เนื้อหา
- ฟีดข้อมูลในเวลาจริงกับข้อมูลขนาดใหญ่
- ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
- การติดฉลากเหตุการณ์เพื่อการเรียนรู้ของเครื่องที่ดีขึ้น
- ล้างข้อมูลก่อนการจัดส่ง (จัดส่งทองไม่ใช่สิ่งสกปรก)
- CNN สำหรับการระบุข้อมูลทางประสาทสัมผัสที่ถูกต้อง
- อนาคต
ที่มา: PhonlamaiPhoto / iStockphoto
Takeaway:
ในขณะที่อาจมีความเชื่อว่า AI นั้นมีราคาแพงในการนำไปใช้ แต่จำนวนเงินที่สามารถประหยัดได้และการดูแลผู้ป่วยในระดับที่ดีขึ้นสามารถชดเชยได้
การจับคู่รูปแบบและการทำนายความต้องการเร่งด่วนในโรงพยาบาลเป็นงานที่ยากสำหรับเจ้าหน้าที่ทางการแพทย์ที่มีทักษะ แต่ไม่ใช่สำหรับ AI และการเรียนรู้ของเครื่อง บุคลากรทางการแพทย์ไม่ได้มีความหรูหราในการสังเกตผู้ป่วยแต่ละรายแบบเต็มเวลา แม้ว่าจะมีความสามารถในการระบุความต้องการของผู้ป่วยในสถานการณ์ที่ชัดเจนอย่างไม่น่าเชื่อ แต่พยาบาลและบุคลากรทางการแพทย์ไม่มีความสามารถในการแยกแยะอนาคตจากอาการของผู้ป่วยที่ซับซ้อนซึ่งแสดงในช่วงเวลาที่เหมาะสม การเรียนรู้ด้วยเครื่องจักรมีความหรูหราไม่เพียง แต่การเฝ้าสังเกตและวิเคราะห์ข้อมูลผู้ป่วย 24/7 เท่านั้น แต่ยังรวมข้อมูลที่รวบรวมจากหลาย ๆ แหล่งเช่นบันทึกทางประวัติศาสตร์การประเมินผลรายวันโดยเจ้าหน้าที่ทางการแพทย์ และความดันโลหิต การประยุกต์ใช้ AI ในการประเมินและการคาดการณ์ของโรคหัวใจวาย, ตกหลุม, จังหวะ, การติดเชื้อและภาวะแทรกซ้อนกำลังดำเนินไปทั่วโลก
ตัวอย่างในโลกแห่งความจริงคือโรงพยาบาล El Camino เชื่อมโยง EHR สัญญาณเตือนเตียงและพยาบาลเรียกข้อมูลแสงเพื่อการวิเคราะห์เพื่อระบุผู้ป่วยที่มีความเสี่ยงสูงต่อการล้ม โรงพยาบาล El Camino ลดอัตราการตกซึ่งเป็นต้นทุนหลักของโรงพยาบาลลง 39%
วิธีการเรียนรู้ของเครื่องที่ใช้โดย El Camino เป็นส่วนหนึ่งของภูเขาน้ำแข็ง แต่เป็นตัวแทนของอนาคตของการดูแลสุขภาพอย่างมีนัยสำคัญโดยใช้ข้อมูลเชิงลึกที่เน้นการกระทำหรือการวิเคราะห์ตามใบสั่งแพทย์ พวกเขากำลังใช้ข้อมูลย่อยที่เป็นไปได้เล็กน้อยและการกระทำทางกายภาพของผู้ป่วยเช่นออกจากเตียงและกดปุ่มช่วยเหลือร่วมกับบันทึกสุขภาพ – การวัดเป็นระยะโดยเจ้าหน้าที่โรงพยาบาล ขณะนี้เครื่องจักรของโรงพยาบาลไม่ได้ให้ข้อมูลที่สำคัญจากเครื่องตรวจจับการเต้นของหัวใจเครื่องช่วยหายใจเครื่องวัดความอิ่มตัวของออกซิเจน ECG และกล้องในอุปกรณ์จัดเก็บข้อมูลขนาดใหญ่ที่มีการระบุเหตุการณ์
การบูรณาการการแก้ปัญหา AI กับระบบโรงพยาบาลในปัจจุบันเป็นปัญหาทางเศรษฐกิจการเมืองและเทคนิค ส่วนที่เหลือของบทความนี้มีวัตถุประสงค์เพื่อหารือเกี่ยวกับปัญหาทางเทคนิคซึ่งสามารถแบ่งออกเป็นหน้าที่ต่อไปนี้:
