Contenuto
- Trasmetti i dati in tempo reale a Big Data
- Nessun bug, nessuno stress: la tua guida passo passo alla creazione di software che ti cambia la vita senza distruggere la tua vita
- Eventi di etichettatura per un migliore apprendimento automatico
- Dati puliti prima della spedizione (Spedisci oro, non sporco)
- CNN per l'identificazione solida dei dati sensoriali etichettati
- Il futuro
Fonte: PhonlamaiPhoto / iStockphoto
Porta via:
Sebbene si possa credere che l'intelligenza artificiale sia costosa da implementare, la quantità di denaro che può risparmiare e il miglioramento del livello di cura del paziente possono compensarlo.
La corrispondenza dei modelli e la previsione di un'esigenza urgente negli ospedali è un compito difficile per il personale medico qualificato, ma non per l'intelligenza artificiale e l'apprendimento automatico. Il personale medico non ha il lusso di osservare ciascuno dei propri pazienti a tempo pieno. Sebbene incredibilmente bravi a identificare i bisogni immediati dei pazienti in circostanze ovvie, gli infermieri e il personale medico non possiedono le capacità di discernere il futuro da una complessa gamma di sintomi dei pazienti esibiti in un periodo ragionevole. L'apprendimento automatico ha il lusso non solo di osservare e analizzare i dati dei pazienti 24 ore su 24, 7 giorni su 7, ma anche di combinare informazioni raccolte da più fonti, ad esempio documenti storici, valutazioni quotidiane da parte del personale medico e misurazioni in tempo reale di elementi vitali come la frequenza cardiaca, l'uso di ossigeno e pressione sanguigna. L'applicazione dell'IA nella valutazione e previsione di imminenti attacchi di cuore, cadute, ictus, sepsi e complicanze è attualmente in corso in tutto il mondo.
Un esempio reale è il modo in cui l'Ospedale El Camino ha collegato i dati EHR, l'allarme del letto e l'infermiere per chiamare dati chiari all'analisi per identificare i pazienti ad alto rischio di cadute. L'ospedale El Camino ha ridotto del 39% le cadute, un grave costo per gli ospedali.
Le metodologie di apprendimento automatico utilizzate da El Camino sono la punta dell'iceberg, ma rappresentano in modo significativo il futuro dell'assistenza sanitaria utilizzando approfondimenti incentrati sull'azione o analisi delle prescrizioni. Stanno usando un piccolo sottoinsieme delle informazioni potenziali disponibili e delle azioni fisiche intraprese dal paziente come uscire dal letto e premere il pulsante di aiuto insieme alle cartelle cliniche – una misurazione periodica da parte del personale ospedaliero. I macchinari ospedalieri non stanno attualmente alimentando dati significativi da monitor cardiaci, monitor respiratori, monitor di saturazione di ossigeno, ECG e telecamere in dispositivi di archiviazione di grandi quantità di dati con identificazione degli eventi.
L'integrazione delle soluzioni di IA con gli attuali sistemi ospedalieri è un problema economico, politico e tecnico. Lo scopo del resto di questo articolo è discutere i problemi tecnici, che possono essere suddivisi nelle seguenti funzioni:
- Ottieni i dati
- Pulisci i dati
- Trasporta i dati
- Analizza i dati
- Informare le parti interessate
Ottenere e pulire i dati è un aspetto difficile di tutte le implementazioni AI. Un punto di partenza di riferimento decente per comprendere le risorse necessarie per accedere a una EHR tipica come i dati Epic è in questo articolo su Come integrarsi con Epic.
Trasmetti i dati in tempo reale a Big Data
Stiamo facendo analisi predittive – non in tempo reale allarmante. Questi sono problemi unicamente diversi. L'analisi predittiva in tempo reale può eliminare i dati di streaming, non i dati degli eventi. I dati dell'evento sono tag identificativi che fermano eventi. Gli eventi sono la frequenza cardiaca per periodo di tempo o la saturazione di ossigeno a un intervallo specifico. Lo streaming dei dati è ogni battito cardiaco o lettura dell'ossigeno del polso. Questo è molto importante perché una garanzia di dati è costosa in termini di prestazioni. Dobbiamo garantire eventi – ce ne sono un numero limitato – non dobbiamo garantire i dati.
EHR, chiamata infermiera e dati di monitoraggio del paziente devono essere associati a un paziente in ogni momento. Ciò significa un identificatore univoco condiviso tra tutti i sistemi e facilmente implementabile come un UUID (identificatore univoco universale). Dal punto di vista dell'implementazione, le telecamere con lettori di codici a barre integrati che scansionano l'ambiente integrano molti requisiti funzionali necessari per implementazioni complete. Un sistema ben implementato può scansionare i codici a barre del letto, i codici a barre del cinturino del paziente, i codici a barre di prescrizione e i codici a barre endovenosi mentre assegna un UUID univoco ad ogni cambio del letto del paziente. Le tecnologie ospedaliere attuali includono scanner per infermiere per codici a barre per cinturini da polso per pazienti.
