Tech-Optimierung: Holen Sie das beste aus AI

Künstliche Intelligenz ist eine sehr komplexe Technologie, die, einmal implementiert, erfordert die laufende Aufsicht sicherstellen, dass Sie tun, was von einem erwartet wird und sicherzustellen, dass es optimal funktioniert.

Healthcare provider Organisationen mit AI-Technologien müssen auch sicherstellen, dass Sie immer die größte bang für Ihre buck. In anderen Worten, Sie brauchen die Optimierung der AI, so dass die Technologien den Bedürfnissen Ihrer Organisation.

Wir Sprachen mit sechs künstliche-Intelligenz-Experten, jeder mit langjähriger Erfahrung im Gesundheitswesen-Bereitstellungen, die umfassende Beratung auf, wie CIOs und anderen Gesundheits-IT-Mitarbeiter optimieren Ihre KI-Systeme und Ansätze, um beste Arbeit für Ihre Anbieter-Organisationen.

Anwendung von AI-rechts problem

Die Optimierung der KI, hängt von dem Verständnis von dem, was AI in der Lage ist und die Anwendung, um die richtigen problem, sagte Joe Petro, chief technology officer bei Nuance Communications, einem Anbieter von AI-Technologie für medizinische Bild-Interpretationen.

„Es gibt eine Menge hype da draußen, und leider sind die Ansprüche etwas lächerlich“, sagte er. “Zu optimieren AI, wir alle müssen verstehen: das problem, das wir versuchen zu lösen; wie AI das problem lösen kann; kann eine bestehende Funktion erweitert werden, mit AI; und bei AI ist nicht hilfreich.“

„Es gibt eine Menge hype da draußen, und, leider, die Forderungen sind ziemlich lächerlich.“

Joe Petro, Nuance Communications

Zum Beispiel ist die „Rückverfolgbarkeit“ wichtig? AI hat ein bekannter „black-box-Begrenzung“ — jede Tatsache oder Beweismittel, die beigetragen haben, eine Entscheidung oder Schlussfolgerung aus durch das neuronale Netz ist nicht immer bekannt.

„Es ist manchmal unmöglich zu verfolgen zurück durch den bread crumb trail führt zu dem Schluss, durch den das neuronale Netz,“ Petro erläutert. „Also, wenn traceability ist die Voraussetzung der Lösung, müssen Sie möglicherweise zu Rückzug auf eine mehr traditionelle rechnerische Methode, die nicht immer eine schlechte Sache.“

Ist das problem konditioniert für AI?

Auch, das problem ist brav und gut konditioniert für AI? Zum Beispiel sagte er, gibt es klare Muster in die Lösung des Problems, die sich wiederholen, nicht stark variieren, und sind im wesentlichen deterministisch.

„Zum Beispiel, wenn Sie das problem auf eine Reihe von Experten, Sie alle kommen auf die gleiche Antwort,“ er stellte. “Wenn Menschen die gleichen Eingänge und nicht einverstanden sind, auf die Antwort, dann AI möglicherweise nicht in der Lage sein, um Sinn der Daten und der neuronalen Netze kann Ergebnisse liefern, die nicht einverstanden mit den Meinungen bestimmter Experten. Seien Sie versichert, dass die KI ein Muster finden – die Frage ist, ob oder nicht das Muster ist beliebig oft wiederholbar und konsistent ist.“

Also in der heutigen Welt von AI, die Probleme, die gelöst wird durch AI, vor allem im Gesundheitswesen, bei der bewusst eng definiert, wodurch die Genauigkeit und Anwendbarkeit von KI, Petro erklärt. Die Wahl der richtigen problem zu lösen und Verengung der Umfang dieses Problems ist der Schlüssel liefert ein tolles Ergebnis, riet er.

„Darüber hinaus Trainingsdaten benötigt werden, leicht zugänglich an der Lautstärke notwendig ist, um zuverlässige AI-Modelle, produzieren konsequent überprüft Ergebnisse,“ fügte er hinzu. “Leider, manchmal gibt es keine Daten, die in der form, die erforderlich ist zum trainieren der neuronalen Netze. Zum Beispiel, in einigen Fällen, AI erfordert markierten und kommentierten Daten. Diese Art von markup ist manchmal nicht verfügbar.“

Wenn ein radiologe liest ein Bild, Sie können oder können nicht genau zeigen, wo im Bild die Diagnose gestellt wurde. Keine Daten-markup ist das training manchmal unmöglich. Wenn Sie eine CDI-Spezialist oder Pflege-Koordinator liest über einen gesamten Fall, Sie werden wahrscheinlich nicht an jedem Stück Beweis, dass Sie dazu aufgefordert werden, eine Abfrage wieder zu einem Arzt.