- รับข้อมูล
- ทำความสะอาดข้อมูล
- ขนส่งข้อมูล
- วิเคราะห์ข้อมูล
- แจ้งผู้มีส่วนได้เสีย
การรับและทำความสะอาดข้อมูลเป็นสิ่งที่ท้าทายสำหรับการใช้งาน AI ทั้งหมด จุดเริ่มต้นอ้างอิงที่ดีสำหรับการทำความเข้าใจทรัพยากรที่จำเป็นในการเข้าถึง EHR ทั่วไปเช่นข้อมูลมหากาพย์อยู่ในบทความนี้เกี่ยวกับวิธีการผสานรวมกับ Epic
ฟีดข้อมูลในเวลาจริงกับข้อมูลขนาดใหญ่
เรากำลังทำการวิเคราะห์เชิงคาดการณ์ล่วงหน้า – ไม่ใช่การเตือนภัยตามเวลาจริง ปัญหาเหล่านี้แตกต่างกันโดยเฉพาะ การวิเคราะห์การคาดการณ์แบบเรียลไทม์สามารถปล่อยข้อมูลการสตรีมไม่ใช่ข้อมูลเหตุการณ์ ข้อมูลเหตุการณ์เป็นแท็กตัวระบุที่จองเหตุการณ์ เหตุการณ์คืออัตราการเต้นของหัวใจต่อช่วงเวลาหรือความอิ่มตัวของออกซิเจนในช่วงเวลาที่กำหนด ข้อมูลการสตรีมคือการอ่านการเต้นของหัวใจหรือชีพจรออกซิเจน สิ่งนี้สำคัญมากเพราะการรับประกันข้อมูลมีราคาแพงในแง่ของประสิทธิภาพ เราต้องรับประกันเหตุการณ์ – มีจำนวน จำกัด – เราจะต้องไม่รับประกันข้อมูล
EHR, การเรียกพยาบาลและข้อมูลการตรวจสอบผู้ป่วยทั้งหมดจำเป็นต้องเชื่อมโยงกับผู้ป่วยทุกเวลา นี่หมายถึงตัวระบุเฉพาะที่ใช้ร่วมกันระหว่างทุกระบบและนำไปใช้งานได้ง่ายเช่น UUID (ตัวระบุที่ไม่ซ้ำแบบสากล) จากกล้องมุมมองการนำไปใช้งานที่มีเครื่องอ่านบาร์โค้ดในตัวซึ่งสแกนสภาพแวดล้อมนั้นรวมความต้องการการทำงานจำนวนมากที่จำเป็นสำหรับการใช้งานที่ครอบคลุม ระบบที่ดำเนินการอย่างดีสามารถสแกนบาร์โค้ดเตียงบาร์โค้ดสายรัดข้อมือของผู้ป่วยบาร์โค้ดตามใบสั่งแพทย์และบาร์โค้ดทางหลอดเลือดดำในขณะที่กำหนด UUID ที่ไม่ซ้ำกันในทุกการเปลี่ยนแปลงเตียงผู้ป่วย เทคโนโลยีโรงพยาบาลในปัจจุบันประกอบด้วยสแกนเนอร์พยาบาลสำหรับบาร์โค้ดสายรัดข้อมือผู้ป่วย
เป้าหมายของเราคือการเขียนข้อมูลอนุกรมเวลาเชิงพื้นที่ในเวลาจริงสำหรับการจัดเก็บข้อมูลขนาดใหญ่ เวลาหน่วงที่สำคัญที่สุดนั้นอยู่ในการเขียนไปยังฐานข้อมูลดังนั้นเราจะต้องจัดคิวข้อมูลแบบไม่ซิงค์ที่ใดที่หนึ่งและวิธีที่ดีที่สุดในการทำเช่นนั้นคือการใช้แพลตฟอร์มการส่งข้อความเช่น RabbitMQ หรือ Kafka RabbitMQ สามารถจัดการได้ 1 ล้านวินาทีต่อวินาทีและ Kafka สามารถรองรับได้มากถึง 60 ล้านต่อวินาที RabbitMQ รับประกันข้อมูล Kafka ทำไม่ได้ กลยุทธ์พื้นฐานจะเผยแพร่ข้อมูลไปยังการแลกเปลี่ยนที่มีคุณลักษณะที่จำเป็นสำหรับความต้องการของคุณ (Amazon พยายามใช้ข้อมูลขนาดใหญ่เพื่อลดค่าใช้จ่ายด้านการดูแลสุขภาพเรียนรู้เพิ่มเติมเกี่ยวกับแผนการดูแลสุขภาพของ Amazon - การปฏิวัติตลาดที่แท้จริง?)
ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
คุณไม่สามารถพัฒนาทักษะการเขียนโปรแกรมของคุณเมื่อไม่มีใครใส่ใจคุณภาพของซอฟต์แวร์
การติดฉลากเหตุการณ์เพื่อการเรียนรู้ของเครื่องที่ดีขึ้น
อัลกอริทึมการเรียนรู้ของเครื่องที่มีประสิทธิภาพที่สุดคือชุดข้อมูลและป้ายกำกับที่กำหนดไว้อย่างชัดเจน อัลกอริทึมที่ยอดเยี่ยมและเป็นที่รู้จักใช้เพื่อระบุมะเร็งและอ่านรังสีเอกซ์ บทความที่เขียนโดย Alexander Gelfand การเรียนรู้อย่างลึกซึ้งและการวิเคราะห์ภาพทางชีวการแพทย์ในอนาคตชี้ให้เห็นว่าการติดฉลากข้อมูลมีความสำคัญต่อความสำเร็จของการเรียนรู้ของเครื่อง นอกเหนือจากการติดฉลากแล้วมันเป็นสิ่งสำคัญอย่างยิ่งที่จะต้องบันทึกข้อมูลอนุกรมเวลาเชิงพื้นที่ในกลุ่มที่มีความชัดเจนและสอดคล้องกันซึ่งอ้างอิงถึงเหตุการณ์ที่มีป้ายกำกับ มีการใช้ป้ายกำกับที่สอดคล้องและชัดเจนเป็นเกณฑ์ในการคัดเลือก
ล้างข้อมูลก่อนการจัดส่ง (จัดส่งทองไม่ใช่สิ่งสกปรก)
ข้อมูลทั้งหมดในอนาคตควรได้รับการพิจารณาว่าเป็นข้อมูลวันที่และเวลาเชิงพื้นที่ ทำความสะอาดข้อมูลก่อนที่จะเผยแพร่ลงในคิวและเขียนลงในฐานข้อมูล วิธีที่มีประสิทธิภาพมากที่สุดสำหรับข้อมูลเซ็นเซอร์ดิบคือการใช้ฟังก์ชั่นค่าเฉลี่ยเคลื่อนที่แบบเอ็กซ์โพเนนเชียลเพื่อทำความสะอาดข้อมูลก่อนการจัดส่ง คำพูดของเราคือพยายามส่งทองคำที่ดีที่สุดที่คุณสามารถทำได้ไม่ใช่สิ่งสกปรก ในระยะยาวการขนส่งและการจัดเก็บข้อมูลมีราคาแพงดังนั้นโปรดตรวจสอบให้แน่ใจว่าข้อมูลนั้นสะอาดเท่าที่จะเป็นไปได้ก่อนส่งและจัดเก็บ
CNN สำหรับการระบุข้อมูลทางประสาทสัมผัสที่ถูกต้อง
สำหรับวัตถุประสงค์ที่อธิบายไว้ในบทความนี้มีชุดข้อมูลสาธารณะที่กำหนดไว้อย่างดีและไลบรารีการเรียนรู้ของเครื่องเพื่อใช้เป็นเทมเพลตสำหรับการใช้งานของคุณ นักวิเคราะห์ที่ดีและโปรแกรมเมอร์ที่แข็งแกร่งสามารถใช้ AI ที่เป็นของแข็งในเวลาน้อยกว่าหกเดือนของความพยายามหากให้เวลาเฉพาะในการเรียนรู้และฝึกปฏิบัติกับที่เก็บที่มีอยู่ แหล่งเก็บข้อมูลการรับรู้ภาพที่ยอดเยี่ยมสำหรับการทำความเข้าใจซีเอ็นเอ็น (เครือข่ายประสาทเทียม) ที่มีความแม่นยำร้อยละ 87 ในการรับรู้เนื้องอกคือโครงการตรวจจับมะเร็งผิวหนัง ห้องสมุดที่ยอดเยี่ยมที่จะเข้าใจการรวมเซ็นเซอร์สำหรับการรับรู้เหตุการณ์คือโครงการ LSTM for for Human Recognition โดย Guillaume Chevalier นอกจากนี้โครงการนี้เป็นการรวมกันของอินพุตเซ็นเซอร์และการกำหนดกิจกรรมที่แตกต่างกัน ในโรงพยาบาลวิธีการเดียวกันนี้ใช้ได้กับเงื่อนไขทางการแพทย์หลายประเภท (สำหรับตัวอย่างเพิ่มเติมของการค้นพบ AI ล่าสุดเกี่ยวกับสุขภาพให้ดู 5 ความก้าวหน้า AI ที่น่าทึ่งที่สุดในการดูแลสุขภาพ)
อนาคต
การใช้ AI ในโรงพยาบาลและการดูแลสุขภาพกำลังเกิดขึ้นแล้ว การปรับปรุงความถูกต้องของการส่งมอบสุขภาพโดยการรับรู้เหตุการณ์สำคัญผ่านการบูรณาการอุปกรณ์ตรวจสอบผู้ป่วยเซ็นเซอร์ที่สวมใส่ได้และบันทึกสุขภาพได้รู้จักวิธีการแก้ปัญหาแล้ว ขอบเขตของการประยุกต์ใช้ AI ต่อสุขภาพและผลกระทบทางการเงินของฟิวเจอร์สของเรานั้นไม่แน่นอน อุปสรรคในการเข้าอยู่ในระดับต่ำ คว้าบอร์ดและพายสำหรับคลื่นนี้ คุณสามารถส่งผลกระทบต่ออนาคตของค่ารักษาพยาบาลทั่วโลก