Искусственный интеллект. Машинное обучение. Нейронные сети против состязательных сетей. Маск против Цукерберга. Данные имеют и не имеют.
Многим из нас может показаться, что эти термины и темы ИИ быстро материализовались в нашем языке и почти ежедневно появляются в историях о передовых технологиях. В сочетании со здравоохранением искусственный интеллект и машинное обучение, возможно, кажутся многим из нас еще более зарождающимися - хотя также широко упоминаются и часто обсуждаются. Так почему же работники здравоохранения должны уделять больше внимания? И почему большее количество данных имеет значение?
Как один из первых инвесторов Safeguard, Гэри Курцман, всегда напоминает мне, что это глупые данные. Я не мог с этим согласиться. Важнейшая проблема ИИ сегодня - это доступ к огромным объемам данных, которые подходят по назначению, как средство повышения качества анализа в масштабе.
Если оставить в стороне продолжающиеся антиутопические и утопические дебаты о том, куда может двигаться ИИ, основная роль ИИ должна заключаться в оценке крупномасштабных объемов данных, которые мы, простые люди, не способны своевременно анализировать. Чем крупнее, тем лучше. Другими словами, для любого ИИ требуется задача, а машинное обучение и обработка естественного языка на серверной части должны быть способны быстро обрабатывать массивные пакеты данных в ускоренном темпе. Эти данные могут поступать во многих формах из электронных медицинских записей, программного обеспечения для выставления счетов, систем управления практикой или инвентаризации, CRM, потребительских приложений или рецептов, а для нас - результатов лабораторных исследований и диагностических данных. По моему предвзятому мнению, когда 70% или более решений, принимаемых врачами, основываются на результатах лабораторных исследований, это самый ценный набор данных в здравоохранении, а также самый малоиспользуемый. В Prognos мы создали крупнейшее хранилище данных лабораторных исследований с более чем 20 миллиардами записей о 200 миллионах пациентов из США.
Любые данные без структуры и стандартизации - это просто разбросанные единицы и нули, поэтому первым важным шагом в любом начинании является их систематизация и очистка. Считайте это гармонизацией знаний; чем больше данных может быть собрано в масштабе ответственно, тем выше вероятность обнаружения закономерностей и сигналов в нем. Неудивительно, что в сфере здравоохранения для этого требуется высокий уровень знаний, навыков, процессов, инструментов и систем. Например, мы создали сотни концепций обработки естественного языка, специально разработанных для извлечения дискретных элементов данных из отчетов об анатомической патологии или результатов молекулярной диагностики. Вот почему нам всем следует относиться скептически, когда мы слышим, что движок ИИ не зависит от данных. Или компания работает со всеми типами данных. То, что машина может изучить, ограничено качеством набора обучающих данных - это универсальная концепция компьютерных наук о «мусоре на входе и выходе».
По сравнению с другими рынками, такими как электронная коммерция, рекламные технологии, финансовые услуги, которые имеют дело с высокой скоростью и большими объемами данных, в сфере здравоохранения мы все еще находимся на начальной стадии. Я помню, когда наш главный специалист по данным, Адам Петранович, впервые начал свою работу, он спрашивал о петлях обратной связи по данным. Он пришел к нам из индустрии рекламных технологий и привык работать с данными обратной связи, которые генерировались за миллисекунды. В сфере здравоохранения у нас нет инфраструктуры, которая могла бы собирать эту информацию в режиме реального времени. Большинство систем записей по-прежнему разрознены, а данные собираются вручную и группируются. Крупные технологические компании, такие как Google, Microsoft и Amazon, имеют большой опыт работы с большими объемами данных с высокой скоростью, но большинство компаний, не относящихся к сфере здравоохранения, недооценивают проблемы, связанные с беспорядочной, разрозненной и неструктурированной природой медицинских данных.
После того, как эти данные пройдут процесс уточнения, интеллектуальная система может быть наложена сверху, чтобы искать закономерности, ведущие к прогнозам. Система с поддержкой ИИ разрабатывает алгоритмы, которые могут генерировать предупреждения на основе вероятности. Они могут варьироваться от выявления пациента, подверженного риску развития определенного заболевания или нуждающегося во вмешательстве, или прогнозирования бремени болезни или затрат для этого человека в течение следующих 12–18 месяцев. Некоторые примеры и преимущества для систем на основе искусственного интеллекта включают в себя предупреждение лица, осуществляющего уход, о потенциально опасной для жизни ситуации для пациента задолго до того, как любой человек сможет обнаружить ее лично или попытаться вручную просеять массивы информации. Или, в условиях больницы, определение когорт пациентов, которые могут быть подвержены риску развития состояния, нуждающегося во вмешательстве. Для фармацевтических компаний, выявляющих пациентов, подходящих для клинических испытаний или имеющих право на целевую терапию. Для планов медицинского страхования эти интеллектуальные системы могут выявлять пробелы в медицинской помощи с возможностями повышения качества или минимизации рисков.
В Prognos машинное обучение и обработка естественного языка осуществляется с помощью кода, который сначала создает соответствующие параметры для сортировки и очистки данных, затем переопределяет его как согласованный язык для соответствующей организации и, наконец, для создания правильного HIPAA-совместимого хранилища и процесса проверки. чтобы получить информацию и предоставить ее нашим клиентам, в настоящее время фармацевтическим компаниям и страховым компаниям, с минимальной задержкой. Вся цепочка поставок данных из клинической лаборатории или поставщика обратно нашим клиентам значительно ускоряется благодаря способности определять ключевые показатели в огромном объеме бессмысленных чисел - считайте это поиском иглы в стопке игл.
Несмотря на то, что обещание выглядит очень масштабным, ИИ не лишен опасений и ужаса. Всегда думайте, «зачем применять правило». Сбои также часто сопряжены с расходами, финансовыми или философскими, и по мере того, как ИИ становится все более понятным, появляется правильное обоснование для его включения в существующие проблемы, помогая также решать новые. Если не управлять должным образом, компромиссы могут быть опасными, и, таким образом, постоянное образование является ключевым с точки зрения повышения квалификации любых практикующих врачей и специалистов и обеспечения плавной интеграции многообещающей технологии. И чем полнее и связнее исходные данные, тем больше возможностей для выявления критических маркеров незавершенного заболевания, рака, состояний и других медицинских проблем у любого пациента.
Таким образом, главный животрепещущий вопрос для любого бизнес-решения относительно внедрения ИИ может быть таким: ОК, так, стоит ли оно того?
С нашей точки зрения, в Prognos ценность ИИ так же велика, как и актуальность для любого соответствующего медицинского предприятия - и мы стремимся собрать все части этой головоломки таким образом, чтобы это было разумно по всем правильным причинам. . Наша широкая сеть партнеров в сочетании с данными по широте и долготе означает, что мы можем создавать надежные наборы данных и быстро находить информацию для принятия решений в здравоохранении на более раннем этапе. В самом деле, мы видим день, когда то, что когда-то считалось слишком трудным, чтобы преодолевать его в масштабе, как люди, теперь вполне достижимо благодаря перспективам искусственного интеллекта.
Сандип Бхан - генеральный директор и основатель Prognos