„Wieder keine Daten markup ist das training manchmal unmöglich,“ erklärte Petro. “Daher muss jemand gehen über die Daten und potenziell hinzufügen von markup und Anmerkungen, die trainieren, die ersten Modelle. Markup ist nicht immer notwendig, aber wir müssen erkennen, dass die Daten, die wir brauchen, ist nicht immer verfügbar und muss möglicherweise teuer kuratiert. Die Tatsache ist, dass die Daten im wesentlichen der ’neuen software.‘ Ohne die richtigen Daten, die KI kann nicht die gewünschte Ergebnisse.“

Wählen Sie die richtigen Anwendungen

Ken Kleinberg, practice lead, innovative Technologien, der Beratungsfirma Point-of-Care-Partnern, darauf hingewiesen, dass die AI wird gefördert als in der Lage zu lösen, einfach nur über ein problem, das mit einer Entscheidung.

„Viele Anwendungen, die früher behandelt mit bewährten regelbasierten oder statistischen Ansätzen sind jetzt routinemäßig identifiziert als AI-Ziele“, erklärte er. “Angesichts der vielen zusätzlichen überlegungen für die KI mit Modell-Auswahl, Ausbildung, Validierung, dem erforderlichen know-how, etc., dies kann overkill. Zusätzlich zu den ROI betrifft, mit AI kann setzen Unternehmen Probleme einzigartig oder Häufig zu AI, die einfacher oder alternative Ansätze sind weniger anfällig.“

„AI soll nicht teuer werden hammer auf der Suche nach einem einfachen Nagel.“

Ken Kleinberg, Point-of-Care-Partner

Auch basic machine-learning-Ansätze, die möglicherweise nicht viel mehr als versuchen, aus einer Reihe von verschiedenen statistischen Modellen erfordern ein gewisses Maß an know-how zu nutzen, fügte er hinzu.

„Überlegungen, welche Anwendungen pick für AI zählen, wie viele mögliche Variablen im Spiel sind, bekannt, Komplexitäten und Abhängigkeiten, Daten-Variabilität, historisches wissen, die Verfügbarkeit von content-Experten, die Transparenz der Entscheidung, Anforderungen, Haftungsfragen, und wie oft das system möglicherweise müssen umgeschult werden und getestet werden,“ Kleinberg geraten.

„Erfahrungen der Modellbauer und Raffinesse und Investitionen mit einem AI-Plattform sollte auch berücksichtigt werden, aber die KI sollte nicht teuer werden hammer auf der Suche nach einem einfachen Nagel.“

Zum Beispiel kann es sein, dass nur eine Handvoll von bekannten Variablen sind der Schlüssel für die Entscheidungsfindung, um zu entscheiden, ob eine intervention mit einem Patienten eine bestimmte Bedingung ist erforderlich, – wenn der patient diese spezifische Auslöser, Sie werden gebracht.

„Warum versuchen zu trainieren ein system, was schon bekannt ist?“, sagte er. “Sicher, wenn das Ziel ist, zu entdecken, unbekannte Nuancen oder Abhängigkeiten, oder befassen sich mit seltenen Bedingungen, AI verwendet werden könnte, mit einem größeren Satz von Variablen. Für die meisten Unternehmen, werden Sie sicherer zu gehen, mit grundlegenden Regeln-basierte Modelle, wo jeder Aspekt der Entscheidung kann überprüft und geändert werden, wie neues wissen angesammelt – vor allem, wenn es gibt eine überschaubare Anzahl von Regeln, bis zu ein paar hundert. Das könnte eine bessere erste Schritt, als sich direkt an ein AI-Modell.“

Bekommen weit verbreiteten Eingang-Optimierung

Um das beste aus einem AI-Investition und Optimierung der Technologie für eine bestimmte healthcare provider organization, bringen die Mitglieder aus dem gesamten Unternehmen – nicht nur das IT-team oder clinical leadership, sagte Sanjeev Kumar, vice president der künstlichen Intelligenz und data engineering an der HMS (Healthcare-Management-Systeme).

Es ist wichtig, Zeit zu investieren, um zu verstehen – in detaillierte nuance – ist der gesamte workflow von Patienten-Planung, um den check-in zu den klinischen workflow zu entladen und Abrechnung, sagte er.

