Aquí hay seis desafíos serios que enfrenta el aprendizaje automático de la salud (ML):
- Acceso a los datos y capacitación del modelo in situ . ¿Puede instalar el software requerido para las canalizaciones de datos y el trabajo de ML, teniendo en cuenta sus permisos de usuario y los onerosos requisitos de seguridad de TI del sistema de salud? Tal vez, si el sistema de salud tiene un grupo de análisis y no solo ha convencido a los médicos, sino también al departamento de TI de que ML puede ayudar a salvar vidas o dinero.
- Trabajando dentro de la infraestructura existente. Si puede instalar su software, ¿cómo maneja las limitaciones de RAM y de cómputo en máquinas virtuales que a menudo están diseñadas como servidores web básicos para solo 50–100 usuarios? Olvídate de entrenar el modelo en los robustos servidores ETL: estos se mantienen impecables para SQL Server / Oracle y la RAM está dedicada al sistema de administración de bases de datos.
- Características de ingeniería relacionadas con el proyecto de mejora clínica elegido. Los EMR son bestias complejas con miles de tablas. Si desea crear características de modelo que abarquen datos hospitalarios, de reclamos y socioeconómicos, será mejor que sea fantástico en SSIS (ya que el ETL de atención médica se basa principalmente en Windows) y el almacenamiento de datos para mantener sus características actualizadas y unido con una clave razonable (como paciente o encuentro con el paciente).
- Creando un modelo preciso . Supongamos que aprovecha un almacén de datos y una profunda experiencia clínica para producir un útil centro de datos descriptivos , los llamamos mercados de área de origen en Health Catalyst, relacionados con la sepsis, por ejemplo. Tener un conjunto de datos relevante no significa que un modelo basado en ML será preciso para predecir la sepsis . Dependiendo de cuándo se necesita la predicción del riesgo en el flujo de trabajo clínico, muy pocas variables relevantes (que describen al paciente) pueden estar presentes en la EMR.
- Encontrar un patrocinador clínico entusiasmado con ML que
- Su proyecto ha sido priorizado por los ejecutivos del sistema de salud.
- Tira suficiente peso con las enfermeras en primera línea, de modo que su flujo de trabajo se ajusta para incorporar las puntuaciones de riesgo para el paciente proporcionadas por el NM.
- Si desea que los puntajes de riesgo salgan a la luz en el EMR (es decir, directamente en el flujo de trabajo del médico), debe trabajar con el equipo de compilación de EMR, que siempre tiene prioridades competitivas (incluidos los productos predictivos ofrecidos por los propios proveedores de EMR). Incluso si los productos predictivos de EMR no son buenos, los incentivos del equipo de construcción de EMR son tales que los científicos de datos del sistema de salud luchan poderosamente para hacer que su trabajo esté frente a sus médicos (lo cual es un desastre).
Estas son las razones por las que la mayoría del trabajo de ML de atención médica sobre el que lee no llega a producción . ¡Con healthcare.ai, estábamos trabajando para cambiar eso!
- ¿Qué pasa si todos somos creados por otros creadores como si estuviéramos creando Robots con IA?
- ¿Cómo programar un robot? ¿Cuál es el lenguaje de programación más preferido para ello?
- ¿Qué lenguajes de programación se usan en inteligencia artificial?
- ¿Lloyd Pye aborda el hecho de que una civilización avanzada podría extraer su propio oro sin esclavos utilizando Ai y equipos industriales?
- ¿Por qué las IA en los videojuegos RTS apestan tanto en los mapas de agua?
