विषय
- डेटा को रियल टाइम में बिग डेटा को फीड करें
- नो बग्स, नो स्ट्रेस - योर स्टेप बाय स्टेप गाइड बाय स्टेप गाइड टू लाइफ-चेंजिंग सॉफ्टवेर विदाउट योर लाइफ
- बेहतर मशीन लर्निंग के लिए इवेंट लेबलिंग
- शिपिंग से पहले स्वच्छ डेटा (शिप गोल्ड, गंदगी नहीं)
- लेबल किए गए संवेदी डेटा की ठोस पहचान के लिए सीएनएन
- भविष्य
स्रोत: फोनलामईफ़ोटो / आईस्टॉकफ़ोटो
ले जाओ:
हालांकि ऐसी धारणा हो सकती है कि एआई को लागू करना महंगा है, यह जितना पैसा बचा सकता है, और रोगी की देखभाल के बेहतर स्तर, इसके लिए बना सकता है।
अस्पतालों में एक बाहरी जरूरत की तुलना में पैटर्न मिलान और भविष्यवाणी करना कुशल चिकित्सा कर्मचारियों के लिए एक मुश्किल काम है, लेकिन एआई और मशीन सीखने के लिए नहीं। मेडिकल स्टाफ के पास अपने प्रत्येक रोगी को पूर्णकालिक आधार पर देखने का विलास नहीं है। हालांकि स्पष्ट परिस्थितियों में रोगियों की तात्कालिक जरूरतों की पहचान करने में अविश्वसनीय रूप से अच्छा है, नर्सों और चिकित्सा कर्मचारियों के पास उचित अवधि में प्रदर्शित रोगी लक्षणों के एक जटिल सरणी से भविष्य की समझ रखने की क्षमता नहीं है। मशीन लर्निंग में न केवल 24/7 मरीज के डेटा का अवलोकन और विश्लेषण करने की लक्जरी है, बल्कि कई स्रोतों से एकत्रित जानकारी, अर्थात ऐतिहासिक रिकॉर्ड, चिकित्सा कर्मचारियों द्वारा दैनिक मूल्यांकन, और हृदय की दर, ऑक्सीजन का उपयोग जैसे वास्तविक समय के माप और रक्तचाप। आसन्न हार्ट अटैक, फॉल्स, स्ट्रोक्स, सेप्सिस और जटिलताओं के आकलन और भविष्यवाणी में AI का अनुप्रयोग वर्तमान में पूरी दुनिया में चल रहा है।
एक वास्तविक दुनिया का उदाहरण है कि कैसे एल कैमिनो अस्पताल ने ईएचआर, बेड अलार्म और नर्स को फाल्स के उच्च जोखिम वाले मरीजों की पहचान करने के लिए एनालिटिक्स के लिए लाइट डेटा कॉल से जोड़ा। एल कैमिनो अस्पताल में गिरावट आई है, अस्पतालों के लिए एक प्रमुख लागत 39% है।
एल कैमिनो द्वारा उपयोग की जाने वाली मशीन लर्निंग कार्यप्रणाली हिमशैल की नोक है, लेकिन एक्शन-केंद्रित अंतर्दृष्टि या पर्चे एनालिटिक्स का उपयोग करके स्वास्थ्य देखभाल के भविष्य का महत्वपूर्ण प्रतिनिधित्व करती है। वे उपलब्ध संभावित जानकारी और बिस्तर से बाहर निकलने और स्वास्थ्य रिकॉर्ड के साथ संयोजन के रूप में मदद बटन को आगे बढ़ाने जैसे रोगी द्वारा उठाए गए भौतिक कार्यों के एक छोटे सबसेट का उपयोग कर रहे हैं – अस्पताल के कर्मचारियों द्वारा एक आवधिक माप। अस्पताल की मशीनरी वर्तमान में कार्डिएक मॉनिटर, श्वसन मॉनिटर, ऑक्सीजन संतृप्ति मॉनिटर, ईसीजी और कैमरों से महत्वपूर्ण डेटा को इवेंट पहचान के साथ खिला रही है।
वर्तमान अस्पताल प्रणालियों के साथ AI समाधानों को एकीकृत करना एक आर्थिक, राजनीतिक और तकनीकी समस्या है। इस लेख के शेष का उद्देश्य तकनीकी समस्याओं पर चर्चा करना है, जिन्हें निम्नलिखित कार्यों में विभाजित किया जा सकता है:
