المحتوى
- تغذية البيانات في الوقت الحقيقي لبيانات كبيرة
- No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
- وصف الأحداث لتعلم الآلة بشكل أفضل
- تنظيف البيانات قبل الشحن (شحن الذهب ، وليس الأوساخ)
- سي إن إن لتحديد الصلبة للبيانات الحسية المسمى
- المستقبل
المصدر: PhonlamaiPhoto / iStockphoto
يبعد:
رغم أنه قد يكون هناك اعتقاد بأن تطبيق الذكاء الاصطناعي باهظ التكلفة ، فإن مبلغ المال الذي يمكن أن يوفره ، والمستوى المحسن لرعاية المرضى ، يمكن أن يعوض ذلك.
تعد مطابقة الأنماط والتنبؤ بالحاجة الملحة في المستشفيات مهمة صعبة للعاملين الطبيين المهرة ، ولكن ليس للتعلم الآلي والتعلم الآلي. لا يتمتع الموظفون الطبيون بترف مراقبة كل من مرضاهم على أساس التفرغ. على الرغم من أن الممرضين والعاملين في المجال الطبي يجيدون تحديد الاحتياجات العاجلة للمرضى في ظروف واضحة ، فإنهم لا يمتلكون قدرات تمييز المستقبل عن مجموعة معقدة من الأعراض التي تظهر على المريض خلال فترة معقولة. لا يتسم التعلم الآلي بميزة مراقبة وتحليل بيانات المريض على مدار الساعة وطوال أيام الأسبوع فحسب ، بل يجمع أيضًا بين المعلومات التي تم جمعها من مصادر متعددة ، مثل السجلات التاريخية والتقييمات اليومية من قبل الطاقم الطبي ، والقياسات في الوقت الفعلي للبيانات الحيوية مثل معدل ضربات القلب ، واستخدام الأكسجين وضغط الدم. إن تطبيق الذكاء الاصطناعي في تقييم وتوقع النوبات القلبية الوشيكة ، السقوط ، السكتات الدماغية ، الإنتان والمضاعفات جاري حاليًا في جميع أنحاء العالم.
مثال على العالم الحقيقي هو كيف ربط مستشفى El Camino EHR ، والتنبيه على السرير والممرضة استدعاء بيانات الضوء إلى التحليلات لتحديد المرضى المعرضين لخطر السقوط العالية. خفضت مستشفى El Camino السقوط ، وهي تكلفة كبيرة للمستشفيات ، بنسبة 39 ٪.
تعتبر منهجيات التعلم الآلي التي تستخدمها El Camino هي قمة الجبل الجليدي ، ولكنها تمثل بشكل كبير مستقبل الرعاية الصحية باستخدام رؤى مركزة على الإجراءات أو تحليلات الوصفات الطبية. يستخدمون مجموعة فرعية صغيرة من المعلومات المحتملة المتاحة والإجراءات المادية التي يتخذها المريض مثل الخروج من السرير والضغط على زر المساعدة بالتزامن مع السجلات الصحية – قياس دوري من قبل موظفي المستشفى. لا تقوم أجهزة المستشفيات حاليًا بتغذية بيانات مهمة من شاشات القلب وأجهزة مراقبة التنفس وشاشات تشبع الأكسجين وتخطيط القلب والكاميرات في أجهزة تخزين البيانات الكبيرة مع تحديد الحدث.
يعد دمج حلول الذكاء الاصطناعي مع أنظمة المستشفيات الحالية مشكلة اقتصادية وسياسية وتقنية. الغرض من الجزء المتبقي من هذه المقالة هو مناقشة المشكلات الفنية ، والتي يمكن تقسيمها إلى الوظائف التالية:
- الحصول على البيانات
- تنظيف البيانات
- نقل البيانات
- تحليل البيانات
- أخبر أصحاب المصلحة
يعد الحصول على البيانات وتنظيفها جانبًا صعبًا في جميع تطبيقات منظمة العفو الدولية. نقطة انطلاق مرجعية جيدة لفهم الموارد اللازمة للوصول إلى EHR نموذجي مثل بيانات Epic موجودة في هذه المقالة حول كيفية التكامل مع Epic.
تغذية البيانات في الوقت الحقيقي لبيانات كبيرة
نحن نقوم بتحليلات تنبؤية – ليس في الوقت الحقيقي ينذر بالخطر. هذه هي مشاكل مختلفة بشكل فريد. يمكن أن تؤدي التحليلات التنبؤية في الوقت الفعلي إلى إسقاط بيانات التدفق ، وليس بيانات الأحداث. بيانات الحدث هي علامات معرف تقوم بحجز الأحداث. الأحداث هي معدل ضربات القلب في الفترة الزمنية أو تشبع الأكسجين في فترة زمنية محددة. تدفق البيانات هو كل نبضة قلب أو نبض قراءة الأوكسجين. هذا مهم للغاية لأن ضمان البيانات مكلف من حيث الأداء. يجب أن نضمن الأحداث – هناك عدد محدود من هذه – يجب ألا نضمن البيانات.
تحتاج كل من EHR ، ونداء الممرضات ، وبيانات مراقبة المريض إلى ربطها بمريض في كل وقت. هذا يعني معرفًا فريدًا مشتركًا بين جميع الأنظمة ويمكن تنفيذه بسهولة مثل معرف UUID (معرف فريد عالميًا). من منظور منظور التنفيذ ، تشتمل الكاميرات المدمجة في قارئات الرموز الشريطية التي تفحص البيئة على الكثير من المتطلبات الوظيفية اللازمة للتطبيقات الشاملة. يمكن للنظام الذي تم تنفيذه جيدًا مسح رموز شريط السرير ، رموز شريط معصمه المريض ، رموز شريط وصفة طبية ورموز شريط الوريد أثناء تعيين UUID فريدة من نوعها على كل تغيير سرير المريض. تتضمن تقنيات المستشفى الحالية الماسحات الضوئية الممرضة لرموز شريط معصمه المريض.
