İçerik
- Gerçek Zamanlı Veriyi Büyük Veriye Aktarın
- Hata Yok, Stres Yok - Hayatınızı Yok Etmeden Hayat Değiştiren Yazılım Yaratma Adım Adım Kılavuzunuz
- Daha İyi Makine Öğrenimi için Etiketleme Etkinlikleri
- Göndermeden Önce Temiz Veriler (Altın, Kir Değil)
- Etiketli Duyusal Verilerin Katı Tanımlanması için CNN
- Gelecek
Kaynak: PhonlamaiPhoto / iStockphoto
Paket servisi:
AI'nın uygulanması pahalı olduğu inancı olsa da, tasarruf edebileceği para miktarı ve gelişmiş hasta bakımı düzeyi bunun için telafi edebilir.
Hastanelerdeki acil bir ihtiyacı eşleştirme ve öngörme paterni kalifiye sağlık personeli için zor bir iştir, fakat AI ve makine öğrenmesi için değil. Sağlık personeli, hastalarının her birini tam zamanlı olarak gözlemleme lüksüne sahip değildir. Her ne kadar bariz durumlarda hastaların acil ihtiyaçlarını belirlemede inanılmaz derecede iyi olsalar da, hemşireler ve sağlık personeli, geleceği makul bir süre zarfında sergilenen karmaşık bir hasta semptomları dizisinden ayırt etme yeteneklerine sahip değildir. Makine öğrenmesi yalnızca hasta verilerini 7/24 gözlemleme ve analiz etmenin yanı sıra, birden fazla kaynaktan toplanan bilgileri, yani tarihi kayıtları, sağlık personelinin günlük değerlendirmeleri ve kalp atış hızı, oksijen kullanımı gibi hayati değerlerin gerçek zamanlı ölçümlerini birleştirme lüksüne de sahiptir. ve tansiyon. Yakın zamanda gerçekleşen kalp krizi, düşme, felç, sepsis ve komplikasyonların değerlendirilmesinde ve öngörülmesinde AI uygulaması şu anda tüm dünyada devam etmektedir.
Gerçek dünyadan bir örnek, El Camino Hastanesi'nin EHR, yatak alarmı ve hemşirenin, düşme riski yüksek olan hastaları tespit etmek için ışık verilerini analize çağırmasıdır. El Camino Hastanesi, hastanelere düşen büyük düşüşü% 39 azalttı.
El Camino tarafından kullanılan makine öğrenme metodları buzdağının görünen kısmıdır, ancak eylem odaklı bakış açıları veya reçeteli analitikler kullanarak sağlık hizmetlerinin geleceğini önemli ölçüde temsil etmektedir. Mevcut olası bilgilerin küçük bir alt kümesini ve hastanın yataktan çıkma ve yardım düğmesine sağlık kayıtları ile birlikte basma gibi gerçekleştirdiği fiziksel eylemleri kullanıyorlar. – Hastane personeli tarafından periyodik ölçüm. Hastane makineleri şu anda kardiyak monitörler, solunum monitörleri, oksijen doygunluk monitörleri, EKG'ler ve kameralardan önemli verileri veri olay cihazlarıyla büyük veri depolama cihazlarına beslemiyor.
AI çözümlerini mevcut hastane sistemlerine entegre etmek ekonomik, politik ve teknik bir sorundur. Bu makalenin geri kalanının amacı, aşağıdaki işlevlere ayrılabilecek teknik sorunları tartışmaktır:
- Veri almak
- Verileri temizle
- Veri taşıma
- Verileri analiz et
- Paydaşları bilgilendirin
Veri alma ve temizleme, tüm AI uygulamalarının zorlu bir yönüdür. Epic gibi tipik bir AİHS'ye erişmek için gereken kaynakları anlamak için iyi bir referans başlangıç noktası, Epic ile Nasıl Entegre Edileceği ile ilgili bu makalede yer almaktadır.
Gerçek Zamanlı Veriyi Büyük Veriye Aktarın
Tahmini analitik yapıyoruz – gerçek zamanlı alarm değil. Bunlar benzersiz olarak farklı sorunlardır. Gerçek zamanlı öngörücü analitikler, olay verilerini değil akış verilerini düşürebilir. Etkinlik verileri, etkinlikleri bookend tanımlayan etiketlerdir. Olaylar, zaman periyodu başına kalp atış hızı veya belirli bir aralıktaki oksijen satürasyonudur. Akış verileri, her kalp atışı veya nabız oksijen okumasıdır. Bu çok önemlidir, çünkü veri garantisi performans açısından pahalıdır. Olayları garanti etmeliyiz – bunlardan sınırlı sayıda var – Verileri garanti etmemeliyiz.
EHR, hemşire çağrısı ve hasta izleme verilerinin her zaman bir zamanda bir hastayla ilişkilendirilmesi gerekir. Bu, UUID (evrensel olarak benzersiz tanımlayıcı) gibi tüm sistemler arasında paylaşılan ve kolayca uygulanan benzersiz bir tanımlayıcı anlamına gelir. Uygulama açısından bakıldığında, çevreyi tarayan dahili barkod okuyuculu kameralar, kapsamlı uygulamalar için gereken birçok işlevsel gereksinimi bir araya getirir. İyi uygulanan bir sistem, her hasta yatağı değişiminde benzersiz bir UUID atarken, yatak barkodlarını, hasta bilekliği barkodlarını, reçeteli barkodları ve intravenöz barkodları tarayabilir. Mevcut hastane teknolojileri arasında hasta bilekliği barkodları için hemşire tarayıcıları bulunmaktadır.
