Contenido
- Alimentar datos en tiempo real a Big Data
- Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
- Etiquetado de eventos para un mejor aprendizaje automático
- Datos limpios antes del envío (envío de oro, no suciedad)
- CNN para la identificación sólida de datos sensoriales etiquetados
- El futuro
Fuente: PhonlamaiPhoto / iStockphoto
Para llevar:
Si bien puede existir la creencia de que la IA es costosa de implementar, la cantidad de dinero que puede ahorrar y el nivel mejorado de atención al paciente pueden compensarlo.
La coincidencia de patrones y la predicción de una necesidad exigente en los hospitales es una tarea difícil para el personal médico calificado, pero no para la inteligencia artificial y el aprendizaje automático. El personal médico no puede darse el lujo de observar a cada uno de sus pacientes a tiempo completo. Aunque es increíblemente bueno para identificar las necesidades inmediatas de los pacientes en circunstancias obvias, las enfermeras y el personal médico no poseen la capacidad de discernir el futuro a partir de una compleja gama de síntomas de pacientes exhibidos durante un período razonable. El aprendizaje automático tiene el lujo de no solo observar y analizar los datos de los pacientes las 24 horas del día, los 7 días de la semana, sino también combinar información recopilada de múltiples fuentes, es decir, registros históricos, evaluaciones diarias por parte del personal médico y mediciones en tiempo real de elementos vitales como la frecuencia cardíaca, el uso de oxígeno y presión arterial. La aplicación de IA en la evaluación y predicción de ataques cardíacos inminentes, caídas, derrames cerebrales, sepsis y complicaciones está actualmente en curso en todo el mundo.
Un ejemplo del mundo real es cómo el Hospital El Camino relacionó los datos de EHR, alarma de cama y llamada de enfermera a análisis para identificar pacientes con alto riesgo de caídas. El Camino Hospital redujo las caídas, un costo importante para los hospitales, en un 39%.
Las metodologías de aprendizaje automático utilizadas por El Camino son la punta del iceberg, pero representan significativamente el futuro de la atención de la salud utilizando conocimientos centrados en la acción o análisis de prescripciones. Están utilizando un pequeño subconjunto de la información potencial disponible y las acciones físicas tomadas por el paciente, como salir de la cama y presionar el botón de ayuda junto con los registros de salud. – Una medición periódica por parte del personal del hospital. La maquinaria del hospital actualmente no está suministrando datos significativos de monitores cardíacos, monitores de respiración, monitores de saturación de oxígeno, ECG y cámaras en dispositivos de almacenamiento de grandes datos con identificación de eventos.
La integración de soluciones de IA con los sistemas hospitalarios actuales es un problema económico, político y técnico. El propósito del resto de este artículo es discutir los problemas técnicos, que pueden desglosarse en las siguientes funciones:
- Obtener los datos
- Limpiar los datos
- Transportar los datos
- Analiza los datos
- Notificar a los interesados
Obtener y limpiar datos es un aspecto desafiante de todas las implementaciones de IA. Un punto de partida de referencia decente para comprender los recursos necesarios para acceder a un EHR típico como los datos de Epic se encuentra en este artículo sobre Cómo integrarse con Epic.
Alimentar datos en tiempo real a Big Data
Estamos haciendo análisis predictivos – No es alarmante en tiempo real. Estos son problemas únicos y diferentes. El análisis predictivo en tiempo real puede eliminar datos de transmisión, no datos de eventos. Los datos de eventos son etiquetas de identificación que sujetan eventos. Los eventos son la frecuencia cardíaca por período de tiempo o la saturación de oxígeno en un intervalo específico. La transmisión de datos es cada latido del corazón o pulso de lectura de oxígeno. Esto es muy importante porque una garantía de datos es costosa en términos de rendimiento. Debemos garantizar eventos – hay un número limitado de estos – No debemos garantizar los datos.
Los datos de EHR, llamada a la enfermera y monitoreo del paciente deben asociarse con un paciente en cada momento. Esto significa un identificador único que se comparte entre todos los sistemas y se implementa fácilmente, como un UUID (identificador universalmente único). Desde una perspectiva de implementación, las cámaras con lectores de códigos de barras incorporados que escanean el entorno integran muchos requisitos funcionales necesarios para implementaciones integrales. Un sistema bien implementado puede escanear códigos de barras de cama, códigos de barras de muñequeras de pacientes, códigos de barras de prescripción y códigos de barras intravenosos mientras asigna un UUID único en cada cambio de cama de pacientes. Las tecnologías hospitalarias actuales incluyen escáneres de enfermería para los códigos de barras de la pulsera del paciente.