„Jedes Mitglied des Teams wird in der Lage sein, zu kommunizieren, wie AI-Technologie wirkt sich das auf die Patienten aus Ihrer Sicht und wie diese neuen, umfangreichen Einblick auf die täglichen office-workflow.“

Sanjeev Kumar, HMS

„Jedes Mitglied des Teams wird in der Lage sein, zu kommunizieren, wie AI-Technologie wirkt sich das auf die Patienten aus Ihrer Sicht und wie diese neuen, umfangreichen Einblick auf die täglichen office-workflow“ Kumar sagte. „Ohne diese Einsicht an den Anfang der Umsetzung, riskieren Sie investieren eine erhebliche Menge an Geld in Technologie, die nicht genutzt wird, die Personal, das wirkt sich negativ auf die Patienten-oder, das Schlimmste von allem, gibt unangemessene Einblicke.“

Zusammenfassend, unter Einbeziehung Mitarbeiter frühzeitig auf möglicherweise zusätzliche Investitionen in Personal, sondern führt zu einer Ausgabe, die verwendet werden können, effektiv in der gesamten Organisation, fügte er hinzu.

Umgang mit Daten sorgfältig

Auf einem anderen Technologie-Optimierung, front -, healthcare-provider-Organisationen müssen sehr vorsichtig sein mit Ihren Daten.

„Daten sind wertvoll-und Gesundheitswesen Daten ist an den äußeren extremen, sensible Informationen“, sagte Petro von Nuance Communications. “In den Prozess der Optimierung der KI-Technologie, die wir brauchen, um sicherzustellen, dass die AI-Hersteller ist ein vertrauenswürdiger partner, der als Verwalter der PHI. Wir haben alle gehört, die Horrorgeschichten in der Presse über den Missbrauch von Daten. Dies ist inakzeptabel.“

Die Partnerschaft mit AI-Anbieter, die legitimen Hüter der Daten und verwenden Sie nur die Daten innerhalb der Grenzen und Einschränkungen der Vertrags-und HIPAA-Richtlinien ist eine table stakes-EZB-dynamisch, fügte er hinzu.

„Stellen Sie sicher, Fragen Sie die harten Fragen“, riet er. “Fragen Sie über die Verwendung der Daten, was ist das PHI-Daten fließen, wie kommt es zu bewegen, wo es zur Ruhe kommen, wer hat Zugang zu ihm, was ist es für verwendet und wie lange ist der Verkäufer behalten. Gesundheitswesen AI die Unternehmen brauchen, um Experten im Bereich der Daten-Verwendung und die Einschränkungen rund um Daten-Nutzung. Wenn ein Lieferant wackelt in diesen Bereichen, zu bewegen.“

Prozess-und Daten-Variabilität

Ein weiterer sehr wichtiger Aspekt für die Dienstleister die Optimierung der AI-Technologie ist die Menge an Variabilität in den Verfahren und Daten, die Sie arbeiten mit, sagte Michael Neff, vice president of professional services bei Recondo Technology.

„Zum Beispiel, klinischen AI-Modelle erstellt, für eine Bevölkerung von Patienten mit ähnlichen ethnischen Hintergründen und einer kleinen Auswahl an Alter ist wahrscheinlich einfacher als das gleiche Modell geschaffen für eine ethnisch vielfältige Bevölkerung“, erklärte er. „In den letzten Bevölkerung, es wird wahrscheinlich eine Menge mehr ‚Grenzfälle‘, die entweder erfordern mehr Ausbildung Daten oder müssen ausgeschlossen werden aus dem Modell.“

„Ein Trainiertes Modell mit Daten, die gesendet werden von einem spezifischen Schuldner gilt nicht unbedingt für andere steuerpflichtige, die ein Anbieter zu Werke geht.“

Michael Neff, Recondo Technology

Wenn die Entscheidung getroffen wird, um auszuschließen jenen Fällen, oder wenn Sie ein Modell gebaut von einem mehr zusammenhängenden Daten festgelegt ist, wird es sehr wichtig sein, sich zu beschränken die Verwendung der AI-Modell die Fälle, in denen die Vorhersagen sind gültig, fuhr er Fort.

„Das gleiche argument,“ sagte er, „hält für business-Variabilität: Ein Trainiertes Modell mit Daten, die gesendet werden von einem spezifischen Schuldner gilt nicht unbedingt für andere steuerpflichtige, die ein Anbieter zu Werke geht.“

Aufbau eines audit-trail

Bei der Verwendung von KI-Ansätze – und vor allem mit der Verarbeitung natürlicher Sprache – es ist der Schlüssel, um ein audit-trail, um zu rechtfertigen, Empfehlungen und Erkenntnisse, riet Dr. Elizabeth Marshall, associate director der klinischen Analytik Linguamatics IQVIA.

