Съдържание
- Подаване на данни в реално време до големи данни
- Без грешки, без стрес - Вашето стъпка по стъпка ръководство за създаване на софтуер, променящ живота, без да разрушава живота ви
- Етикетиране на събития за по-добро машинно обучение
- Чисти данни преди доставка (златно кораб, не мръсотия)
- CNN за твърда идентификация на етикетирани сензорни данни
- Бъдещето
Източник: PhonlamaiPhoto / iStockphoto
За вкъщи:
Въпреки че може да има убеждение, че AI е скъп за изпълнение, количеството пари, което може да спести, и подобреното ниво на грижа за пациентите, могат да го компенсират.
Съпоставянето на образите и прогнозирането на неотложна нужда в болниците е трудна задача за квалифициран медицински персонал, но не и за ИИ и машинно обучение. Медицинският персонал няма лукса да наблюдава всеки свой пациент на пълен работен ден. Въпреки че са изключително добри в идентифицирането на непосредствените нужди на пациентите при очевидни обстоятелства, медицинските сестри и медицинският персонал не притежават възможностите да различават бъдещето от сложен набор от симптоми на пациента, проявени в разумен период. Машинното обучение има лукса не само да наблюдава и анализира данните за пациентите 24/7, но и да комбинира информация, събрана от множество източници, т.е. исторически записи, ежедневни оценки от медицинския персонал и измервания в реално време на жизненоважни състояния като сърдечна честота, използване на кислород и кръвно налягане. Прилагането на AI при оценката и прогнозирането на предстоящи сърдечни пристъпи, падания, инсулти, сепсис и усложнения в момента е в цял свят.
Пример от реалния свят е как болницата в Ел Камино свързва EHR, алармата на леглото и медицинската сестра призовава светлинни данни към аналитиката, за да идентифицира пациенти с висок риск от падания. Болница Ел Камино намали паданията, основен разход за болниците, с 39%.
Методологиите за машинно обучение, използвани от El Camino, са върхът на айсберга, но значително представляват бъдещето на здравеопазването, като се използват насочени към действията прозрения или анализи на рецепта. Те използват малко подмножество от наличната потенциална информация и физическите действия, предприети от пациента, като излизане от леглото и натискане на бутона за помощ във връзка със здравните записи – периодично измерване от болничния персонал. В момента болничната техника не подава значителни данни от сърдечни монитори, дихателни монитори, монитори за насищане с кислород, ЕКГ и камери в устройства за съхранение на големи данни с идентификация на събитията.
Интегрирането на AI решения с настоящите болнични системи е икономически, политически и технически проблем. Целта на останалата част от тази статия е да обсъди техническите проблеми, които могат да бъдат разбити на следните функции:
- Вземете данните
- Почистете данните
- Транспортирайте данните
- Анализирайте данните
- Уведомете заинтересованите страни
Получаването и почистването на данни е предизвикателен аспект на всички AI внедрения. Прилична отправна точка за разбиране на ресурсите, необходими за достъп до типични EHR като Epic данни, е в тази статия за Как да се интегрирате с Epic.
Подаване на данни в реално време до големи данни
Правим прогнозна анализа – не алармира в реално време. Това са уникално различни проблеми. Прогнозната анализа в реално време може да изпусне поточните данни, а не данните за събитията. Данните за събитията са идентификационни маркери, които стартират събитията. Събитията са сърдечен ритъм за период от време или насищане с кислород в определен интервал. Данните за поточно предаване са всеки показател за пулс или пулс на кислород. Това е много важно, тъй като гаранцията за данни е скъпа по отношение на производителността. Трябва да гарантираме събития – има ограничен брой от тях – не трябва да гарантираме данни.
Данните от EHR, обажданията на медицинска сестра и наблюдението на пациента трябва да се свързват с пациент във всеки момент. Това означава уникален идентификатор, който се споделя между всички системи и лесно се реализира, като UUID (универсален уникален идентификатор). От гледна точка на реализацията на камерите с вградени четци на баркодове, които сканират средата, се интегрират много функционални изисквания, необходими за цялостно внедряване. Добре внедрена система може да сканира баркодовете на леглата, баркодовете за китката на пациента, баркодовете с рецепта и интравенозните баркодове, като същевременно назначава уникален UUID при всяка смяна на леглото на пациента. Настоящите болнични технологии включват скенери за медицински сестри за баркодове на китката на пациента.
