Innehåll
- Mata data i realtid till Big Data
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Märka händelser för bättre maskininlärning
- Rengör data före leverans (levereras guld, inte smuts)
- CNN för fast identifiering av märkta sensoriska data
- Framtiden
Källa: PhonlamaiPhoto / iStockphoto
Hämtmat:
Det kan finnas en övertygelse om att AI är dyrt att genomföra, men hur mycket pengar det kan spara och den förbättrade nivån av patientvård kan kompensera för det.
Mönstermatchning och förutsägelse av ett exigent behov på sjukhus är en svår uppgift för skickliga medicinska personal, men inte för AI och maskininlärning. Medicinska personal har inte lyxen att observera var och en av sina patienter på heltid. Även om de är oerhört bra på att identifiera de omedelbara behoven hos patienter under uppenbara omständigheter, har sjuksköterskor och medicinska personal inte förmågan att urskilja framtiden utifrån en komplex mängd patientsymptom som visas under en rimlig period. Maskininlärning har lyxen av att inte bara observera och analysera patientdata dygnet runt, utan också kombinera information som samlats in från flera källor, dvs historiska register, dagliga utvärderingar av medicinsk personal och realtidsmätningar av vitaler såsom hjärtfrekvens, syreförbrukning och blodtryck. Tillämpningen av AI vid bedömning och förutsägelse av överhängande hjärtattacker, fall, stroke, sepsis och komplikationer pågår för närvarande över hela världen.
Ett verkligt exempel är hur El Camino Hospital kopplade EHR, sänglarm och sjuksköterska ringer ljusdata till analyser för att identifiera patienter med hög risk för fall. El Camino Hospital minskade fall, en stor kostnad för sjukhus, med 39%.
Maskininlärningsmetoderna som El Camino använder är toppen av isberget, men representerar betydligt hälsoomsorgens framtid med handlingsfokuserade insikter eller receptanalys. De använder en liten delmängd av potentiell information som finns tillgänglig och de fysiska åtgärder som vidtas av patienten som att gå ut från sängen och trycka på hjälpknappen i samband med hälsoregister – en periodisk mätning av sjukhuspersonal. Sjukhusmaskinerin matar för närvarande inte betydande data från hjärtmonitorer, andningsskärmar, syremättnadsmonitorer, EKG och kameror i stordatalagringsenheter med händelseidentifiering.
Att integrera AI-lösningar med nuvarande sjukhussystem är ett ekonomiskt, politiskt och tekniskt problem. Syftet med resten av denna artikel är att diskutera de tekniska problemen som kan delas upp i följande funktioner:
- Hämta uppgifterna
- Rengör data
- Transportera uppgifterna
- Analysera data
- Meddela intressenterna
Att få och rengöra data är en utmanande aspekt av alla AI-implementationer. En anständig referens utgångspunkt för att förstå resurserna som krävs för att få tillgång till en typisk EHR som Epic-data finns i den här artikeln om hur man integrerar med Epic.
Mata data i realtid till Big Data
Vi gör prediktiv analys – inte i realtid alarmerande. Dessa är unikt olika problem. Förutsägbar analys i realtid kan släppa strömningsdata, inte händelsesdata. Händelsedata är identifieringsmärken som bokför händelser. Händelser är hjärtfrekvens per tidsperiod eller syremättnad vid ett specifikt intervall. Strömningsdata är varje hjärtslag eller puls-syreavläsning. Detta är mycket viktigt eftersom en datargaranti är dyr när det gäller prestanda. Vi måste garantera händelser – det finns ett begränsat antal av dessa – vi får inte garantera data.
