Садржај
- Унесите податке у реалном времену на велике податке
- Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
- Догађаји за обележавање за боље машинско учење
- Очишћени подаци пре слања (злато за брод, а не прљавштина)
- ЦНН за чврсту идентификацију обележених сензорних података
- Будућност
Извор: ПхонламаиПхото / иСтоцкпхото
Одузети:
Иако постоји веровање да је АИ скупо имплементирати, количина новца који може да уштеди и побољшани ниво неге пацијената могу то надокнадити.
Усклађивање образаца и предвиђање хитних потреба у болницама је тежак задатак за квалификовано медицинско особље, али не за АИ и машинско учење. Медицинско особље нема луксуз да свакога пацијента посматра стално. Иако су невероватно добре у препознавању непосредних потреба пацијената у очигледним околностима, медицинске сестре и медицинско особље не поседују могућности препознавања будућности из сложеног низа пацијентских симптома изложених у разумном периоду. Машинско учење има луксуз не само посматрање и анализирање података о пацијентима 24/7, већ и комбиновање информација прикупљених из више извора, тј. Историјских записа, дневних процена од стране медицинског особља и мерења виталних вредности у реалном времену, као што су брзина откуцаја срца, употреба кисеоника. и крвни притисак. Примена АИ у процени и предвиђању скорог срчаног удара, падова, можданог удара, сепсе и компликација тренутно је у току широм света.
Пример из стварног света је како је болница Ел Цамино повезала ЕХР, аларм за кревет и медицинске сестре да податке о светлости називају аналитичким подацима како би идентификовали пацијенте под високим ризиком од пада. Болница Ел Цамино смањила је пад, што је главни трошак болницама, за 39%.
Методологије машинског учења које користи Ел Цамино врх су леденог бријега, али значајно представљају будућност здравствене заштите користећи увиде усмјерене на акције или аналитику на рецепт. Користе мали подскуп потенцијалних доступних информација и физичких радњи које је предузео пацијент, као што су излазак из кревета и притискање тастера за помоћ у комбинацији са здравственим подацима – периодично мерење од стране болничког особља. Болничка машина тренутно не уноси значајне податке са кардиолошких монитора, монитора за дисање, монитора засићења кисеоником, ЕКГ апарата и камера у уређаје за складиштење великих података са идентификацијом догађаја.
Интегрисање АИ решења са тренутним болничким системима је економски, политички и технички проблем. Сврха остатка овог чланка је расправљати о техничким проблемима, који се могу поделити на следеће функције:
- Дохвати податке
- Очистите податке
- Превоз података
- Анализирајте податке
- Обавестите заинтересоване стране
Добивање и чишћење података је изазован аспект свих АИ имплементација. Прикладна референтна полазиште за разумијевање ресурса потребних за приступ типичним ЕХР-овима попут података Епиц-а налази се у овом чланку о томе како се интегрирати с епиц-ом.
Унесите податке у реалном времену на велике податке
Радимо предиктивну аналитику – није алармантно у стварном времену. Ово су јединствено различити проблеми. Предиктивна аналитика у реалном времену може испустити стриминг података, а не података о догађајима. Подаци догађаја су ознаке идентификатора које излажу догађаје. Догађаји су брзина откуцаја срца током одређеног временског периода или засићеност кисеоником у одређеном интервалу. Подаци струје су сваки очитавање откуцаја срца или пулса. Ово је веома важно јер је гаранција података скупа у погледу перформанси. Морамо гарантовати догађаје – постоји ограничен број ових – не морамо гарантовати податке.
Сви подаци о ЕХР-у, позивима медицинске сестре и праћењу пацијента морају бити повезани са пацијентом у сваком тренутку. То значи јединствени идентификатор који се дели између свих система и лако се имплементира, попут УУИД (универзално јединствен идентификатор). Из перспективе имплементације камере с уграђеним читачима бар кодова који скенирају окружење интегришу пуно функционалних захтјева неопходних за свеобухватне имплементације. Добро имплементиран систем може скенирати креветне кодове кревета, бар кодове за завесе пацијента, бар кодове на рецепт и интравенске бар кодове, додељујући јединствени УУИД за сваку промену кревета пацијента. Постојеће технологије у болници укључују скенере медицинских сестара за барске кодове пацијената.
Наш циљ је писање података о геопросторним временским серијама у реалном времену за велико складиштење података. Најзначајније време заостајања је у писању у базу, тако да морамо негде асинхроно чувати податке из реда чекања, а најбољи метод за то је коришћење платформе за поруке као што је РаббитМК или Кафка. РаббитМК може поднијети 1 милион с у секунди, а Кафка може поднијети и до 60 милиона у секунди. РаббитМК гарантује податке, а Кафка не. Основна стратегија постаје објављивање података разменама које имају потребне карактеристике за ваше потребе. (Амазон покушава да користи велике податке да би смањио трошкове здравствене заштите. Сазнајте више у Амазоновим плановима здравствене заштите - истинска тржишна револуција?)
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје вештине програмирања када никога није брига за квалитет софтвера.
Догађаји за обележавање за боље машинско учење
Најефикаснији алгоритми машинског учења су они са јасно дефинисаним скуповима података и налепницама. Одлични, добро познати алгоритми користе се за препознавање рака и читање рендгенских зрака. У чланку који је написао Алекандер Гелфанд, Дубоко учење и будућност биомедицинске анализе слике, истиче се да је означавање података пресудно за успех машинског учења. Поред означавања, веома је важно израдити податке о геопросторној временској серији у добро дефинисаним, доследним деловима који се односе на обележени догађај. Добро дефинисане, конзистентне етикете користе се као критеријуми за избор.
Очишћени подаци пре слања (злато за брод, а не прљавштина)
Сви подаци за будућност требају се сматрати геопросторним подацима о датуму. Очистите податке прије објављивања у реду за чекање и уписивање у базу података. Најефикаснија метода за необрађене податке сензора је примјена експоненцијалне помичне просјечне функције за чишћење података прије отпреме. Наша изрека је да покушате да испоручите најбоље злато које можете, а не прљавштину. Дуготрајно је слање и складиштење података скупо, па се побрините да подаци буду што чистији пре испоруке и складиштења.
ЦНН за чврсту идентификацију обележених сензорних података
У сврхе описане у овом чланку, постоје добро дефинисани скупови јавних података и библиотеке машинског учења које се користе као предлошке за ваше имплементације. Добри аналитичари и чврсти програмери могу имплементирати солидан АИ у мање од шест месеци напора ако им се посвети време за учење и вежбање са доступним спремиштима. Изврсно складиште препознавања слике за разумевање ЦНН (конволуционарна неуронска мрежа) са 87 процената тачности у препознавању меланома је пројекат откривања рака коже. Изврсна библиотека за разумевање комбиновања сензора за препознавање догађаја је ЛСТМ-ов пројекат препознавања људских активности од Гуиллауме Цхевалиер-а. Такође, овај пројекат је комбинација улаза сензора и одређивање различитих активности. У болничком окружењу та иста методологија делује за низ здравствених стања. (За више примера недавних открића АИ у здрављу, погледајте 5 најневероватнијих напретка у области здравствене заштите у здравству.)
Будућност
Примена АИ у болничким и здравственим установама се дешава сада. Побољшање тачности пружања здравља препознавањем критичних догађаја кроз интеграцију опреме за праћење пацијената, носивих сензора и здравствених картона већ је познато решење које се већ примењује. Опсег примене АИ на здравље и финансијски утицај наше будућности је незамислив. Баријере за улазак су мале. Зграбите своје даске и весло за овај талас. Можете утицати на будућност медицинских трошкова широм света.