Нашата цел е да запишем данни за геопространствени времеви серии в реално време за съхранение на големи данни. Най-значителното време за закъснение е в запис в базата данни, така че трябва да асинхронно на опашка данни някъде, а най-добрият метод за това е чрез използване на платформа за съобщения като RabbitMQ или Kafka. RabbitMQ може да се справи с 1 милион секунди в секунда, а Kafka може да се справи с до 60 милиона в секунда. RabbitMQ гарантира данните, Kafka не. Основната стратегия става публикуване на данни за обмен, който има необходимите характеристики за вашите нужди. (Amazon се опитва да използва големи данни, за да намали разходите за здравеопазване. Научете повече в плановете за здравеопазване на Amazon - Истинска революция на пазара?)
Без грешки, без стрес - Вашето стъпка по стъпка ръководство за създаване на софтуер, променящ живота, без да разрушава живота ви
Не можете да подобрите уменията си за програмиране, когато никой не се интересува от качеството на софтуера.
Етикетиране на събития за по-добро машинно обучение
Най-ефективните алгоритми за машинно обучение са тези с ясно дефинирани набори от данни и етикети. Отличните, добре познати алгоритми се използват за идентифициране на рак и четене на рентгенови лъчи. Статията, написана от Александър Гелфанд, „Дълбокото обучение и бъдещето на биомедицинския анализ на образа“, посочва, че етикетирането на данни е от решаващо значение за успеха на машинното обучение. В допълнение към етикетирането, много важно е да стартирате данните за геопространствените времеви серии в добре дефинирани, последователни парчета, препращащи към обозначеното събитие. Добре дефинираните, последователни етикети се използват като критерии за избор.
Чисти данни преди доставка (златно кораб, не мръсотия)
Всички данни за бъдещето трябва да се считат за геопространствени данни за дата. Почистете данните, преди да ги публикувате на опашка и да ги запишете в база данни. Най-ефективният метод за необработените данни на сензора е да се приложи експоненциална функция на движеща се средна стойност за почистване на данните преди изпращането. Нашата поговорка е да се опитате да доставите най-доброто злато, което можете, а не мръсотията. По време на дългото изнасяне транспортирането и съхранението на данни е скъпо, така че се уверете, че данните са възможно най-чисти преди да бъдат изпратени и съхранени.
CNN за твърда идентификация на етикетирани сензорни данни
За целите, описани в тази статия, има добре определени публични набори от данни и библиотеки за машинно обучение, които да се използват като шаблони за вашите реализации. Добрите анализатори и солидни програмисти могат да прилагат солиден AI за по-малко от шест месеца усилия, ако им бъде отделено време за учене и практика с наличните хранилища. Отлично хранилище за разпознаване на изображения за разбиране на CNN (конволюционна невронна мрежа) с 87% точност при разпознаване на меланом е проектът за откриване на рак на кожата. Отлична библиотека за разбиране на комбинирането на сензори за разпознаване на събитията е проектът LSTM за разпознаване на човешка дейност от Гийом Шевалие. Също така, този проект е комбинацията от вход на сензор и определянето на различни дейности. В болнична обстановка същата методология работи за редица медицински състояния. (За повече примери за последните пробиви на AI в здравеопазването, вижте 5-те най-невероятни постижения на AI в здравеопазването.)
Бъдещето
Прилагането на AI в болнични и здравни заведения се случва сега. Подобряването на точността на здравните доставки чрез разпознаване на критични събития чрез интегриране на оборудване за мониторинг на пациентите, носими сензори и здравни досиета вече е известни решения. Степента на прилагане на AI върху здравето и финансовото въздействие на нашето бъдеще е несъизмерима. Бариерите за влизане са ниски. Хванете дъските и греблото за тази вълна. Можете да повлияете на бъдещето на медицинските разходи по целия свят.