EHR, sjuksköterskesamtal och patientövervakningsdata behöver alla kopplas till en patient vid varje tidpunkt. Detta betyder en unik identifierare som delas mellan alla system och enkelt implementeras, till exempel en UUID (universellt unik identifierare). Från implementeringsperspektivet kameror med inbyggda streckkodsläsare som skannar miljön integrerar många funktionella krav som krävs för omfattande implementeringar. Ett väl implementerat system kan skanna säng streckkoder, streckkoder för patientband, recept streckkoder och intravenösa streckkoder samtidigt som en unik UUID tilldelas vid varje patientbäddsbyte. Nuvarande sjukhustekniker inkluderar sköterska för patienter med streckkoder för armband.
Vårt mål är att skriva geospatiala tidsseriedata i realtid för stordatalagring. Den mest betydelsefulla fördröjningstiden är att skriva till databasen, så vi måste asynkront köa data någonstans, och den bästa metoden att göra det är genom att använda en meddelandeplattform som RabbitMQ eller Kafka. RabbitMQ kan hantera 1 miljon s per sekund och Kafka kan hantera upp till 60 miljoner per sekund. RabbitMQ garanterar uppgifterna, Kafka gör det inte. Den grundläggande strategin blir publicering av data till utbyten som har de nödvändiga egenskaperna för dina behov. (Amazon försöker använda big data för att sänka kostnaderna för sjukvården. Läs mer i Amazon Health Care Plan - A True Market Revolution?)
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Märka händelser för bättre maskininlärning
De mest effektiva maskininlärningsalgoritmerna är de med tydligt definierade datamängder och etiketter. Utmärkta, välkända algoritmer används för att identifiera cancer och läsa röntgenstrålar. Artikeln skriven av Alexander Gelfand, Deep Learning and the Future of Biomedical Image Analys, påpekar att datamärkning är avgörande för framgången för maskininlärning. Förutom märkningen är det mycket viktigt att lägga in de geospatiala tidsseriedata i väl definierade, konsekventa bitar som refererar till den märkta händelsen. Väl definierade, konsekventa etiketter används som urvalskriterier.
Rengör data före leverans (levereras guld, inte smuts)
All data för framtiden ska betraktas som geospatial datetime-data. Rengör data innan du publicerar dem i en kö och skriver dem till en databas. Den mest effektiva metoden för rå sensordata är att tillämpa en exponentiell rörlig genomsnittsfunktion för att rengöra data före leverans. Vårt ordstäv är att försöka skicka det bästa guldet du kan, inte smutsen. På lång sikt är frakt och lagring av data dyrt, så se till att uppgifterna är så rena som möjligt före transport och lagring.
CNN för fast identifiering av märkta sensoriska data
För de syften som beskrivs i denna artikel finns det väl definierade offentliga datamängder och maskininlärningsbibliotek som kan användas som mallar för dina implementationer. Bra analytiker och solida programmerare kan implementera solid AI på mindre än sex månader av ansträngning om de får dedikerad tid att lära och öva med tillgängliga förvar. Ett utmärkt arkiv för att känna igen bild för att förstå CNN (convolutional neuralt nätverk) med 87 procent noggrannhet när det gäller melanomigenkänning är Skin Cancer Detection Project. Ett utmärkt bibliotek för att förstå att kombinera sensorer för händelseigenkänning är projektet LSTMs for Human Activity Recognition av Guillaume Chevalier. Detta projekt är också en kombination av sensorinmatning och bestämning av olika aktiviteter. På sjukhusmiljö fungerar samma metod för en mängd medicinska tillstånd. (För fler exempel på senaste AI-genombrott inom hälsa, kolla in de 5 mest fantastiska AI-framstegen inom hälsovård.)
Framtiden
Tillämpningen av AI i sjukhus- och hälsovårdsinställningar händer nu. Att förbättra noggrannheten i hälsotillförseln genom att känna igen kritiska händelser genom integration av patientövervakningsutrustning, bärbara sensorer och hälsoregister har kända lösningar som redan har implementerats. Omfattningen av AI: s tillämpning på vår framtids hälsa och ekonomiska effekter är oöverskådlig. Barriärer för inträde är låga. Ta tag i brädorna och paddla för den här vågen. Du kan påverka framtiden för medicinska kostnader över hela världen.