Nilalaman
- Ang Data ng Feed sa Real Time sa Big Data
- Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
- Mga label na Kaganapan para sa Mas mahusay na Pag-aaral ng Makina
- Malinis na Data Bago ang Pagpapadala (Ship Gold, Hindi Dirt)
- Ang CNN para sa Solid na Pagkilala sa Labeling Sensory Data
- Ang kinabukasan
Pinagmulan: PhonlamaiPhoto / iStockphoto
Takeaway:
Habang maaaring mayroong isang paniniwala na mahal ang AI upang maipatupad, ang halaga ng pera na mai-save nito, at ang pinahusay na antas ng pangangalaga ng pasyente, maaaring gumawa ng mga ito.
Ang pagtutugma ng pattern at hinuhulaan ang isang napakaraming pangangailangan sa mga ospital ay isang mahirap na gawain para sa mga bihasang medikal na kawani, ngunit hindi para sa pag-aaral ng AI at machine. Ang mga kawani ng medikal ay walang luho sa pag-obserba ng bawat isa sa kanilang mga pasyente sa isang buong-oras na batayan. Kahit na hindi kapani-paniwalang mahusay na matukoy ang mga agarang pangangailangan ng mga pasyente sa mga halata na kalagayan, ang mga nars at mga kawani ng medikal ay hindi nagtataglay ng mga kakayahan ng pagkilala sa hinaharap mula sa isang kumplikadong hanay ng mga sintomas ng pasyente na ipinakita sa isang makatwirang panahon. Ang pag-aaral ng makina ay may luho na hindi lamang pagmamasid at pagsusuri ng data ng pasyente 24/7, ngunit pagsasama rin ng impormasyon na nakolekta mula sa maraming mga mapagkukunan, ibig sabihin, mga talaang pangkasaysayan, pang-araw-araw na pagsusuri ng mga kawani ng medikal, at pagsukat ng real-time na mga vital tulad ng rate ng puso, paggamit ng oxygen at presyon ng dugo. Ang application ng AI sa pagtatasa at hula ng malapit na pag-atake sa puso, pagbagsak, stroke, sepsis at komplikasyon ay kasalukuyang isinasagawa sa buong mundo.
Ang isang halimbawa ng tunay na mundo ay kung paano naka-link ang El Camino Hospital sa EHR, bed alarm at nars call light data sa analytics upang makilala ang mga pasyente na may mataas na peligro ng pagkahulog. Ang El Camino Hospital ay nabawasan ang pagkahulog, isang pangunahing gastos sa mga ospital, ng 39%.
Ang mga pamamaraan ng pagkatuto ng makina na ginamit ng El Camino ay ang dulo ng iceberg, ngunit makabuluhang kumakatawan sa hinaharap ng pangangalaga sa kalusugan gamit ang mga pananaw na nakatuon sa aksyon o mga analyst ng reseta. Gumagamit sila ng isang maliit na subset ng mga potensyal na impormasyon na magagamit at ang mga pisikal na pagkilos na kinuha ng pasyente tulad ng paglabas ng kama at pagtulak sa pindutan ng tulong kasabay ng mga talaan sa kalusugan – isang pana-panahong pagsukat ng mga kawani ng ospital. Ang makinarya ng ospital ay kasalukuyang hindi nagpapakain ng makabuluhang data mula sa mga monitor ng cardiac, monitor ng respirasyon, monitor ng saturation ng oxygen, ECG at camera sa mga malalaking aparato ng imbakan ng data na may pagkakakilanlan sa kaganapan.
