Περιεχόμενο
- Στοιχεία ροής σε πραγματικό χρόνο σε μεγάλα δεδομένα
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Επισήμανση συμβάντων για καλύτερη εκμάθηση μηχανών
- Καθαρίστε τα δεδομένα πριν από την αποστολή (χρυσό πλοίο, όχι ρύπανση)
- CNN για στερεή αναγνώριση ετικετών αισθητηριακών δεδομένων
- Το μέλλον
Πηγή: PhonlamaiPhoto / iStockphoto
Πάρε μακριά:
Παρόλο που μπορεί να υπάρξει η πεποίθηση ότι το AI είναι δαπανηρό να εφαρμοστεί, το ποσό των χρημάτων που μπορεί να εξοικονομήσει και το βελτιωμένο επίπεδο περίθαλψης των ασθενών μπορεί να το αντισταθμίσει.
Η αντιστοίχιση και η πρόβλεψη μιας απαιτητικής ανάγκης στα νοσοκομεία είναι ένα δύσκολο έργο για εξειδικευμένο ιατρικό προσωπικό, αλλά όχι για την AI και τη μηχανική μάθηση. Το ιατρικό προσωπικό δεν έχει την πολυτέλεια να παρακολουθεί τους ασθενείς τους με πλήρη απασχόληση. Αν και είναι εξαιρετικά καλοί στην αναγνώριση των άμεσων αναγκών των ασθενών υπό προφανείς συνθήκες, οι νοσηλευτές και το ιατρικό προσωπικό δεν διαθέτουν τις ικανότητες να διακρίνουν το μέλλον από μια σύνθετη σειρά συμπτωμάτων ασθενών που εκτίθενται σε εύλογο χρονικό διάστημα. Η μηχανική μάθηση έχει την πολυτέλεια όχι μόνο να παρακολουθεί και να αναλύει δεδομένα ασθενών 24/7 αλλά και να συνδυάζει πληροφορίες που συλλέγονται από πολλαπλές πηγές, δηλαδή ιστορικά αρχεία, καθημερινές αξιολογήσεις από ιατρικό προσωπικό και μετρήσεις σε πραγματικό χρόνο ζωτικών στοιχείων, όπως καρδιακό ρυθμό, και την αρτηριακή πίεση. Η εφαρμογή του AI στην αξιολόγηση και την πρόβλεψη επικείμενων καρδιακών προσβολών, πτώσεις, εγκεφαλικά επεισόδια, σηψαιμία και επιπλοκές βρίσκεται σε εξέλιξη σε όλο τον κόσμο.
Ένα παράδειγμα πραγματικού κόσμου είναι το πώς το El Camino Hospital συνέδεσε τα δεδομένα EHR, συναγερμού κρεβατιού και νοσοκόμου με τα δεδομένα αναλύσεων για να εντοπίσουν ασθενείς με υψηλό κίνδυνο πτώσεων. Το El Camino Hospital μειώνει τις πτώσεις, ένα σημαντικό κόστος για τα νοσοκομεία, κατά 39%.
Οι μεθοδολογίες μηχανικής μάθησης που χρησιμοποιούνται από το El Camino είναι η κορυφή του παγόβουνου, αλλά αντιπροσωπεύουν σημαντικά το μέλλον της υγειονομικής περίθαλψης με τη χρήση ενεργειών εστιασμένων πληροφοριών ή αναλυτικών συνταγών. Χρησιμοποιούν ένα μικρό υποσύνολο των δυνητικών διαθέσιμων πληροφοριών και τις φυσικές ενέργειες του ασθενούς, όπως την έξοδο από το κρεβάτι και την ώθηση του κουμπιού βοήθειας σε συνδυασμό με τα αρχεία υγείας – μια περιοδική μέτρηση από το νοσοκομειακό προσωπικό. Ο μηχανισμός των νοσοκομείων δεν τροφοδοτεί σημαντικά δεδομένα από καρδιακές οθόνες, συσκευές παρακολούθησης της αναπνοής, οθόνες κορεσμού οξυγόνου, ΗΚΓ και κάμερες σε μεγάλες συσκευές αποθήκευσης δεδομένων με ταυτοποίηση συμβάντων.
Η ενσωμάτωση των λύσεων AI με τα τρέχοντα νοσοκομειακά συστήματα είναι ένα οικονομικό, πολιτικό και τεχνικό πρόβλημα. Σκοπός του υπολοίπου αυτού του άρθρου είναι να συζητηθούν τα τεχνικά προβλήματα που μπορούν να αναλυθούν στις ακόλουθες λειτουργίες:
- Αποκτήστε τα δεδομένα
- Καθαρίστε τα δεδομένα
- Μεταφέρετε τα δεδομένα
- Αναλύστε τα δεδομένα
- Ειδοποιήστε τους ενδιαφερόμενους
Η λήψη και ο καθαρισμός των δεδομένων είναι μια προκλητική πτυχή όλων των εφαρμογών του AI. Ένα αξιοπρεπές σημείο αναφοράς για την κατανόηση των πόρων που χρειάζονται για να αποκτήσετε πρόσβαση σε ένα τυπικό ΗΜΥ, όπως είναι τα Epic δεδομένα, είναι σε αυτό το άρθρο σχετικά με τον τρόπο ενσωμάτωσης με το Epic.
