コンテンツ
- ビッグデータにリアルタイムでデータをフィード
- バグやストレスなし-あなたの人生を破壊することなく人生を変えるソフトウェアを作成するためのステップバイステップガイド
- より良い機械学習のためのイベントのラベル付け
- 出荷前のデータの消去（シップゴールド、汚れではない）
- ラベル付き感覚データの確実な識別のためのCNN
- 未来
出典：PhonlamaiPhoto / iStockphoto
取り除く：
AIは実装に費用がかかると信じられているかもしれませんが、AIが節約できる金額と、患者のケアのレベルの向上が、AIを補うことができます。
病院での緊急のニーズをパターンマッチングおよび予測することは、熟練した医療スタッフにとっては難しい作業ですが、AIや機械学習にとっては難しい作業です。医療スタッフには、各患者をフルタイムで観察する贅沢はありません。明らかな状況で患者の当面のニーズを特定することは非常に優れていますが、看護師と医療スタッフは、合理的な期間にわたって示される複雑な患者の症状から未来を見分ける能力を備えていません。機械学習は、24時間年中無休で患者データを観察および分析するだけでなく、複数のソースから収集された情報（履歴記録、医療スタッフによる毎日の評価、心拍数、酸素使用量などのバイタルのリアルタイム測定）を組み合わせることもできますと血圧。差し迫った心臓発作、転倒、脳卒中、敗血症、合併症の評価と予測におけるAIの適用は、現在世界中で進行中です。
実際の例は、エルカミノ病院がEHR、ベッドアラーム、ナースコールライトデータを分析にリンクし、転倒のリスクが高い患者を特定する方法です。エルカミノ病院は、病院にとって大きなコストである転倒を39％削減しました。
El Caminoが使用する機械学習方法論は氷山の一角ですが、アクション重視の洞察や処方分析を使用したヘルスケアの将来を大きく表しています。彼らは、利用可能な潜在的情報の小さなサブセットと、ベッドを出る、健康記録とともにヘルプボタンを押すなどの患者がとる身体的行動を使用しています。 – 病院スタッフによる定期的な測定。病院の機械は現在、心臓モニター、呼吸モニター、酸素飽和度モニター、ECG、およびカメラからの重要なデータをイベント識別機能付きのビッグデータ記憶装置に供給していません。
AIソリューションを現在の病院システムと統合することは、経済的、政治的、技術的な問題です。この記事の残りの目的は、以下の機能に分類できる技術的な問題について説明することです。
- データを取得する
- データをきれいにする
- データを転送する
- データを分析する
- 利害関係者に通知する
データの取得とクリーニングは、すべてのAI実装の挑戦的な側面です。 Epicデータのような典型的なEHRにアクセスするために必要なリソースを理解するための適切な参照開始点は、Epicとの統合方法に関するこの記事にあります。
ビッグデータにリアルタイムでデータをフィード
予測分析を行っています – リアルタイムのアラームではありません。これらは独特の異なる問題です。リアルタイムの予測分析では、イベントデータではなくストリーミングデータをドロップできます。イベントデータは、イベントを予約する識別子タグです。イベントは、一定期間ごとの心拍数または酸素飽和度です。ストリーミングデータは、各ハートビートまたはパルス酸素測定値です。これは非常に重要です。なぜなら、データの保証はパフォーマンスの点で高価だからです。イベントを保証する必要があります – これらの限られた数があります – データを保証してはなりません。
EHR、ナースコール、および患者モニタリングデータはすべて、すべての時点で患者に関連付ける必要があります。これは、すべてのシステム間で共有され、UUID（普遍的に一意の識別子）などの簡単に実装される一意の識別子を意味します。実装の観点から、環境をスキャンするビルトインバーコードリーダーを備えたカメラは、包括的な実装に必要な多くの機能要件を統合します。適切に実装されたシステムは、ベッドのバーコード、患者のリストバンドのバーコード、処方のバーコード、静脈内のバーコードをスキャンしながら、患者のベッドの変更ごとに一意のUUIDを割り当てます。現在の病院技術には、患者用リストバンドバーコード用のナーススキャナーが含まれています。
私たちの目標は、地理空間時系列データをビッグデータストレージ用にリアルタイムで書き込むことです。最も重要な遅延時間はデータベースへの書き込みにあるため、データをどこかに非同期的にキューする必要があります。そのための最良の方法は、RabbitMQやKafkaなどのメッセージングプラットフォームを使用することです。 RabbitMQは毎秒100万を処理でき、Kafkaは毎秒最大6,000万を処理できます。 RabbitMQはデータを保証しますが、Kafkaは保証しません。基本的な戦略は、ニーズに必要な特性を持つ取引所へのデータの公開になります。 （Amazonは医療費を削減するためにビッグデータを使用しようとしています。詳細については、Amazon Health Care Plans-A True Market Revolutionをご覧ください。）
バグやストレスなし-あなたの人生を破壊することなく人生を変えるソフトウェアを作成するためのステップバイステップガイド
誰もソフトウェアの品質を気にしない場合、プログラミングスキルを向上させることはできません。
より良い機械学習のためのイベントのラベル付け
最も効率的な機械学習アルゴリズムは、データセットとラベルが明確に定義されたものです。優れた、よく知られたアルゴリズムを使用して、がんを特定し、X線を読み取ります。アレクサンダー・ゲルファンドが書いた記事「深層学習と生物医学画像解析の未来」は、データラベリングが機械学習の成功に不可欠であることを指摘しています。ラベル付けに加えて、ラベル付きイベントを参照する、明確に定義された一貫したチャンクで地理空間時系列データをブックエンドすることが非常に重要です。明確に定義された一貫したラベルが選択基準として使用されます。
出荷前のデータの消去（シップゴールド、汚れではない）
将来のすべてのデータは、地理空間日時データと見なされる必要があります。データをキューに発行してデータベースに書き込む前に、データをクリーンアップします。生センサーデータの最も効率的な方法は、指数移動平均関数を適用して、出荷前にデータをクリーンアップすることです。私たちのことわざは、汚れではなく最高の金を出荷しようとすることです。長距離にわたって、データの発送と保管には費用がかかるため、発送と保管の前にデータができる限りクリーンであることを確認してください。
ラベル付き感覚データの確実な識別のためのCNN
この記事で説明する目的のために、実装用のテンプレートとして使用する、明確に定義されたパブリックデータセットと機械学習ライブラリがあります。優れたアナリストと堅実なプログラマーは、利用可能なリポジトリで学習と練習に専念する時間を与えられれば、6か月未満の労力で強固なAIを実装できます。黒色腫認識の87％の精度でCNN（畳み込みニューラルネットワーク）を理解するための優れた画像認識リポジトリは、皮膚がん検出プロジェクトです。イベント認識用のセンサーの組み合わせを理解するための優れたライブラリーは、ギヨーム・シュバリエによる人間活動認識プロジェクトのLSTMです。また、このプロジェクトは、センサー入力とさまざまなアクティビティの決定の組み合わせです。病院の環境では、これと同じ方法が一連の医学的状態に対して機能します。 （最近の健康におけるAIのブレークスルーの例については、ヘルスケアにおける5つの最も驚くべきAIの進歩をご覧ください。）
未来
病院や医療現場でのAIの適用は現在行われています。患者監視機器、ウェアラブルセンサー、および健康記録の統合を通じて重要なイベントを認識することにより、健康の配信の精度を改善することは、既に実装されている既知のソリューションです。未来の健康と経済的影響に対するAIの適用範囲は計り知れません。参入障壁は低い。この波のためにボードとパドルをつかみます。世界中の医療費の将来に影響を与えることができます。