Ang pagsasama ng mga solusyon sa AI sa kasalukuyang mga sistema ng ospital ay isang problemang pang-ekonomiya, pampulitika at teknikal. Ang layunin ng nalalabi ng artikulong ito ay upang talakayin ang mga teknikal na problema, na maaaring masira sa mga sumusunod na pag-andar:
- Kunin ang data
- Linisin ang data
- Transport ang data
- Suriin ang data
- Ipaalam sa mga stakeholder
Ang pagkuha at paglilinis ng data ay isang mapaghamong aspeto ng lahat ng mga pagpapatupad ng AI. Ang isang disenteng panimulang sanggunian para sa pag-unawa sa mga mapagkukunan na kinakailangan upang ma-access ang isang tipikal na EHR tulad ng Epic data ay nasa artikulong ito sa Paano Makagsasama Sa Epiko.
Ang Data ng Feed sa Real Time sa Big Data
Gumagawa kami ng mahuhulaan na analytics – hindi real-time alarm. Ang mga ito ay kakaibang magkakaibang mga problema. Ang real-time na mahuhulaan na analytics ay maaaring mag-drop ng streaming data, hindi data ng kaganapan Ang data ng kaganapan ay mga tag ng identifier na mga kaganapan sa bookend. Ang mga kaganapan ay rate ng puso bawat panahon ng saturation o oxygen saturation sa isang tiyak na agwat. Ang data ng pag-stream ay bawat tibok ng tibok ng puso o pagbabasa ng oxygen. Napakahalaga nito sapagkat ang isang garantiya ng data ay mahal sa mga tuntunin ng pagganap. Dapat nating garantiya ang mga kaganapan – mayroong isang limitadong bilang ng mga ito – hindi namin dapat garantiya ng data.
EHR, tawag sa nars at data ng pagsubaybay ng pasyente ang lahat ay kailangang maiugnay sa isang pasyente sa bawat punto sa oras. Nangangahulugan ito ng isang natatanging identifier na ibinahagi sa pagitan ng lahat ng mga system at madaling ipinatupad tulad ng isang UUID (unibersal na natatanging identifier). Mula sa isang camera perspektibo ng pagpapatupad na may built-in na bar code na mambabasa na nag-scan sa kapaligiran ay nagsasama ng maraming mga kinakailangan sa pag-andar na kinakailangan para sa komprehensibong pagpapatupad. Ang isang maayos na ipinatupad na sistema ay maaaring i-scan ang mga code ng bed bar, mga pasyente ng code ng wristband bar, mga reseta ng bar code at intravenous bar code habang nagtatalaga ng isang natatanging UUID sa bawat pagbabago sa kama ng pasyente. Kasama sa mga kasalukuyang teknolohiya sa ospital ang mga scanner ng nars para sa mga code ng wristband bar ng pasyente.
Ang aming layunin ay upang isulat ang data ng serye ng geospatial time sa real time para sa malaking data storage. Ang pinaka-makabuluhang oras ng lag ay sa pagsulat sa database, kaya dapat nating asuluhin ang pila ng data sa isang lugar, at ang pinakamahusay na paraan ng paggawa nito ay sa pamamagitan ng paggamit ng isang platform ng pagmemensahe tulad ng RabbitMQ o Kafka. Ang RabbitMQ ay maaaring humawak ng 1 milyon s bawat segundo at si Kafka ay maaaring humawak ng hanggang 60 milyon bawat segundo. Ginagarantiyahan ng RabbitMQ ang data, hindi si Kafka. Ang pangunahing diskarte ay nagiging paglalathala ng data sa mga palitan na may mga kinakailangang katangian para sa iyong mga pangangailangan. (Sinusubukan ng Amazon na gumamit ng malaking data upang mas mababa ang mga gastos sa pangangalaga sa kalusugan. Matuto nang higit pa sa Mga Plano sa Pangangalaga sa Kalusugan ng Amazon - Isang Tunay na Rebolusyon sa Pamilihan?)
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo maaaring mapabuti ang iyong mga kasanayan sa pag-programming kapag walang nagmamalasakit sa kalidad ng software.