„Irgendwelche Erkenntnisse oder Funktionen aus dem klinischen Notizen und verwendet in KI-algorithmen müssen leicht zurückverfolgt, um die genaue Stelle im Dokument, aus dem Sie kommen,“ Sie warnte. „Dies ermöglicht es klinischen Mitarbeitern zu validieren die Ergebnisse und das Vertrauen in AI.“

„Irgendwelche Erkenntnisse oder Funktionen aus dem klinischen Notizen und verwendet in KI-algorithmen müssen leicht zurückverfolgt, um die genaue Stelle im Dokument Sie kamen.“

Dr. Elizabeth Marshall, Linguamatics IQVIA

Zum Beispiel, wenn die Gewährleistung eines Krankenhauses erhält das Recht, die Rückzahlung für chronische Erkrankung, komorbiditäten wie hepatitis (chronische virale B und C) und HIV/AIDS. Es ist nicht nur wichtig für die Erfassung der Daten, sondern auch, um sicherzustellen, ist man in der Lage, die Daten zurück zu dem Patienten EHR Begegnung, wo die Informationen eingeholt, sagte Sie.

“Weiter, es ist wichtig zu überlegen, wie alle Erkenntnisse gemacht werden umsetzbare und integriert in den klinischen workflow; mit einer Reihe von KI-algorithmen mit keinen Weg, um tatsächlich verbessern die Versorgung der Patienten ist nicht gravierend,“ sagte Marshall. “Zum Beispiel, Kliniker kann wollen Verbesserung der Identifikation von Patienten, die möglicherweise verpasst werden, in einer geschäftigen Notaufnahme. Die Zeit drängt, und manuell neu überprüfen alle Radiologie-Bericht, um sich für die verpassten Chancen der follow-up, verschwendet kostbare Zeit.“

Stattdessen konnten Sie die Verwendung natürlicher Sprache die Verarbeitung zu überprüfen, unstrukturierte Abschnitte für kritische Ergebnisse in berichten wie z.B. der Identifizierung von Patienten mit Begleit-pulmonale Knötchen, riet Sie.

„Als hoch-Risiko-Patienten identifiziert werden, ist es wichtig, einen Prozess für ein geeignetes follow-up“, sagte Sie. „Um tatsächlich zu verbessern Sorgfalt, die Ergebnisse müssen gekennzeichnet werden, die in einem Risiko register für follow-up von care-Koordinatoren, nachdem die Patienten sind nicht mehr in unmittelbarer Gefahr.“

Wie AI passt in workflows

Auf dem AI-Spektrum, die vollständige Replikation des menschlichen Denkens ist, die manchmal als „stark“ oder „voll“, AI. Diese noch nicht existieren, jedenfalls nicht in der Medizin.

„Im Gesundheitswesen, bei der wir in Erster Linie konzentriert sich auf ’schmalen oder schwachen“ KI, die beschrieben werden könnte als die Verwendung von software oder algorithmen, um bestimmte problem zu lösen, oder Denkaufgaben, die auf verschiedenen Ebenen der Komplexität,“ sagte Dr. Ruben Amarasingham, Präsident und CEO von Stücken Technologien. „Dazu gehören bestimmte zentrale Aufgaben wie das Lesen eine Brust X-ray, die Interpretation der Phase einer Haut Wunde, Lesen ein ärztliches Attest und das Verständnis der Anliegen.“

„Wenn die AI ist nicht die Verringerung von stress und Komplexität der Workflows, ist es entweder nicht arbeiten, nicht optimiert oder lohnt sich das nicht.“

Dr. Ruben Amarasingham, Stücke Technologien

Eine Optimierung, die beste Praxis ist es, zu verstehen, wie die vorgeschlagene KI-Technologie wird eingesetzt in den workflow, ob das einlegen wirklich abnimmt „Reibung“ in den workflow aus der Sicht der stakeholder (Anbieter, patient und Familie) und die effektive Messung und Auswertung, Wert-unmittelbar nach go-live, sagte er.

„Wenn die AI ist nicht die Verringerung von stress und Komplexität der Workflows, ist es entweder nicht arbeiten, nicht optimiert oder lohnt sich das nicht,“ fügte er hinzu.

