Content
- Alimenteu les dades en temps real a les dades grans
- Sense errors, sense estrès: la vostra guia pas a pas per crear programes que canvien la vida sense destruir la vida
- Etiquetatge d'esdeveniments per a un millor aprenentatge automàtic
- Netegeu les dades abans d’enviar-les (envieu or, no brutícia)
- CNN per a la identificació sòlida de dades sensorials etiquetades
- El futur
Font: PhonlamaiPhoto / iStockphoto
Emportar:
Tot i que pot haver-hi la creença que la IA és costosa d’implementar, la quantitat de diners que es pot estalviar i el nivell d’atenció al pacient millorat poden compensar-ho.
La concordança de patrons i la predicció d’una necessitat exigent als hospitals és una tasca difícil per a personal mèdic qualificat, però no per a l’IA i l’aprenentatge automàtic. El personal mèdic no té el luxe d’observar cadascun dels seus pacients a temps complet. Tot i que són increïblement útils per identificar les necessitats immediates dels pacients en circumstàncies evidents, les infermeres i el personal mèdic no tenen la capacitat de distingir el futur d’un complex ventall de símptomes del pacient exposats durant un període raonable. L’aprenentatge automàtic té el luxe de no només observar i analitzar dades de pacients les 24 hores del dia, sinó també combinar informació recollida de múltiples fonts, és a dir, registres històrics, avaluacions diàries per part de personal mèdic i mesures en temps real de vitals com la freqüència cardíaca, l’ús d’oxigen. i la pressió arterial. L’aplicació de la IA en l’avaluació i predicció d’atacs cardíacs imminents, caigudes, ictus, sèpsia i complicacions està en marxa actualment a tot el món.
Un exemple del món real és com l’hospital El Camino va relacionar la EHR, l’alarma del llit i la infermera criden dades lleugeres a analítiques per identificar pacients amb alt risc de caigudes. L'hospital del Camí va reduir les caigudes, un important cost per als hospitals, en un 39%.
Les metodologies d’aprenentatge automàtic utilitzades per El Camino són la punta de l’iceberg, però representen significativament el futur de l’assistència sanitària mitjançant indicacions centrades en l’acció o analítiques de receptes. Estan utilitzant un petit subconjunt de la informació potencial disponible i les accions físiques realitzades pel pacient com sortir del llit i prémer el botó d’ajuda juntament amb els registres de salut – una mesura periòdica per part del personal de l’hospital. Actualment, la maquinària de l’hospital no alimenta dades significatives de monitors cardíacs, monitores de respiració, monitors de saturació d’oxigen, ECG i càmeres de fotos a dispositius d’emmagatzematge de dades grans amb identificació d’esdeveniments.
Integrar solucions d’IA als sistemes hospitalaris actuals és un problema econòmic, polític i tècnic. L'objectiu de la resta d'aquest article és tractar els problemes tècnics que es poden desglossar en les següents funcions:
- Obteniu les dades
- Netegeu les dades
- Transportar les dades
- Analitzeu les dades
- Notifiqueu les parts interessades
Obtenir i netejar dades és un aspecte difícil per a totes les implementacions de l'AI. Un punt de partida de referència digne per comprendre els recursos necessaris per accedir a una EHR típica com les dades de l’Èpica es troba en aquest article sobre Com s’integra amb Epic.
Alimenteu les dades en temps real a les dades grans
Estem fent analítica predictiva – no és alarmant en temps real. Es tracta de problemes únicament diferents. Les analítiques de predicció en temps real poden deixar anar les dades de transmissió, no les dades d'esdeveniments. Les dades d'esdeveniments són etiquetes d'identificació que registren esdeveniments. Els esdeveniments són freqüència cardíaca per període de temps o saturació d’oxigen en un interval específic. Les dades que transmeten són la lectura de cada batec del cor o del pols. Això és molt important perquè una garantia de dades és cara en termes de rendiment. Hem de garantir esdeveniments – n’hi ha un nombre limitat – no hem de garantir dades.
La EHR, la trucada d’infermera i les dades de control de pacients s’han d’associar amb un pacient en cada moment del temps. Això significa un identificador únic que es comparteix entre tots els sistemes i es pot implementar fàcilment, com ara un UUID (identificador universal únic). Des d'una perspectiva d'implementació, les càmeres amb lectors de codis de barres integrats que explorin l'entorn integren una gran quantitat de requisits funcionals necessaris per a implementacions completes. Un sistema ben implementat pot escanejar codis de barres del llit, codis de barres de la polsera dels pacients, codis de barres de prescripció i codis de barres intravenosos mentre s’assigna un UUID únic a cada canvi de llit de pacient. Les tecnologies hospitalàries actuals inclouen escàners d'infermeria per als codis de barres de la polsera dels pacients.
