів за секунду. RabbitMQ гарантує дані, Кафка - ні. Основною стратегією стає публікація даних на біржах, які мають необхідні характеристики для ваших потреб. (Amazon намагається використовувати великі дані для зниження витрат на охорону здоров'я. Дізнайтеся більше в планах охорони здоров’я Amazon - справжня революція на ринку?)
Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
Ви не можете покращити свої навички програмування, коли ніхто не піклується про якість програмного забезпечення.
Позначення подій для кращого машинного навчання
Найефективнішими алгоритмами машинного навчання є ті, у яких чітко визначені набори даних та мітки. Відмінні, відомі алгоритми використовуються для ідентифікації раку та зчитування рентгенівських променів. У статті, написаній Олександром Гельфандом «Глибоке навчання та майбутнє аналізу біомедичного зображення», вказується, що маркування даних є критично важливим для успіху машинного навчання. На додаток до маркування, дуже важливо переглянути дані про геопросторові часові ряди в чітко визначених, послідовних фрагментах, що посилаються на позначену подію. В якості критеріїв вибору використовуються чітко визначені, послідовні мітки.
Чисті дані перед відправкою (золото, не бруд)
Усі дані на майбутнє слід вважати геопросторовими датами часу. Очистіть дані перед публікацією їх у черзі та записом у базу даних. Найбільш ефективним методом для необроблених даних датчиків є застосування експоненціальної функції ковзної середньої для очищення даних перед відвантаженням. Наша приказка - спробувати поставити найкраще золото, що ви можете, а не бруд. Перевезення та зберігання даних протягом тривалого перевезення коштує дорого, тому перед транспортуванням та зберіганням переконайтеся, що вони максимально чисті.
CNN для твердої ідентифікації мічених сенсорних даних
Для цілей, описаних у цій статті, є чітко визначені набори загальнодоступних даних та бібліотеки машинного навчання, які використовуються як шаблони для ваших реалізацій. Хороші аналітики та надійні програмісти зможуть реалізувати надійний інтелектуальний інтелект менш ніж за шість місяців зусиль, якщо їм приділяється присвячений час для вивчення та практики із наявними сховищами. Чудовим сховищем розпізнавання зображень для розуміння CNN (згорткової нейронної мережі) з 87-відсотковою точністю щодо розпізнавання меланоми є проект виявлення раку шкіри. Чудовою бібліотекою для розуміння поєднання датчиків для розпізнавання подій є проект LSTMs for Recognition Human Activity від Гійом Шевальє. Також цей проект - це поєднання сенсорного вводу та визначення різних видів діяльності. У лікарняних умовах ця сама методика працює для ряду медичних станів. (Щоб отримати додаткові приклади останніх проривів ШІ у галузі охорони здоров'я, перегляньте 5 найдивовижніших досягнень ШІ в галузі охорони здоров’я.)
Майбутнє
Застосування ШІ у лікарняних та медичних установах відбувається зараз. Підвищення точності надання медичних послуг шляхом розпізнавання критичних подій за допомогою інтеграції обладнання для моніторингу пацієнтів, носячих датчиків та медичних записів відомих рішень вже впроваджено. Масштаби застосування ШІ на здоров'я та фінансовий вплив нашого майбутнього незрівнянні. Перешкоди для входу є низькими. Візьміть дошки та весла для цієї хвилі. Ви можете вплинути на майбутнє медичних витрат у всьому світі.