- डेटा प्राप्त करें
- डेटा साफ़ करें
- डेटा ट्रांसपोर्ट करें
- डेटा का विश्लेषण करें
- हितधारकों को सूचित करें
डेटा प्राप्त करना और साफ करना सभी AI कार्यान्वयन का एक चुनौतीपूर्ण पहलू है। एक विशिष्ट ईएचआर जैसे एपिक डेटा तक पहुंचने के लिए आवश्यक संसाधनों को समझने के लिए एक सभ्य संदर्भ प्रारंभिक बिंदु इस लेख में है कि कैसे एपिक के साथ एकीकरण करें।
डेटा को रियल टाइम में बिग डेटा को फीड करें
हम प्रेडिक्टिव एनालिटिक्स कर रहे हैं – नहीं वास्तविक समय खतरनाक। ये विशिष्ट रूप से भिन्न समस्याएं हैं। रियल-टाइम प्रेडिक्टिव एनालिटिक्स स्ट्रीमिंग डेटा को छोड़ सकता है, इवेंट डेटा को नहीं। ईवेंट डेटा पहचानकर्ता टैग होते हैं जो ईवेंट को बुक करते हैं। घटनाएं एक विशिष्ट अंतराल पर समय की अवधि या ऑक्सीजन संतृप्ति की हृदय गति हैं। स्ट्रीमिंग डेटा प्रत्येक दिल की धड़कन या पल्स ऑक्सीजन रीडिंग है। यह बहुत महत्वपूर्ण है क्योंकि प्रदर्शन के मामले में डेटा गारंटी महंगी है। हमें घटनाओं की गारंटी देनी चाहिए – इनमें से एक सीमित संख्या में हैं – हमें डेटा की गारंटी नहीं देनी चाहिए।
ईएचआर, नर्स कॉल और रोगी निगरानी डेटा सभी को हर समय एक मरीज के साथ जुड़े रहने की आवश्यकता होती है। इसका मतलब एक अद्वितीय पहचानकर्ता है जो सभी प्रणालियों के बीच साझा किया जाता है और आसानी से इसे यूयूआईडी (सार्वभौमिक रूप से अद्वितीय पहचानकर्ता) के रूप में लागू किया जाता है। अंतर्निहित बार कोड पाठकों के साथ कार्यान्वयन परिप्रेक्ष्य कैमरों से, जो पर्यावरण को स्कैन करते हैं, व्यापक कार्यान्वयन के लिए आवश्यक बहुत सारी कार्यात्मक आवश्यकताओं को एकीकृत करते हैं। एक अच्छी तरह से कार्यान्वित प्रणाली हर मरीज के बिस्तर पर एक अद्वितीय यूयूआईडी असाइन करते समय बेड बार कोड, रोगी रिस्टबैंड बार कोड, प्रिस्क्रिप्शन बार कोड और अंतःशिरा बार कोड को स्कैन कर सकती है। वर्तमान अस्पताल प्रौद्योगिकियों में रोगी कलाई पट्टी कोड के लिए नर्स स्कैनर शामिल हैं।
हमारा लक्ष्य बड़े डेटा भंडारण के लिए वास्तविक समय में भू-स्थानिक समय श्रृंखला डेटा लिखना है। सबसे महत्वपूर्ण अंतराल समय डेटाबेस को लिखने में है, इसलिए हमें कहीं न कहीं अतुल्यकालिक रूप से डेटा को कतारबद्ध करना होगा, और ऐसा करने का सबसे अच्छा तरीका है कि आप एक संदेश मंच का उपयोग करें जैसे कि RabbitMQ या Kafka। RabMMQ 1 मिलियन सेकेंड प्रति सेकंड और काफ्का 60 मिलियन प्रति सेकंड तक संभाल सकता है। RabbitMQ डेटा की गारंटी देता है, काफ्का नहीं करता है। मूल रणनीति एक्सचेंजों के लिए डेटा प्रकाशित करना बन जाती है जिसमें आपकी आवश्यकताओं के लिए आवश्यक विशेषताएं होती हैं। (अमेज़ॅन स्वास्थ्य देखभाल की लागत को कम करने के लिए बड़े डेटा का उपयोग करने की कोशिश कर रहा है। अमेज़ॅन हेल्थ केयर योजनाओं में अधिक जानें - एक सच्चा बाजार क्रांति?)
