Home » «Данные — это отличительная черта»: как интегрированная стратегия данных способствует успеху ИИ в здравоохранении

«Данные — это отличительная черта»: как интегрированная стратегия данных способствует успеху ИИ в здравоохранении

Выгорание врачей, негативный опыт пациентов и плохие результаты лечения — все это проблемы, с которыми приходится сталкиваться. Генеративные инструменты искусственного интеллекта может смягчить. От автоматизированного документирования до поддержки клинических решений, эта технология имеет потенциал для преобразования рабочих процессов здравоохранения и предоставления медицинской помощи. Генеративный ИИ может выполнять рутинные задачи и предоставлять врачам более доступный взгляд на данные пациентов. Однако возможности алгоритма ИИ зависят от качества самих данных.

В Саммит AWS в июне в Вашингтоне, округ Колумбия, эксперты по ИИ и руководители здравоохранения обсудили преимущества, риски и практическое применение генеративного ИИ в здравоохранении. Доктор Наки Хан, врач-руководитель по генеративному искусственному интеллекту и машинному обучению в сфере медицинских решений на Веб-сервисы Amazonисследовал важность качества данных как основу для внедрения ИИ в здравоохранении.

ПОДГОТОВИТЬ: Экспертное руководство помогает организациям здравоохранения добиться значимых преобразований с помощью ИИ.

Успех ИИ требует, чтобы здравоохранение основывалось на данных

«Данные — это отличительная черта «Когда речь идет об ИИ и генеративном ИИ», — сказал Хан, порекомендовав руководителям здравоохранения уделять больше времени размышлениям о своих данных.

По словам Хана, в отрасли здравоохранения наблюдается ежегодный рост данных на 30 терабайт для электронных медицинских карт, 100 терабайт для данных мониторинга пациентов, 2 петабайта для данных медицинских изображений, 2 петабайта для данных омики и 5 петабайт для цифровых данных патологии. В общей сложности, больницы ежегодно генерируют 50 петабайт данныхпо данным Всемирного экономического форума. Однако, 97 процентов этих данных остаются неиспользованными потому что он неструктурирован.

«Все хотят работать на основе данных, но лишь около четверти организаций считают, что им это удается», — сказал Хан.

Read more:  Четыре года после первого локдауна: в Кунстберге манифестируют затяжные пациенты с ковидом

Нажмите на баннер ниже узнать, как современная платформа данных поддерживает принятие решений.

Больницы не только хотят быть ориентированными на данные, но и пациенты также требуют этого. Они хотят, чтобы с ними обращались так, чтобы это имело смысл в зависимости от их конкретных обстоятельств. Применение инструментов ИИ к качественным данным — один из способов подтолкнуть отрасль к данным, соответствующим цели, но Хан подчеркнул важность обучение больших языковых моделей (LLM) с данными пациентов не раскрывая их и не рискуя нарушить конфиденциальность данных пациентаОн объяснил, что данные пациентов следует использовать для значимых случаев использования, таких как сопоставление пациентов с клинические испытания и подключение отдельных наборов данных.

«Основная проблема в том, что эти данные растут почти безгранично и становятся все более сложными. По мере того, как мы пытаемся сделать эти данные более полезными «И это имеет значение для организации здравоохранения, поэтому важно связать это воедино», — сказал Хан, добавив, что, например, наложение генетических данных во время рентгенологического исследования может раскрыть больше информации о фактическом состоянии здоровья пациента.

LLM могут быть полезны при распаковке всех различных источников данных, которые организации здравоохранения имеют в своих экосистемах. LLM, тип модели машинного обучения, может предсказать, что может произойти дальше в последовательности. Для того, чтобы ее можно было применить к реальным случаям использования, крайне важно, чтобы данные не содержали предубеждений или информационных пробелов. Хан сказал, что отрасль должна думать о данных в контекст использования генеративного ИИ.

