콘텐츠
- 빅 데이터에 실시간으로 데이터 피드
- 버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
- 더 나은 머신 러닝을위한 이벤트 라벨링
- 배송 전 데이터 정리 (Ship Gold, Dirt)
- 분류 된 감각 데이터의 확실한 식별을위한 CNN
- 미래
출처 : PhonlamaiPhoto / iStockphoto
테이크 아웃 :
AI가 구현하는 데 비용이 많이 든다는 믿음이있을 수 있지만, AI를 통해 절약 할 수있는 비용과 환자 관리 수준이 향상 될 수 있습니다.
병원의 패턴 일치 및 긴급한 요구 예측은 숙련 된 의료진에게는 어려운 작업이지만 AI 및 기계 학습에는 적합하지 않습니다. 의료진은 각 환자를 풀 타임으로 관찰 할 수있는 사치가 없습니다. 명백한 상황에서 환자의 즉각적인 요구를 식별하는 데는 매우 능숙하지만 간호사와 의료진은 합리적인 기간에 걸쳐 나타나는 복잡한 일련의 환자 증상으로부터 미래를 식별 할 수있는 능력이 없습니다. 기계 학습은 24/7 환자 데이터를 관찰 및 분석 할뿐만 아니라 여러 기록에서 수집 된 정보 (예 : 기록 기록, 의료진에 의한 일일 평가) 및 심박수, 산소 사용량과 같은 필수 요소의 실시간 측정을 결합하는 사치가 있습니다. 혈압. 임박한 심장 마비, 낙상, 뇌졸중, 패혈증 및 합병증의 평가 및 예측에 AI를 적용하는 것은 현재 전 세계에서 진행되고 있습니다.
실제 사례는 엘 카미노 병원 (El Camino Hospital)이 EHR, 병상 경보 및 간호사가 라이트 데이터를 분석에 연결하여 낙상 위험이 높은 환자를 식별하는 방법입니다. El Camino Hospital은 병원의 주요 비용 인 낙상을 39 % 줄였습니다.
El Camino가 사용하는 기계 학습 방법론은 빙산의 일각이지만 행동 중심의 통찰력 또는 처방 분석을 사용하여 건강 관리의 미래를 크게 나타냅니다. 그들은 이용 가능한 잠재적 인 정보와 침대에서 나오고 건강 기록과 함께 도움말 버튼을 누르는 것과 같이 환자가 취한 물리적 행동의 작은 부분 집합을 사용하고 있습니다. – 병원 직원에 의한주기적인 측정. 병원 기계는 현재 심장 모니터, 호흡 모니터, 산소 포화 모니터, ECG 및 카메라의 중요한 데이터를 이벤트 식별 기능이있는 빅 데이터 저장 장치에 공급하지 않습니다.
AI 솔루션을 현재 병원 시스템과 통합하는 것은 경제적, 정치적 및 기술적 문제입니다. 이 기사의 나머지 목적은 다음과 같은 기능으로 나눌 수있는 기술적 문제를 논의하는 것입니다.
- 데이터 가져 오기
- 데이터 정리
- 데이터 전송
- 데이터 분석
- 이해 관계자에게 알림
데이터를 가져오고 정리하는 것은 모든 AI 구현에서 어려운 부분입니다. Epic 데이터와 같은 일반적인 EHR에 액세스하는 데 필요한 리소스를 이해하기위한 적절한 참조 시작점은이 기사에서 Epic과 통합하는 방법에 있습니다.
빅 데이터에 실시간으로 데이터 피드
우리는 예측 분석을하고 있습니다 – 실시간 경보가 아닙니다. 이들은 고유하게 다른 문제입니다. 실시간 예측 분석은 이벤트 데이터가 아닌 스트리밍 데이터를 삭제할 수 있습니다. 이벤트 데이터는 이벤트를 예약하는 식별자 태그입니다. 이벤트는 특정 간격에서의 시간당 심박수 또는 산소 포화도입니다. 스트리밍 데이터는 각각의 하트 비트 또는 펄스 산소 판독 값입니다. 데이터 보장이 성능면에서 비싸기 때문에 이것은 매우 중요합니다. 이벤트를 보장해야합니다 – 이 중 제한된 수가 있습니다 – 데이터를 보장해서는 안됩니다.
EHR, 간호사 호출 및 환자 모니터링 데이터는 모든 시점에서 환자와 연결되어야합니다. 이것은 모든 시스템간에 공유되고 UUID (universally unique identifier)와 같이 쉽게 구현되는 고유 식별자를 의미합니다. 환경을 스캔하는 바코드 리더가 내장 된 구현 관점 카메라에는 포괄적 인 구현에 필요한 많은 기능 요구 사항이 통합되어 있습니다. 잘 구현 된 시스템은 모든 환자 침대 교체시 고유 한 UUID를 할당하면서 침대 바코드, 환자 손목 밴드 바코드, 처방전 바코드 및 정맥 바코드를 스캔 할 수 있습니다. 현재 병원 기술에는 환자 손목 밴드 바코드를위한 간호사 스캐너가 포함됩니다.
