内容
资料来源：PhonlamaiPhoto / iStockphoto
带走：
尽管可能会认为AI的实施成本很高，但它可以节省的金钱和改善的患者护理水平可以弥补这一不足。
对于熟练的医务人员而言，模式匹配和预测医院的迫切需求是一项艰巨的任务，但对于AI和机器学习而言则并非如此。医务人员没有奢侈地全天候观察每个患者的情况。尽管在明显的情况下非常擅长于识别患者的即时需求，但护士和医务人员不具备从合理时期内表现出的一系列复杂患者症状中识别未来的能力。机器学习不仅可以24/7全天候地观察和分析患者数据，而且还可以结合从多个来源收集的信息，例如历史记录，医护人员的日常评估以及对生命率的实时测量，例如心率，氧气使用量和血压。目前，人工智能正在用于评估和预测即将来临的心脏病发作，跌倒，中风，败血症和并发症。
一个真实的例子是El Camino医院如何将EHR，床警报和护士呼叫灯数据与分析数据联系起来，以识别高跌倒风险的患者。埃尔卡米诺医院减少了39％的跌倒，这是医院的主要费用。
El Camino使用的机器学习方法是冰山一角，但是通过以行动为中心的见解或处方分析，可以显着地代表医疗保健的未来。他们使用了一小部分可用的潜在信息以及患者采取的身体动作，例如下床，按下“帮助”按钮以及健康记录 – 医院工作人员的定期测量。医院的机器目前没有将来自心脏监测器，呼吸监测器，血氧饱和度监测器，ECG和相机的大量数据提供给具有事件识别功能的大数据存储设备。
将AI解决方案与当前的医院系统集成是一个经济，政治和技术问题。本文其余部分的目的是讨论技术问题，可以将其分解为以下功能：
- 获取数据
- 清理数据
- 传输数据
- 分析数据
- 通知利益相关者
获取和清理数据是所有AI实现中具有挑战性的方面。本文有关如何与Epic集成，是理解访问EHR之类的典型EHR所需资源的一个体面的参考起点。
实时将数据馈送到大数据
我们正在做预测分析 – 不是实时报警。这些是独特的不同问题。实时预测分析可以删除流数据，而不是事件数据。事件数据是用于结束事件的标识符标签。事件是每个时间段的心率或特定时间间隔的血氧饱和度。流数据是每个心跳或脉搏氧的读数。这一点非常重要，因为数据保证在性能方面很昂贵。我们必须保证事件 – 这些数量有限 – 我们不能保证数据。
EHR，护士呼叫和病人监护数据都需要在每个时间点与病人相关联。这意味着在所有系统之间共享并易于实现的唯一标识符，例如UUID（通用唯一标识符）。从实现的角度来看，带有扫描环境的内置条形码读取器的摄像机集成了全面实现所必需的许多功能要求。实施良好的系统可以扫描床条形码，患者腕带条形码，处方条形码和静脉内条形码，同时在每次患者换床时分配唯一的UUID。当前的医院技术包括用于患者腕带条形码的护士扫描仪。
我们的目标是实时写入地理空间时间序列数据以进行大数据存储。最重要的滞后时间是写入数据库，因此我们必须将数据异步排队在某个地方，而最好的方法是使用消息平台（例如RabbitMQ或Kafka）。 RabbitMQ每秒可处理100万秒，而Kafka每秒可处理6000万秒。 RabbitMQ保证数据，Kafka不保证。基本策略就是将数据发布到具有您需要的必要特征的交易所。 （亚马逊正在尝试使用大数据来降低医疗保健成本。在亚马逊医疗保健计划中了解更多-真正的市场革命吗？）
没有错误，没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时，您就无法提高编程技能。
标记事件以更好地进行机器学习
最有效的机器学习算法是那些具有明确定义的数据集和标签的算法。优秀的，众所周知的算法用于识别癌症和读取X射线。 Alexander Gelfand撰写的《深度学习与生物医学图像分析的未来》一文指出，数据标记对于机器学习的成功至关重要。除了标记外，将地理空间时间序列数据预订在定义明确，一致的块中（引用标记的事件）非常重要。定义明确，一致的标签用作选择标准。
发货前清理数据（船上的金，没有污垢）
未来的所有数据都应视为地理空间日期时间数据。在将数据发布到队列并将其写入数据库之前，请先清理数据。原始传感器数据的最有效方法是应用指数移动平均函数在发货前清理数据。我们的口号是尽力运送最好的黄金，而不是泥土。从长远来看，运输和存储数据非常昂贵，因此在运输和存储之前，请确保数据尽可能干净。
CNN用于可靠识别标记的感官数据
出于本文所述的目的，有定义明确的公共数据集和机器学习库可用作实现的模板。如果有足够的时间来学习和实践可用的存储库，那么好的分析师和扎实的程序员就可以在不到六个月的时间内实现扎实的AI。皮肤癌检测项目是一个极好的图像识别库，用于了解CNN（卷积神经网络），其在黑色素瘤识别方面的准确率达到87％。 Guillaume Chevalier撰写的LSTM for Human Activity Recognition（人类活动识别）LSTM是一个了解事件传感器组合传感器的出色库。另外，该项目是传感器输入和确定不同活动的结合。在医院环境中，这种相同的方法适用于多种医疗条件。 （有关AI在健康方面取得突破的更多示例，请查看“医疗保健领域5个最惊人的AI进展”。）
未来
AI在医院和医疗机构中的应用正在发生。通过集成患者监控设备，可穿戴传感器和健康记录来识别关键事件，从而提高了健康提供的准确性，目前已经实施了已知的解决方案。人工智能对我们的期货对健康和财务的影响程度是无法估量的。进入壁垒很低。抓住您的木板和桨来迎接这一波浪。您可以影响全球医疗费用的未来。