Nuestro objetivo es escribir datos de series de tiempo geoespaciales en tiempo real para el almacenamiento de big data. El tiempo de retraso más significativo está en la escritura en la base de datos, por lo que debemos poner en cola los datos de forma asíncrona en algún lugar, y el mejor método para hacerlo es usar una plataforma de mensajería como RabbitMQ o Kafka. RabbitMQ puede manejar 1 millón de segundos por segundo y Kafka puede manejar hasta 60 millones por segundo. RabbitMQ garantiza los datos, Kafka no. La estrategia básica se convierte en publicar datos en intercambios que tengan las características necesarias para sus necesidades. (Amazon está tratando de usar big data para reducir los costos de atención médica. Obtenga más información en Amazon Health Care Plans: ¿una verdadera revolución del mercado?)
Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
No puede mejorar sus habilidades de programación cuando a nadie le importa la calidad del software.
Etiquetado de eventos para un mejor aprendizaje automático
Los algoritmos de aprendizaje automático más eficientes son aquellos con conjuntos de datos y etiquetas claramente definidos. Se utilizan algoritmos excelentes y bien conocidos para identificar el cáncer y leer radiografías. El artículo escrito por Alexander Gelfand, Deep Learning and the Future of Biomedical Image Analysis, señala que el etiquetado de datos es fundamental para el éxito del aprendizaje automático. Además del etiquetado, es muy importante sujetar los datos de series de tiempo geoespaciales en fragmentos consistentes y bien definidos que hagan referencia al evento etiquetado. Las etiquetas consistentes y bien definidas se utilizan como criterios de selección.
Datos limpios antes del envío (envío de oro, no suciedad)
Todos los datos para el futuro deben considerarse datos geoespaciales de fecha y hora. Limpie los datos antes de publicarlos en una cola y escribirlos en una base de datos. El método más eficiente para los datos sin procesar del sensor es aplicar una función de promedio móvil exponencial para limpiar los datos antes del envío. Nuestro dicho es tratar de enviar el mejor oro posible, no la suciedad. A largo plazo, el envío y almacenamiento de datos es costoso, así que asegúrese de que los datos estén tan limpios como sea posible antes del envío y el almacenamiento.
CNN para la identificación sólida de datos sensoriales etiquetados
Para los fines descritos en este artículo, existen conjuntos de datos públicos bien definidos y bibliotecas de aprendizaje automático para usar como plantillas para sus implementaciones. Los buenos analistas y programadores sólidos pueden implementar IA sólida en menos de seis meses de esfuerzo si se les da tiempo dedicado para aprender y practicar con los repositorios disponibles. Un excelente repositorio de reconocimiento de imágenes para comprender CNN (red neuronal convolucional) con un 87 por ciento de precisión en el reconocimiento de melanoma es el Proyecto de detección de cáncer de piel. Una excelente biblioteca para comprender la combinación de sensores para el reconocimiento de eventos es el proyecto LSTMs for Human Activity Recognition de Guillaume Chevalier. Además, este proyecto es la combinación de la entrada del sensor y la determinación de diferentes actividades. En un entorno hospitalario, esta misma metodología funciona para una variedad de afecciones médicas. (Para obtener más ejemplos de avances recientes de la IA en salud, consulte Los 5 avances más sorprendentes de la IA en la atención médica).
El futuro
La aplicación de IA en hospitales y centros de atención médica está ocurriendo ahora. Mejorar la precisión de la prestación de servicios de salud mediante el reconocimiento de eventos críticos a través de la integración de equipos de monitoreo de pacientes, sensores portátiles y registros de salud ya ha implementado soluciones conocidas. El alcance de la aplicación de IA en el impacto sanitario y financiero de nuestros futuros es incalculable. Las barreras de entrada son bajas. Agarra tus tablas y remo para esta ola. Puede afectar el futuro de los costos médicos en todo el mundo.