هدفنا هو كتابة بيانات السلاسل الزمنية الجغرافية المكانية في الوقت الفعلي لتخزين البيانات الكبيرة. أهم وقت تأخر في الكتابة إلى قاعدة البيانات ، لذلك يجب علينا وضع قائمة انتظار غير متزامنة للبيانات في مكان ما ، وأفضل طريقة للقيام بذلك هي باستخدام نظام أساسي للمراسلة مثل RabbitMQ أو Kafka. يمكن لـ RabbitMQ معالجة مليون ثانية في الثانية ويمكن لـ Kafka معالجة ما يصل إلى 60 مليون في الثانية. RabbitMQ يضمن البيانات ، كافكا لا. تصبح الإستراتيجية الأساسية هي نشر البيانات إلى عمليات التبادل التي تتمتع بالخصائص اللازمة لاحتياجاتك. (تحاول Amazon استخدام البيانات الضخمة لخفض تكاليف الرعاية الصحية. اعرف المزيد في خطط الرعاية الصحية من Amazon - ثورة حقيقية في السوق؟)
No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
لا يمكنك تحسين مهارات البرمجة لديك عندما لا يهتم أحد بجودة البرنامج.
وصف الأحداث لتعلم الآلة بشكل أفضل
إن أكثر خوارزميات تعلم الآلة كفاءة هي تلك التي لها مجموعات بيانات وعلامات واضحة المعالم. تستخدم خوارزميات ممتازة ومعروفة للتعرف على السرطان وقراءة الأشعة السينية. يشير المقال الذي كتبه ألكساندر غيلفاند ، التعلم العميق ومستقبل تحليل الصور الطبية الحيوية ، إلى أن تصنيف البيانات أمر حاسم لنجاح التعلم الآلي. بالإضافة إلى التصنيف ، من المهم جدًا حجز بيانات السلاسل الزمنية الجغرافية المكانية في أجزاء محددة ومحددة جيدًا تشير إلى الحدث المسمى. يتم استخدام الملصقات المتسقة المعرفة جيدًا كمعايير اختيار.
تنظيف البيانات قبل الشحن (شحن الذهب ، وليس الأوساخ)
ينبغي اعتبار جميع بيانات المستقبل بيانات وقت الجغرافية المكانية. قم بتنظيف البيانات قبل نشرها في قائمة انتظار وكتابتها في قاعدة بيانات. الطريقة الأكثر فعالية لبيانات المستشعر الأولي هي تطبيق دالة المتوسط المتحرك الأسي لتنظيف البيانات قبل الشحن. إن قولنا هو محاولة شحن أفضل الذهب الذي تستطيعه ، وليس الأوساخ. على المدى الطويل ، يعد شحن البيانات وتخزينها باهظًا ، لذا تأكد من أن البيانات نظيفة قدر الإمكان قبل الشحن والتخزين.
سي إن إن لتحديد الصلبة للبيانات الحسية المسمى
للأغراض الموضحة في هذه المقالة ، هناك مجموعات بيانات عامة جيدة التعريف ومكتبات للتعلم الآلي تستخدم كقوالب للتطبيقات الخاصة بك. يمكن للمحللين الجيدين والمبرمجين الجيدين تطبيق الذكاء الاصطناعي الصلب في أقل من ستة أشهر من الجهد إذا تم منحهم وقتًا مخصصًا للتعلم والتدريب مع المستودعات المتاحة. مستودع ممتاز للتعرف على الصور لفهم CNN (الشبكة العصبية التلافيفية) بدقة 87 بالمائة في التعرف على سرطان الجلد هو مشروع الكشف عن سرطان الجلد. تعد مكتبة LSTMs for Human Activity Recognition التي أعدها Guillaume Chevalier مكتبة ممتازة لفهم الجمع بين أجهزة الاستشعار للتعرف على الأحداث. أيضا ، هذا المشروع هو مزيج من المدخلات الاستشعار وتحديد الأنشطة المختلفة. في بيئة المستشفى ، تعمل هذه المنهجية نفسها على مجموعة من الحالات الطبية. (للحصول على المزيد من الأمثلة على الاختراقات الحديثة التي حققتها منظمة العفو الدولية في مجال الصحة ، تحقق من أفضل 5 تطورات مذهلة في مجال الرعاية الصحية.)
المستقبل
يحدث تطبيق الذكاء الاصطناعي في المستشفيات ومراكز الرعاية الصحية الآن. تحسين دقة تقديم الخدمات الصحية من خلال التعرف على الأحداث الحرجة من خلال دمج معدات مراقبة المريض ، وأجهزة الاستشعار التي يمكن ارتداؤها والسجلات الصحية ، وقد تم بالفعل تنفيذ الحلول المعروفة. إن مدى تطبيق الذكاء الاصطناعي على التأثير الصحي والمالي لعقودنا المستقبلية أمر لا يُحصى. حواجز الدخول منخفضة. الاستيلاء على المجالس والمجذاف لهذه الموجة. يمكنك التأثير على مستقبل التكاليف الطبية في جميع أنحاء العالم.