Amacımız, büyük veri depolama için coğrafi zaman serisi verilerini gerçek zamanlı olarak yazmaktır. En önemli gecikme süresi veri tabanına yazmaktır, bu nedenle verileri bir yerde eşzamansız olarak sıraya koymalıyız ve bunu yapmanın en iyi yöntemi, RabbitMQ veya Kafka gibi bir mesajlaşma platformu kullanmaktır. RabbitMQ saniyede 1 milyon s ile başa çıkabilir ve Kafka saniyede 60 milyon ile baş edebilir. RabbitMQ verileri garanti eder, Kafka vermez. Temel strateji, ihtiyaçlarınız için gerekli özelliklere sahip borsalara veri yayınlama haline gelir. (Amazon, sağlık bakım maliyetlerini düşürmek için büyük veriler kullanmaya çalışıyor. Amazon Sağlık Bakım Planları - Gerçek Bir Pazar Devrimi hakkında daha fazla bilgi edinin?)
Hata Yok, Stres Yok - Hayatınızı Yok Etmeden Hayat Değiştiren Yazılım Yaratma Adım Adım Kılavuzunuz
Hiç kimse yazılım kalitesiyle ilgilenmediğinde programlama becerilerinizi geliştiremezsiniz.
Daha İyi Makine Öğrenimi için Etiketleme Etkinlikleri
En verimli makine öğrenme algoritmaları, net bir şekilde tanımlanmış veri setleri ve etiketlere sahip olanlardır. Kanseri tanımlamak ve X ışınlarını okumak için mükemmel, iyi bilinen algoritmalar kullanılır. Alexander Gelfand, Derin Öğrenme ve Biyomedikal Görüntü Analizinin Geleceği tarafından yazılan makale, veri etiketlemenin makine öğrenmesinin başarısı için kritik öneme sahip olduğuna işaret ediyor. Etiketlemeye ek olarak, coğrafi zaman serisi verilerini etiketli olaya atıfta bulunan iyi tanımlanmış, tutarlı parçalarda yer ayırtmak çok önemlidir. İyi tanımlanmış, tutarlı etiketler seçim kriteri olarak kullanılır.
Göndermeden Önce Temiz Veriler (Altın, Kir Değil)
Gelecek için tüm veriler coğrafi tarih-saat verileri olarak kabul edilmelidir. Bir kuyruğa basmadan ve bir veritabanına yazmadan önce verileri temizleyin. Ham sensör verileri için en etkili yöntem, gönderimden önce verileri temizlemek için üssel bir hareketli ortalama işlevi uygulamaktır. Bizim deyişimiz, kirleri değil, mümkün olan en iyi altınları göndermeye çalışmak. Uzun süre boyunca verilerin nakliyesi ve depolanması pahalıdır, bu nedenle verilerin nakliyeden ve depolamadan önce olabildiğince temiz olduğundan emin olun.
Etiketli Duyusal Verilerin Katı Tanımlanması için CNN
Bu makalede açıklanan amaçlar için, uygulamalarınız için şablon olarak kullanmak üzere iyi tanımlanmış ortak veri setleri ve makine öğrenme kütüphaneleri vardır. İyi analistler ve katı programcılar, mevcut depoları öğrenmek ve uygulamak için özel zaman verilirse, altı aydan az bir sürede katı AI uygulayabilirler. CNN'yi (evrişimsel sinir ağı) melanom tanımada yüzde 87 doğrulukla anlamak için mükemmel bir görüntü tanıma havuzu Cilt Kanseri Algılama Projesi'dir. Olay tanıma sensörlerini birleştirmeyi anlamak için mükemmel bir kütüphane, Guillaume Chevalier'in İnsan Etkinliği Tanıma Projesi için LSTM'lerdir. Ayrıca, bu proje sensör girişi ve farklı faaliyetlerin belirlenmesi birleşimidir. Bir hastane ortamında, bu aynı metodoloji bir dizi tıbbi durum için işe yarar. (Sağlık alanındaki son AI atılımlarına dair daha fazla örnek için, Sağlık Hizmetlerinde En İnanılmaz AI Gelişmelerine göz atın.)
Gelecek
Hastane ve sağlık ortamlarında AI uygulaması şimdi gerçekleşiyor. Hasta izleme ekipmanlarının, giyilebilir sensörlerin ve sağlık kayıtlarının entegrasyonu yoluyla kritik olayları tanıyarak sağlık sunumunun doğruluğunu artırmak, hali hazırda uygulanmakta olan çözümleri bilmiştir. AI uygulamasının vadeli işlemlerimizin sağlık ve mali etkisi üzerindeki boyutu hesaplanamaz. Giriş engelleri düşüktür. Tahtalarınızı alın ve bu dalga için raket kullanın. Dünya genelinde tıbbi masrafların geleceğini etkileyebilirsiniz.