Il nostro obiettivo è quello di scrivere i dati geospaziali delle serie temporali in tempo reale per l'archiviazione dei big data. Il tempo di ritardo più significativo è nella scrittura nel database, quindi dobbiamo accodare in modo asincrono i dati da qualche parte, e il metodo migliore per farlo è usare una piattaforma di messaggistica come RabbitMQ o Kafka. RabbitMQ può gestire 1 milione di secondi al secondo e Kafka può gestire fino a 60 milioni al secondo. RabbitMQ garantisce i dati, Kafka no. La strategia di base diventa la pubblicazione di dati negli scambi che presentano le caratteristiche necessarie per le tue esigenze. (Amazon sta cercando di utilizzare i big data per ridurre i costi dell'assistenza sanitaria. Ulteriori informazioni nei piani di assistenza sanitaria Amazon: una vera rivoluzione del mercato?)
Nessun bug, nessuno stress: la tua guida passo passo alla creazione di software che ti cambia la vita senza distruggere la tua vita
Non puoi migliorare le tue capacità di programmazione quando a nessuno importa della qualità del software.
Eventi di etichettatura per un migliore apprendimento automatico
Gli algoritmi di machine learning più efficienti sono quelli con set di dati ed etichette chiaramente definiti. Algoritmi eccellenti e ben noti sono utilizzati per identificare il cancro e leggere i raggi X. L'articolo scritto da Alexander Gelfand, Deep Learning e il futuro dell'analisi delle immagini biomediche, sottolinea che l'etichettatura dei dati è fondamentale per il successo dell'apprendimento automatico. Oltre all'etichettatura, è molto importante archiviare i dati delle serie temporali geospaziali in blocchi ben definiti e coerenti che fanno riferimento all'evento etichettato. Le etichette ben definite e coerenti vengono utilizzate come criteri di selezione.
Dati puliti prima della spedizione (Spedisci oro, non sporco)
Tutti i dati per il futuro dovrebbero essere considerati dati datetime geospaziali. Pulire i dati prima di pubblicarli in una coda e scriverli in un database. Il metodo più efficiente per i dati dei sensori grezzi è applicare una funzione esponenziale di media mobile per pulire i dati prima della spedizione. Il nostro detto è quello di provare a spedire il miglior oro possibile, non lo sporco. Nel lungo periodo, i dati di spedizione e archiviazione sono costosi, quindi assicurati che i dati siano il più puliti possibile prima della spedizione e della conservazione.
CNN per l'identificazione solida dei dati sensoriali etichettati
Per gli scopi descritti in questo articolo, esistono set di dati pubblici ben definiti e librerie di machine learning da utilizzare come modelli per le implementazioni. Buoni analisti e programmatori solidi possono implementare un'intelligenza artificiale solida in meno di sei mesi di sforzo se gli viene concesso tempo dedicato per apprendere e fare pratica con i repository disponibili. Un eccellente repository di riconoscimento delle immagini per comprendere la CNN (rete neurale convoluzionale) con un'accuratezza dell'87% sul riconoscimento del melanoma è il progetto di rilevamento del cancro della pelle. Un'eccellente biblioteca per comprendere la combinazione di sensori per il riconoscimento di eventi è il progetto LSTMs for Human Activity Recognition di Guillaume Chevalier. Inoltre, questo progetto è la combinazione dell'ingresso del sensore e la determinazione di diverse attività. In ambito ospedaliero, questa stessa metodologia funziona per una serie di condizioni mediche. (Per altri esempi di recenti scoperte dell'intelligenza artificiale nella salute, dai un'occhiata a The 5 Most Amazing AI Advances in Health Care.)
Il futuro
L'applicazione dell'IA in ambito ospedaliero e sanitario sta avvenendo ora. Migliorare l'accuratezza della consegna della salute riconoscendo gli eventi critici attraverso l'integrazione di apparecchiature di monitoraggio dei pazienti, sensori indossabili e cartelle cliniche ha già conosciuto soluzioni in fase di implementazione. La portata dell'applicazione dell'intelligenza artificiale sull'impatto sanitario e finanziario del nostro futuro è incalcolabile. Le barriere all'ingresso sono basse. Prendi le tue tavole e pagaia per questa ondata. Puoi avere un impatto sul futuro delle spese mediche in tutto il mondo.