NộI Dung
- Nạp dữ liệu theo thời gian thực vào dữ liệu lớn
- Không lỗi, không căng thẳng - Hướng dẫn từng bước của bạn để tạo ra phần mềm thay đổi cuộc sống mà không phá hủy cuộc sống của bạn
- Sự kiện ghi nhãn để học máy tốt hơn
- Dữ liệu sạch trước khi vận chuyển (Giao hàng vàng, không bẩn)
- CNN để xác định vững chắc dữ liệu cảm giác được dán nhãn
- Tương lai
Nguồn: PhonlamaiPhoto / iStockphoto
Lấy đi:
Mặc dù có thể có niềm tin rằng AI rất tốn kém để thực hiện, nhưng số tiền mà nó có thể tiết kiệm và mức độ chăm sóc bệnh nhân được cải thiện có thể bù đắp cho nó.
Kết hợp mẫu và dự đoán một nhu cầu cấp thiết trong bệnh viện là một nhiệm vụ khó khăn đối với các nhân viên y tế lành nghề, nhưng không phải là AI và học máy. Nhân viên y tế không có sự xa xỉ trong việc quan sát từng bệnh nhân của họ trên cơ sở toàn thời gian. Mặc dù cực kỳ giỏi trong việc xác định nhu cầu tức thời của bệnh nhân trong hoàn cảnh rõ ràng, các y tá và nhân viên y tế không có khả năng nhận thức được tương lai từ một loạt các triệu chứng bệnh nhân phức tạp xuất hiện trong một khoảng thời gian hợp lý. Học máy không chỉ quan sát và phân tích dữ liệu bệnh nhân 24/7 mà còn kết hợp thông tin được thu thập từ nhiều nguồn, ví dụ như hồ sơ lịch sử, đánh giá hàng ngày của nhân viên y tế và đo sức sống theo thời gian thực như nhịp tim, sử dụng oxy và huyết áp. Ứng dụng của AI trong đánh giá và dự đoán các cơn đau tim sắp xảy ra, té ngã, đột quỵ, nhiễm trùng huyết và các biến chứng hiện đang được tiến hành trên toàn thế giới.
Một ví dụ trong thế giới thực là cách Bệnh viện El Camino liên kết EHR, báo thức giường và y tá gọi dữ liệu ánh sáng để phân tích để xác định bệnh nhân có nguy cơ té ngã cao. Bệnh viện El Camino giảm ngã, chi phí lớn cho bệnh viện, bằng 39%.
Các phương pháp học máy được El Camino sử dụng là phần nổi của tảng băng trôi, nhưng đại diện đáng kể cho tương lai của chăm sóc sức khỏe bằng cách sử dụng những hiểu biết tập trung vào hành động hoặc phân tích theo toa. Họ đang sử dụng một tập hợp nhỏ các thông tin tiềm năng có sẵn và các hành động thể chất được thực hiện bởi bệnh nhân như ra khỏi giường và nhấn nút trợ giúp kết hợp với hồ sơ sức khỏe – một phép đo định kỳ của nhân viên bệnh viện. Máy móc của bệnh viện hiện không cung cấp dữ liệu quan trọng từ máy theo dõi nhịp tim, máy theo dõi hô hấp, máy theo dõi bão hòa oxy, ECG và máy ảnh vào các thiết bị lưu trữ dữ liệu lớn có nhận dạng sự kiện.
Tích hợp các giải pháp AI với các hệ thống bệnh viện hiện tại là một vấn đề kinh tế, chính trị và kỹ thuật. Mục đích của phần còn lại của bài viết này là để thảo luận về các vấn đề kỹ thuật, có thể được chia thành các chức năng sau:
- Lấy dữ liệu
- Làm sạch dữ liệu
- Vận chuyển dữ liệu
- Phân tích dữ liệu
- Thông báo cho các bên liên quan
Nhận và làm sạch dữ liệu là một khía cạnh đầy thách thức của tất cả các triển khai AI. Một điểm khởi đầu tham chiếu hợp lý để hiểu các tài nguyên cần thiết để truy cập EHR điển hình như dữ liệu Epic có trong bài viết này về Cách tích hợp với Epic.
Nạp dữ liệu theo thời gian thực vào dữ liệu lớn
Chúng tôi đang làm phân tích dự đoán – không báo động thời gian thực. Đây là những vấn đề khác nhau duy nhất. Phân tích dự đoán thời gian thực có thể giảm dữ liệu phát trực tuyến, không phải dữ liệu sự kiện. Dữ liệu sự kiện là các thẻ định danh mà sự kiện bookend. Các sự kiện là nhịp tim trên mỗi khoảng thời gian hoặc độ bão hòa oxy ở một khoảng thời gian cụ thể. Truyền dữ liệu là mỗi nhịp đọc oxy nhịp tim hoặc xung. Điều này rất quan trọng vì một đảm bảo dữ liệu đắt tiền về hiệu suất. Chúng tôi phải đảm bảo các sự kiện – có một số lượng hạn chế trong số này – chúng tôi không phải đảm bảo dữ liệu.
EHR, cuộc gọi y tá và dữ liệu theo dõi bệnh nhân đều cần được liên kết với bệnh nhân tại mọi thời điểm. Điều này có nghĩa là một mã định danh duy nhất được chia sẻ giữa tất cả các hệ thống và được triển khai dễ dàng như UUID (mã định danh duy nhất trên toàn cầu). Từ một camera phối cảnh triển khai với đầu đọc mã vạch tích hợp quét môi trường tích hợp rất nhiều yêu cầu chức năng cần thiết để triển khai toàn diện. Một hệ thống được triển khai tốt có thể quét mã vạch giường, mã vạch đeo tay bệnh nhân, mã vạch theo toa và mã vạch tiêm tĩnh mạch trong khi chỉ định một UUID duy nhất cho mỗi thay đổi giường bệnh nhân. Các công nghệ hiện tại của bệnh viện bao gồm máy quét y tá cho mã vạch dây đeo cổ tay bệnh nhân.