Στοιχεία ροής σε πραγματικό χρόνο σε μεγάλα δεδομένα
Κάνουμε αναλυτικές προβλέψεις – όχι σε πραγματικό χρόνο ανησυχητικό. Πρόκειται για μοναδικά διαφορετικά προβλήματα. Οι αναλυτικές μέθοδοι πρόβλεψης σε πραγματικό χρόνο μπορούν να αποβάλουν δεδομένα ροής, όχι δεδομένα γεγονότων. Τα δεδομένα συμβάντων είναι ετικέτες αναγνωριστικών που εκτελούν εκδηλώσεις. Τα συμβάντα είναι καρδιακός ρυθμός ανά χρονικό διάστημα ή κορεσμός οξυγόνου σε συγκεκριμένο διάστημα. Τα δεδομένα ροής είναι κάθε ανάγνωση καρδιακού παλμού ή παλμού οξυγόνου. Αυτό είναι πολύ σημαντικό επειδή μια εγγύηση δεδομένων είναι δαπανηρή από την άποψη της απόδοσης. Πρέπει να εγγυηθούμε γεγονότα – υπάρχει ένας περιορισμένος αριθμός αυτών – δεν πρέπει να εγγυηθούμε δεδομένα.
Τα δεδομένα EHR, κλήσης νοσοκόμου και παρακολούθησης ασθενών πρέπει να συνδέονται με τον ασθενή σε κάθε χρονική στιγμή. Αυτό σημαίνει ένα μοναδικό αναγνωριστικό που μοιράζεται μεταξύ όλων των συστημάτων και εφαρμόζεται εύκολα, όπως ένα UUID (καθολικά μοναδικό αναγνωριστικό). Από τη σκοπιά της εφαρμογής, οι κάμερες με ενσωματωμένους αναγνώστες γραμμωτού κώδικα που ανιχνεύουν το περιβάλλον ενσωματώνουν πολλές λειτουργικές απαιτήσεις που είναι απαραίτητες για εκτεταμένες εφαρμογές. Ένα καλά εφαρμοζόμενο σύστημα μπορεί να ανιχνεύσει τους κώδικες ραβδώσεων, τους κώδικες ραβδώσεων για τους ασθενείς, τους γραμμωτούς κώδικες συνταγής και τους ενδοφλέβιους γραμμικούς κώδικες, ενώ εκχωρεί ένα μοναδικό UUID σε κάθε αλλαγή κλινών ασθενούς. Στις τρέχουσες νοσοκομειακές τεχνολογίες περιλαμβάνονται οι σαρωτές νοσοκόμων για τους κώδικες ραβδώσεων των ασθενών.
Στόχος μας είναι να γράψουμε δεδομένα γεωχωρικών χρονοσειρών σε πραγματικό χρόνο για μεγάλη αποθήκευση δεδομένων. Ο πιο σημαντικός χρόνος καθυστέρησης είναι στην εγγραφή στη βάση δεδομένων, οπότε πρέπει να περιστρέψουμε ασύρματα τα δεδομένα κάπου και η καλύτερη μέθοδος είναι να χρησιμοποιήσετε μια πλατφόρμα ανταλλαγής μηνυμάτων όπως το RabbitMQ ή το Kafka. Το RabbitMQ μπορεί να διαχειριστεί 1 εκατομμύριο δευτερόλεπτα ανά δευτερόλεπτο και ο Kafka μπορεί να χειριστεί έως 60 εκατομμύρια ανά δευτερόλεπτο. Το RabbitMQ εγγυάται τα δεδομένα, ο Kafka δεν το κάνει. Η βασική στρατηγική γίνεται δημοσίευση δεδομένων σε ανταλλαγές που έχουν τα απαραίτητα χαρακτηριστικά για τις ανάγκες σας. (Η Amazon προσπαθεί να χρησιμοποιήσει τα μεγάλα δεδομένα για να μειώσει το κόστος της υγειονομικής περίθαλψης. Μάθετε περισσότερα στο Amazon Health Care Plans - μια πραγματική επανάσταση της αγοράς;)
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
Επισήμανση συμβάντων για καλύτερη εκμάθηση μηχανών
Οι πιο αποδοτικοί αλγόριθμοι εκμάθησης μηχανών είναι εκείνοι με σαφώς καθορισμένα σύνολα δεδομένων και ετικέτες. Άριστοι, γνωστοί αλγόριθμοι χρησιμοποιούνται για τον εντοπισμό του καρκίνου και την ανάγνωση ακτίνων Χ. Το άρθρο που γράφτηκε από τον Alexander Gelfand, Deep Learning και το μέλλον της βιοϊατρικής ανάλυσης εικόνας, επισημαίνει ότι η επισήμανση των δεδομένων είναι κρίσιμη για την επιτυχία της μηχανικής μάθησης. Εκτός από την επισήμανση, είναι πολύ σημαντικό να καταργήσουμε τα δεδομένα γεωχωρικών χρονοσειρών σε σαφώς καθορισμένα, σταθερά κομμάτια που αναφέρουν το συμβάν με την ετικέτα. Καλά καθορισμένες, συνεπείς ετικέτες χρησιμοποιούνται ως κριτήρια επιλογής.