नो बग्स, नो स्ट्रेस - योर स्टेप बाय स्टेप गाइड बाय स्टेप गाइड टू लाइफ-चेंजिंग सॉफ्टवेर विदाउट योर लाइफ
जब कोई भी सॉफ़्टवेयर गुणवत्ता की परवाह नहीं करता है तो आप अपने प्रोग्रामिंग कौशल में सुधार कर सकते हैं।
बेहतर मशीन लर्निंग के लिए इवेंट लेबलिंग
सबसे कुशल मशीन लर्निंग एल्गोरिदम स्पष्ट रूप से परिभाषित डेटा सेट और लेबल वाले हैं। उत्कृष्ट, प्रसिद्ध एल्गोरिदम का उपयोग कैंसर की पहचान करने और एक्स-रे पढ़ने के लिए किया जाता है। अलेक्जेंडर गेलफैंड, डीप लर्निंग और द फ्यूचर ऑफ बायोमेडिकल इमेज एनालिसिस द्वारा लिखा गया लेख बताता है कि मशीन लेबलिंग मशीन लर्निंग की सफलता के लिए महत्वपूर्ण है। लेबलिंग के अलावा, भू-स्थानिक समय श्रृंखला के डेटा को अच्छी तरह से परिभाषित, लगातार चूजों में लेबल घटना को संदर्भित करने के लिए बुक करना बहुत महत्वपूर्ण है। अच्छी तरह से परिभाषित, लगातार लेबल का उपयोग चयन मानदंड के रूप में किया जाता है।
शिपिंग से पहले स्वच्छ डेटा (शिप गोल्ड, गंदगी नहीं)
भविष्य के लिए सभी डेटा को भू-स्थानिक डेटाटाइम डेटा माना जाना चाहिए। डेटा को एक कतार में प्रकाशित करने और डेटाबेस पर लिखने से पहले उसे साफ़ करें। कच्चे सेंसर डेटा के लिए सबसे प्रभावी तरीका शिपमेंट से पहले डेटा को साफ करने के लिए एक घातीय मूविंग औसत फ़ंक्शन को लागू करना है। हमारी कहावत है कि आप जितना भी सोना उगल सकते हैं, गंदगी नहीं। लंबी दौड़ से अधिक, शिपिंग और भंडारण डेटा महंगा है, इसलिए सुनिश्चित करें कि डेटा शिपमेंट और भंडारण से पहले जितना संभव हो उतना साफ है।
लेबल किए गए संवेदी डेटा की ठोस पहचान के लिए सीएनएन
इस आलेख में वर्णित उद्देश्यों के लिए, आपके कार्यान्वयन के लिए टेम्पलेट के रूप में उपयोग करने के लिए अच्छी तरह से परिभाषित सार्वजनिक डेटा सेट और मशीन लर्निंग लाइब्रेरी हैं। यदि उपलब्ध रिपॉजिटरी के साथ सीखने और अभ्यास करने के लिए समर्पित समय दिया जाए तो अच्छे विश्लेषक और ठोस प्रोग्रामर छह महीने से भी कम समय में ठोस AI को लागू कर सकते हैं। मेलेनोमा मान्यता पर 87 प्रतिशत सटीकता के साथ सीएनएन (कन्वेन्शनल न्यूरल नेटवर्क) को समझने के लिए एक उत्कृष्ट छवि मान्यता भंडार स्किन कैंसर डिटेक्शन प्रोजेक्ट है। घटना की पहचान के लिए सेंसर को समझने के लिए एक उत्कृष्ट पुस्तकालय, गिलियूम शेवेलियर द्वारा मानव गतिविधि मान्यता परियोजना के लिए LSTM है। साथ ही, यह परियोजना सेंसर इनपुट का संयोजन और विभिन्न गतिविधियों का निर्धारण है। एक अस्पताल सेटिंग में, यह एक ही पद्धति चिकित्सा स्थितियों की एक सरणी के लिए काम करती है। (स्वास्थ्य में हालिया एआई सफलताओं के अधिक उदाहरणों के लिए, स्वास्थ्य देखभाल में 5 सबसे आश्चर्यजनक एआई अग्रिमों की जांच करें।)
भविष्य
अस्पताल और स्वास्थ्य देखभाल सेटिंग्स में एआई का आवेदन अब हो रहा है। रोगी निगरानी उपकरण, पहनने योग्य सेंसर और स्वास्थ्य रिकॉर्ड के एकीकरण के माध्यम से महत्वपूर्ण घटनाओं को पहचानकर स्वास्थ्य वितरण की सटीकता में सुधार ने पहले से लागू किए गए समाधानों को जाना है। हमारे वायदा के स्वास्थ्य और वित्तीय प्रभाव पर एअर इंडिया के आवेदन की सीमा अवर्णनीय है। प्रवेश के लिए बाधाएं कम हैं। इस लहर के लिए अपने बोर्ड और पैडल पकड़ो। आप दुनिया भर में चिकित्सा लागत के भविष्य को प्रभावित कर सकते हैं।