Mga label na Kaganapan para sa Mas mahusay na Pag-aaral ng Makina
Ang pinaka mahusay na algorithm sa pag-aaral ng makina ay ang mga may malinaw na tinukoy na mga hanay ng data at etiketa. Mahusay, kilalang algorithm ay ginagamit upang makilala ang cancer at basahin ang X-ray. Ang artikulong isinulat ni Alexander Gelfand, Malalim na Pag-aaral at ang Hinaharap ng Biomedical Image Analysis, ay binibigyang diin na ang label ng data ay kritikal sa tagumpay ng pag-aaral ng makina. Bilang karagdagan sa pag-label, napakahalaga na i-bookend ang data ng serye ng geospatial time sa mahusay na tinukoy, pare-pareho ang mga chunks na tumutukoy sa kaganapan na may label. Ang mahusay na tinukoy, pare-pareho ang mga label ay ginagamit bilang pamantayan sa pagpili.
Malinis na Data Bago ang Pagpapadala (Ship Gold, Hindi Dirt)
Ang lahat ng data para sa hinaharap ay dapat isaalang-alang na data ng geospatial datetime. Linisin ang data bago mai-publish ito sa isang pila at isulat ito sa isang database. Ang pinaka mahusay na pamamaraan para sa data ng hilaw na sensor ay mag-aplay ng isang exponential gumagalaw na average na pag-andar upang linisin ang data bago ang pagpapadala. Ang aming sinasabi ay subukan na ipadala ang pinakamahusay na ginto na maaari mong, hindi ang dumi. Sa mahabang pagbatak, ang paghahatid at pag-iimbak ng data ay mahal, kaya siguraduhin na ang data ay malinis hangga't maaari bago ang pagpapadala at pag-iimbak.
Ang CNN para sa Solid na Pagkilala sa Labeling Sensory Data
Para sa mga layuning inilarawan sa artikulong ito, may mga mahusay na tinukoy na mga hanay ng data ng publiko at mga aklatan ng pag-aaral ng machine na gagamitin bilang mga template para sa iyong mga pagpapatupad. Ang mga magagandang analyst at solid programmer ay maaaring magpatupad ng solidong AI nang mas mababa sa anim na buwan ng pagsisikap kung bibigyan ng nakatuon na oras upang matuto at magsanay kasama ang magagamit na mga repositoriya. Ang isang mahusay na imbakan ng imahe ng pagkilala para sa pag-unawa sa CNN (convolutional neural network) na may 87 porsyento na kawastuhan sa melanoma pagkilala ay ang Skin cancer Detection Project. Ang isang mahusay na aklatan upang maunawaan ang pagsasama-sama ng mga sensor para sa pagkilala sa kaganapan ay ang mga LSTMs for Human Activity Recognition project ni Guillaume Chevalier. Gayundin, ang proyektong ito ay ang pagsasama ng sensor ng sensor at ang pagpapasiya ng iba't ibang mga aktibidad. Sa isang setting ng ospital, ang parehong pamamaraan na ito ay gumagana para sa isang hanay ng mga kondisyong medikal. (Para sa higit pang mga halimbawa ng mga kamakailan-lamang na pagbagsak ng AI sa kalusugan, tingnan ang 5 Pinaka-kamangha-manghang Mga Advance ng AI sa Pangangalaga sa Kalusugan.)
Ang kinabukasan
Ang application ng AI sa mga setting ng ospital at pangangalaga sa kalusugan ay nangyayari ngayon. Ang pagpapabuti ng kawastuhan ng paghahatid ng kalusugan sa pamamagitan ng pagkilala sa mga kritikal na kaganapan sa pamamagitan ng pagsasama ng mga kagamitan sa pagsubaybay ng pasyente, ang mga masusuot na sensor at mga tala sa kalusugan ay alam na ang mga solusyon na naipatupad. Ang lawak ng aplikasyon ng AI sa kalusugan at pinansiyal na epekto ng aming mga hinaharap ay hindi mabibilang. Ang mga hadlang sa pagpasok ay mababa. Kunin ang iyong mga board at sagwan para sa alon na ito. Maaari mong maapektuhan ang hinaharap ng mga gastos sa medikal sa buong mundo.