우리의 목표는 빅 데이터 저장을 위해 지리 공간 시계열 데이터를 실시간으로 작성하는 것입니다. 가장 중요한 지연 시간은 데이터베이스에 쓰는 데 있으므로, 어딘가에 데이터를 비동기식으로 큐잉해야하며이를 수행하는 가장 좋은 방법은 RabbitMQ 또는 Kafka와 같은 메시징 플랫폼을 사용하는 것입니다. RabbitMQ는 초당 백만 초를 처리 할 수 있으며 Kafka는 초당 최대 6000만을 처리 할 수 있습니다. RabbitMQ는 데이터를 보장하지만 Kafka는 그렇지 않습니다. 기본 전략은 필요한 특성을 가진 거래소에 데이터를 게시하는 것입니다. (아마존은 빅 데이터를 사용하여 건강 관리 비용을 낮추려고 노력하고 있습니다. 아마존 건강 관리 계획-진정한 시장 혁명에 대해 자세히 알아보십시오.)
버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
아무도 소프트웨어 품질에 신경 쓰지 않으면 프로그래밍 기술을 향상시킬 수 없습니다.
더 나은 머신 러닝을위한 이벤트 라벨링
가장 효율적인 기계 학습 알고리즘은 명확하게 정의 된 데이터 세트 및 레이블이있는 알고리즘입니다. 우수하고 잘 알려진 알고리즘이 암을 식별하고 X- 선을 읽는 데 사용됩니다. 딥 러닝 및 미래의 의학적 이미지 분석의 미래인 Alexander Gelfand가 작성한 기사는 데이터 레이블링이 머신 러닝의 성공에 매우 중요하다고 지적합니다. 라벨링 외에도, 지리 공간 시계열 데이터를 라벨링 된 이벤트를 참조하는 명확하고 일관된 청크로 북 엔드하는 것이 매우 중요합니다. 잘 정의되고 일관된 레이블이 선택 기준으로 사용됩니다.
배송 전 데이터 정리 (Ship Gold, Dirt)
미래의 모든 데이터는 지리 공간 날짜 / 시간 데이터로 간주해야합니다. 데이터를 큐에 공개하고 데이터베이스에 쓰기 전에 데이터를 정리하십시오. 원시 센서 데이터를위한 가장 효율적인 방법은 지수 이동 평균 함수를 적용하여 선적 전에 데이터를 정리하는 것입니다. 우리의 말은 흙이 아니라 가능한 최고의 금을 배송하는 것입니다. 장거리 운송 중에는 운송 및 저장 비용이 비싸므로 운송 및 보관 전에 데이터를 최대한 깨끗하게 유지하십시오.
분류 된 감각 데이터의 확실한 식별을위한 CNN
이 기사에서 설명하는 목적을 위해 구현을위한 템플릿으로 사용할 잘 정의 된 퍼블릭 데이터 세트 및 머신 러닝 라이브러리가 있습니다. 우수한 분석가와 견고한 프로그래머는 사용 가능한 리포지토리를 사용하여 학습하고 연습 할 수있는 전용 시간이 주어지면 6 개월 이내에 노력하여 견고한 AI를 구현할 수 있습니다. 흑색 종 인식에서 87 %의 정확도로 CNN (Convolutional Neural Network)을 이해하기위한 훌륭한 이미지 인식 저장소는 피부암 탐지 프로젝트입니다. 이벤트 인식을위한 센서 결합을 이해하기위한 훌륭한 라이브러리는 Guillaume Chevalier의 LSTM for Human Activity Recognition 프로젝트입니다. 또한이 프로젝트는 센서 입력과 다양한 활동의 결정을 결합한 것입니다. 병원 환경에서도 이와 동일한 방법이 다양한 의학적 상태에 적용됩니다. (건강에서 최근의 AI 혁신의 예를 더 보려면 건강 관리에서 가장 놀라운 5 가지 AI 발전을 확인하십시오.)
미래
병원 및 건강 관리 환경에서 AI를 적용하고 있습니다. 환자 모니터링 장비, 웨어러블 센서 및 건강 기록의 통합을 통해 중요한 이벤트를 인식하여 건강 전달의 정확성을 향상시키는 것은 이미 구현 된 알려진 솔루션입니다. 미래의 건강과 재정적 영향에 AI를 적용하는 정도는 헤아릴 수 없습니다. 진입 장벽이 낮습니다. 이 파도를 위해 보드를 잡고 노를 저으십시오. 전세계 의료 비용의 미래에 영향을 줄 수 있습니다.