Mục tiêu của chúng tôi là viết dữ liệu chuỗi thời gian không gian địa lý theo thời gian thực để lưu trữ dữ liệu lớn. Thời gian trễ đáng kể nhất là trong ghi vào cơ sở dữ liệu, vì vậy chúng ta phải xếp hàng không đồng bộ dữ liệu ở đâu đó và phương pháp tốt nhất để làm điều đó là sử dụng một nền tảng nhắn tin như RabbitMQ hoặc Kafka. RabbitMQ có thể xử lý 1 triệu giây mỗi giây và Kafka có thể xử lý tới 60 triệu mỗi giây. RabbitMQ đảm bảo dữ liệu, Kafka thì không. Chiến lược cơ bản trở thành xuất bản dữ liệu lên các trao đổi có các đặc điểm cần thiết cho nhu cầu của bạn. (Amazon đang cố gắng sử dụng dữ liệu lớn để giảm chi phí chăm sóc sức khỏe. Tìm hiểu thêm về Kế hoạch chăm sóc sức khỏe của Amazon - Cuộc cách mạng thị trường thực sự?)
Không lỗi, không căng thẳng - Hướng dẫn từng bước của bạn để tạo ra phần mềm thay đổi cuộc sống mà không phá hủy cuộc sống của bạn
Bạn không thể cải thiện kỹ năng lập trình của mình khi không ai quan tâm đến chất lượng phần mềm.
Sự kiện ghi nhãn để học máy tốt hơn
Các thuật toán học máy hiệu quả nhất là những thuật toán có bộ dữ liệu và nhãn được xác định rõ ràng. Các thuật toán xuất sắc, nổi tiếng được sử dụng để xác định ung thư và đọc tia X. Bài báo được viết bởi Alexander Gelfand, Deep Learning và Tương lai của phân tích hình ảnh y sinh, chỉ ra rằng ghi nhãn dữ liệu là rất quan trọng đối với sự thành công của học máy. Ngoài việc ghi nhãn, điều rất quan trọng là phải tăng cường dữ liệu chuỗi thời gian không gian địa lý trong các khối nhất quán, được xác định rõ ràng tham chiếu đến sự kiện được gắn nhãn. Các nhãn nhất quán, được xác định rõ ràng được sử dụng làm tiêu chí lựa chọn.
Dữ liệu sạch trước khi vận chuyển (Giao hàng vàng, không bẩn)
Tất cả dữ liệu cho tương lai nên được coi là dữ liệu thời gian không gian địa lý. Làm sạch dữ liệu trước khi xuất bản nó vào hàng đợi và ghi vào cơ sở dữ liệu. Phương pháp hiệu quả nhất cho dữ liệu cảm biến thô là áp dụng hàm trung bình di chuyển theo cấp số nhân để làm sạch dữ liệu trước khi giao hàng. Câu nói của chúng tôi là cố gắng vận chuyển vàng tốt nhất có thể, chứ không phải bụi bẩn. Trong một quãng đường dài, việc vận chuyển và lưu trữ dữ liệu rất tốn kém, vì vậy hãy đảm bảo dữ liệu càng sạch càng tốt trước khi giao hàng và lưu trữ.
CNN để xác định vững chắc dữ liệu cảm giác được dán nhãn
Đối với các mục đích được mô tả trong bài viết này, có các bộ dữ liệu công cộng và thư viện máy học được xác định rõ để sử dụng làm mẫu cho việc triển khai của bạn. Các nhà phân tích giỏi và lập trình viên giỏi có thể triển khai AI vững chắc trong chưa đầy sáu tháng nỗ lực nếu được dành thời gian dành riêng để học và thực hành với các kho lưu trữ có sẵn. Kho lưu trữ nhận dạng hình ảnh tuyệt vời để hiểu CNN (mạng thần kinh tích chập) với độ chính xác 87% về nhận dạng khối u ác tính là Dự án Phát hiện Ung thư Da. Một thư viện tuyệt vời để hiểu kết hợp các cảm biến để nhận dạng sự kiện là dự án LSTM cho nhận dạng hoạt động của con người của Guillaume Chevalier. Ngoài ra, dự án này là sự kết hợp của đầu vào cảm biến và xác định các hoạt động khác nhau. Trong môi trường bệnh viện, phương pháp tương tự này hoạt động cho một loạt các điều kiện y tế. (Để biết thêm ví dụ về những đột phá AI gần đây về sức khỏe, hãy xem 5 tiến bộ AI tuyệt vời nhất trong chăm sóc sức khỏe.)
Tương lai
Việc áp dụng AI trong các thiết lập của bệnh viện và chăm sóc sức khỏe đang diễn ra ngay bây giờ. Cải thiện tính chính xác của việc cung cấp sức khỏe bằng cách nhận ra các sự kiện quan trọng thông qua việc tích hợp các thiết bị theo dõi bệnh nhân, cảm biến đeo được và hồ sơ sức khỏe đã biết các giải pháp đã được thực hiện. Phạm vi ứng dụng của AI vào tác động sức khỏe và tài chính của tương lai của chúng ta là không thể đo đếm được. Các rào cản để nhập cảnh là thấp. Lấy bảng của bạn và chèo cho làn sóng này. Bạn có thể tác động đến tương lai của chi phí y tế trên toàn thế giới.