Καθαρίστε τα δεδομένα πριν από την αποστολή (χρυσό πλοίο, όχι ρύπανση)
Όλα τα δεδομένα για το μέλλον πρέπει να θεωρούνται γεωχωρικά δεδομένα ημερομηνίας. Καθαρίστε τα δεδομένα πριν τα δημοσιεύσετε σε μια ουρά και γράψετε σε μια βάση δεδομένων. Η πιο αποτελεσματική μέθοδος για δεδομένα ακατέργαστου αισθητήρα είναι η εφαρμογή μιας συνάρτησης εκθετικής κίνησης για τον καθαρισμό των δεδομένων πριν από την αποστολή. Το ρητό μας είναι να προσπαθήσουμε να φέρουμε το καλύτερο χρυσό που μπορείτε, όχι τη βρωμιά. Κατά τη διάρκεια της μακρινής μεταφοράς, η αποστολή και αποθήκευση δεδομένων είναι δαπανηρή, οπότε βεβαιωθείτε ότι τα δεδομένα είναι όσο το δυνατόν καθαρότερα πριν από την αποστολή και αποθήκευση.
CNN για στερεή αναγνώριση ετικετών αισθητηριακών δεδομένων
Για τους σκοπούς που περιγράφονται σε αυτό το άρθρο, υπάρχουν καλά καθορισμένα σύνολα δημόσιων δεδομένων και βιβλιοθήκες μηχανικής μάθησης για να χρησιμοποιηθούν ως πρότυπα για τις υλοποιήσεις σας. Οι καλοί αναλυτές και οι σταθεροί προγραμματιστές μπορούν να εφαρμόσουν σταθερό AI σε λιγότερο από έξι μήνες προσπάθειας αν δοθεί αφιερωμένος χρόνος για να μάθουν και να εξασκηθούν με τα διαθέσιμα αποθετήρια. Ένα εξαιρετικό αποθετήριο αναγνώρισης εικόνων για την κατανόηση του CNN (συνελικτικό νευρωνικό δίκτυο) με 87% ακρίβεια στην αναγνώριση μελανώματος είναι το Πρόγραμμα Ανίχνευσης Καρκίνου του Δέρματος. Μια εξαιρετική βιβλιοθήκη για την κατανόηση του συνδυασμού αισθητήρων για την αναγνώριση γεγονότων είναι τα προγράμματα LSTM για την αναγνώριση ανθρώπινων δραστηριοτήτων από τον Guillaume Chevalier. Επίσης, αυτό το έργο είναι ο συνδυασμός εισόδου αισθητήρα και ο προσδιορισμός των διαφορετικών δραστηριοτήτων. Σε ένα νοσοκομειακό περιβάλλον, αυτή η ίδια μεθοδολογία λειτουργεί για μια σειρά ιατρικών συνθηκών. (Για περισσότερα παραδείγματα πρόσφατων ανακαλύψεων της AI στον τομέα της υγείας, ελέγξτε τις 5 πιο εκπληκτικές προόδους AI στην υγειονομική περίθαλψη.)
Το μέλλον
Η εφαρμογή του AI σε νοσοκομειακές και υγειονομικές εγκαταστάσεις συμβαίνει τώρα. Η βελτίωση της ακρίβειας της παροχής υγείας με την αναγνώριση κρίσιμων συμβάντων μέσω της ενσωμάτωσης του εξοπλισμού παρακολούθησης των ασθενών, των αισθητήρων που φοριούνται και των αρχείων υγείας έχει γνωστές λύσεις που εφαρμόζονται ήδη. Η έκταση της εφαρμογής της πνευματικής ιδιοκτησίας στον υγειονομικό και χρηματοοικονομικό αντίκτυπο του μέλλοντος είναι ανυπολόγιστη. Τα εμπόδια στην είσοδο είναι χαμηλά. Πιάσε τις σανίδες και το κουπί για αυτό το κύμα. Μπορείτε να επηρεάσετε το μέλλον των ιατρικών δαπανών σε όλο τον κόσμο.