El nostre objectiu és escriure dades de sèries horàries geospatials en temps real per a emmagatzematge de dades grans. El temps de retard més significatiu es produeix en l'escriptura a la base de dades, per la qual cosa hem de fer cua de manera asíncrona en algun lloc i el millor mètode per fer-ho és utilitzar una plataforma de missatgeria com RabbitMQ o Kafka. RabbitMQ pot manejar 1 milió per segon i Kafka pot manejar fins a 60 milions per segon. RabbitMQ garanteix les dades, Kafka no. L’estratègia bàsica esdevé publicar dades a intercanvis que tinguin les característiques necessàries per a les vostres necessitats. (Amazon intenta utilitzar grans dades per reduir els costos de l'assistència sanitària. Més informació als plans d'assistència sanitària d'Amazon: una veritable revolució del mercat?)
Sense errors, sense estrès: la vostra guia pas a pas per crear programes que canvien la vida sense destruir la vida
No podeu millorar les vostres habilitats de programació quan ningú es preocupa per la qualitat del programari.
Etiquetatge d'esdeveniments per a un millor aprenentatge automàtic
Els algorismes d’aprenentatge automàtic més eficients són aquells que tenen conjunts de dades i etiquetes clarament definides. S'utilitzen algorismes excel·lents i coneguts per identificar el càncer i llegir els rajos X. L’article escrit per Alexander Gelfand, Aprenentatge profund i futur de l’anàlisi biomèdica d’imatges, assenyala que l’etiquetatge de dades és fonamental per a l’èxit de l’aprenentatge automàtic. A més de l'etiquetatge, és molt important reservar les dades de sèries horàries geospatials en trossos consistents ben definits i consistents que fan referència a l'esdeveniment etiquetat. S’utilitzen etiquetes coherent i ben definides com a criteris de selecció.
Netegeu les dades abans d’enviar-les (envieu or, no brutícia)
Totes les dades per al futur haurien de considerar-se dades de temps de geospacialitat. Netegeu les dades abans de publicar-les a una cua i escriure-les a una base de dades. El mètode més eficient per a les dades del sensor brut és aplicar una funció de mitjana en moviment exponencial per netejar les dades abans de l'enviament. La nostra dita és intentar enviar el millor or que puguis, no la brutícia. A llarg termini, l'enviament i l'emmagatzematge de dades és costós, així que assegureu-vos que les dades siguin el més netes possibles abans del seu enviament i emmagatzematge.
CNN per a la identificació sòlida de dades sensorials etiquetades
Als propòsits descrits en aquest article, hi ha conjunts de dades públics ben definits i biblioteques d'aprenentatge automàtic per utilitzar com a plantilles per a les vostres implementacions. Els bons analistes i programadors sòlids poden implementar IA sòlida en menys de sis mesos d’esforç si se’ls ofereix un temps dedicat per aprendre i practicar amb els dipòsits disponibles. El projecte de detecció del càncer de la pell és un excel·lent dipòsit de reconeixement d’imatges per comprendre la CNN (xarxa neuronal convolutional) amb una precisió del 87 per cent en el reconeixement del melanoma. Una excel·lent biblioteca per entendre la combinació de sensors per al reconeixement d’esdeveniments és el projecte LSTMs per al reconeixement d’activitats humanes de Guillaume Chevalier. Així mateix, aquest projecte és la combinació d’entrada de sensors i la determinació de diferents activitats. En un entorn hospitalari, aquesta mateixa metodologia funciona per a diverses condicions mèdiques. (Per obtenir més exemples dels avenços recents de la IA en salut, consulteu els 5 avenços més increïbles de la IA en l'assistència sanitària.)
El futur
L'aplicació de la IA en entorns hospitalaris i assistencials s'està produint ara. La millora de la precisió del lliurament de salut mitjançant el reconeixement d’esdeveniments crítics mitjançant la integració d’equips de monitorització de pacients, sensors portables i registres de salut han conegut solucions ja conegudes. L’extensió de l’aplicació de la IA sobre l’impacte financer de la nostra salut en els nostres futurs és incalculable. Les barreres d’entrada són baixes. Agafa les teves taules i remà per aquesta onada. Podeu afectar el futur dels costos mèdics a tot el món.