Он отметил, что ответы ChatGPT не всегда прозрачны и что пользователи могут использовать универсальную модель для задач, требующих определенных данных.

Read more:  - Это то, чего весь Крагерё боялся годами - NRK Вестфолл и Телемарк - Местные новости, телевидение и радио

ИССЛЕДОВАТЬ: Медицинские вузы обучают следующее поколение врачей лучше понимать ИИ.

Как организации здравоохранения могут разработать комплексную стратегию работы с данными?

«Прежде всего, данные должны быть вашим основным активом», — сказал Хан, объяснив, что модели в конечном итоге должны стать товаром для организаций. «Организации процветают и добиваются успеха, глядя на свои данные и осознавая, что именно на их сбор они потратили столько времени, и что они должны относиться к ним как к активу, которым они и являются».

Доктор  Наки Хан

Мы даем людям инструменты, к которым у них просто не было доступа или которые были невозможны из-за того, как раньше обстояли дела с данными».

Доктор Наки Хан
Врач-руководитель по решениям для отрасли здравоохранения на основе генеративного ИИ и МО, AWS

Не менее важно, чтобы организации здравоохранения могли поддерживать сотрудничество и обмен данными в системе здравоохранения, чтобы гражданские специалисты по данным могли искать ответы на важные вопросы. Следующий шаг — объединенные данные, которые могут создавать более полезные и менее предвзятые модели данных. Обучение алгоритма, используемого для прогнозирования застойной сердечной недостаточности на основе данных из Новой Англии, затруднит его развертывание где-нибудь в Азии или Африке, например.

Хан предположил, что федеративный подход может снизить предвзятость и обеспечить осмысленный обмен данными, который позволит обеспечить соблюдение требований и защиту данных пациентов.

AWS предлагает несколько услуг, которые помогут организациям здравоохранения достичь целей своей интегрированной стратегии работы с данными:

  • AWS HealthLake: Облачный сервис, который позволяет организациям здравоохранения просматривать данные с помощью ресурсов Fast Healthcare Interoperability, безопасно хранить данные и анализировать данные с помощью моделей машинного обучения.
  • AWS HealthImaging: Облачный сервис, позволяющий организациям здравоохранения хранить, анализировать и обмениваться медицинскими изображениями.
  • AWS HealthOmics: Сервис, который помогает организациям здравоохранения и их партнерам хранить, запрашивать и анализировать данные OMIC, включая геномные и транскриптомные данные.
  • AWS HealthScribe: Сервис, позволяющий организациям здравоохранения записывать аудиозаписи встреч пациентов с врачами и превращать их в клинические заметки с использованием генеративного искусственного интеллекта.
  • Амазонка Бедрок: Сервис, который предоставляет организациям здравоохранения доступ к нескольким основополагающим моделям для создания приложений генеративного ИИ.
  • Разработчик Amazon Q: Сервис, помогающий разрабатывать программное обеспечение с использованием генеративного ИИ
  • Amazon SageMaker: Сервис, который помогает организациям здравоохранения создавать, обучать и развертывать модели машинного обучения.
Read more:  Meta меняет метки «Сделано с помощью ИИ» после негативной реакции пользователей по поводу точности

Используя эти инструменты, биофармацевтические компании могут автоматизировать процесс сопоставления пациентов с соответствующими клиническими испытаниями. Технология может помочь исследователям синтезировать данные быстрее, чем раньше. И она может трансформировать обмен данными для продвижения исследований детского рака, цель партнерства между AWS и Сетью по борьбе с опухолями головного мозга у детей.

«Мы даем людям инструменты, к которым у них просто не было доступа или которые были невозможны из-за того, как раньше обстояли дела с данными», — сказал Хан.

Городенкофф/Getty Images

2024-07-09 14:21:22


1720633054
#Данные #это #отличительная #черта #как #интегрированная #стратегия #данных #способствует #успеху #ИИ #здравоохранении

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.