Die Lokalisierung der Ausbildung

KI Modelle gebaut durch Dritte kann auch dazu dienen, die lokalen Bedürfnisse einer Organisation – zumindest als Ausgangspunkt, aber das könnte sein, eine Risiko – und eine Chance für die Optimierung, sagte Kleinberg von Point-of-Care-Partnern.

„Die Zahl der vorgefertigte Modelle zu wuchern – zum Beispiel, sepsis, Dauer des Aufenthalts Vorhersage, no-shows, wird es immer wichtiger, zu verstehen, die Qualität der Trainings-und test-sets verwendet werden, und versuchen zu erkennen, welche Annahmen und Vorurteile das vorgefertigte Modell enthalten kann“, sagte er. “Es hat eine Tonne der neueren Forschung auf, wie leicht AI – insbesondere deep-learning – Modelle können täuschen, zum Beispiel, nicht genug Aufmerksamkeit auf das, was im hintergrund eines Bildes. Sind die Modelle validiert durch einen unabhängigen Parteien?“

Betrachten Sie eine Anwendung, die empfiehlt die am besten geeignete Art von medizinischen Therapie-management-Programm für Patienten mit dem Ziel der Erhöhung der Medikamenten-Adhärenz, Kleinberg geraten. Bis zu welchem Grad kann das test-set ausgewählt wurden für die betroffenen durch bestimmte Umweltfaktoren (warmes versus kaltes Klima), fitness-Level, ethnischen und wirtschaftlichen hintergrund, die Anzahl der Medikamente genommen, etc., und wie lässt sich das vergleichen, um die lokale Bevölkerung analysiert werden, fügte er hinzu.

„Umschulung und testen Sie das Modell mit einer mehr abgestimmt auf lokalen demografischen Daten wird ein Schlüssel der Praxis mehr zu erreichen, optimierte Ergebnisse“, riet er.

Sie regieren über AI-Technologie

Amarasingham der Stücke, die Technologien angeboten werden, eine andere AI-Optimierung best practice: Health systems sollte die governance-Systemen für die KI-Technologie.

„Ich bin gespannt auf die Entwicklung von AI-Ausschüssen auf die Gesundheitssysteme ähnlich wie bei der Entwicklung der evidence-based medicine, data governance oder klinische Ordnung Ausschüsse in der jüngsten Vergangenheit“, sagte er. „Diese Gruppen sollten beteiligt werden, die mit der Bewertung der Leistung Ihrer KI-Systeme in der Gesundheitsversorgung am Arbeitsplatz und sich nicht ausschließlich auf die Anbieter zu beaufsichtigen, Ihre Produkte oder Dienstleistungen.“

Sie könnten auch beauftragt werden, mit der Entwicklung der AI-roadmap für Ihre Einrichtung im Laufe der Zeit und als neuen KI-Technologien entstehen, fügte er hinzu. Diese Ausschüsse werden könnte, eine Mischung von ärzten, Administratoren, informaticists-und Informations-system team-Mitglieder, schlug er vor.

Klein anfangen

Umsetzung jede künstliche Intelligenz-Technologie können verlangen, ein wenig mehr Investition als ursprünglich erwartet, aber wenn eine Gesundheits-Organisation beginnt im kleinen und Pläne richtig, sehen Sie true gibt an, dass Kapital und manpower, riet Kumar von HMS.

„Alle Organisationen im Gesundheitswesen – Anbieter, Zahler und Arbeitgeber – werden bestätigen, dass AI hat die Möglichkeit zu helfen, verwandeln healthcare Operationen“, erklärte er. „Aber, AI selbst ist keine silberne Kugel zur Revolutionierung des Systems – es braucht Menschen -, Prozess-und Technologie-Planung, workflow-transformation, und die Zeit, um sicherzustellen, dass es erfolgreich ist.“

Dies bedeutet, dass, um richtig optimieren die Technologie hat, muss man langsam gehen, stellen Sie sicher, dass, betrachtet man alle Faktoren, die Einfluss auf den Ausgang – aus den Daten geht, wie die Erkenntnisse rückgemeldet Anbieter für Aktion, sagte er.

„Um sicherzustellen, dass Sie bekommen die die meisten aus Ihrer Investition zu ziehen“, Schloss er, „wissen Sie, dass Sie investieren müssen, wird mehr und länger dauern, um Ergebnisse zu sehen.“

Twitter: @SiwickiHealthIT
E-Mail der Autorin: [email protected]
Healthcare-IT-News ist die HIMSS Media-Publikation.