Teadlased kombineerivad tehisintellekti andmetega, et parandada patsientide hooldust ja tulemusi

Teadlased kombineerivad tehisintellekti andmetega, et parandada patsientide hooldust ja tulemusi

Chenyang Lu, St. Louis McKelvey Insenerikooli Washingtoni Ülikooli arvutiteaduse ja tehnika Fullgrafi professor, ühendab tehisintellekti andmetega, et parandada patsientide ravi ja tulemusi.

Kuid ta ei hooli ainult patsientidest, vaid arendab ka tehnoloogiat arstide tervise ja heaolu jälgimiseks.

Lu labor esitas selle aasta ACM SIGKDD konverentsil Teadmiste avastamise ja andmekaevandamise teemal kaks ettekannet, mis mõlemad kirjeldavad uudseid meetodeid, mille tema meeskond on välja töötanud -; Washingtoni ülikooli meditsiinikooli töötajatega -; parandada tervisetulemusi, tuues kliinilisse hooldusse sügava õppe.

Hooldajate jaoks käsitles Lu läbipõlemist ja seda, kuidas seda enne selle tekkimist ennustada. Tegevuslogid selle kohta, kuidas arstid elektrooniliste tervisekaartidega suhtlevad, andsid teadlastele tohutul hulgal andmeid. Nad sisestasid need andmed Lu ja tema meeskonna välja töötatud masinõppe raamistikku -; Hierarhiline läbipõlemise ennustus, mis põhineb tegevuslogidel (HiPAL) -; ja see suutis ekstrapoleerida töökoormuse tähenduslikke mustreid ja ennustada nende andmete põhjal läbipõlemist mittepealetükkival ja automatiseeritud viisil.

Patsiendihoolduse osas koguvad operatsioonisaalis arstid oma patsientide kohta märkimisväärsel hulgal andmeid nii operatsioonieelse hoolduse kui ka operatsiooni ajal -; Andmed, mida Lu ja tema kaastöötajad arvasid, et võiksid Lu sügava õppimisviisiga hästi ära kasutada: Clinical Variational Autoencoder (cVAE).

Kasutades Lu laboris välja töötatud uudseid algoritme, suutsid nad ennustada, kellel on pikem operatsioon ja kellel on suurem tõenäosus pärast operatsiooni deliiriumi tekkeks. Mudel suutis teisendada sadu kliinilisi muutujaid vaid 10-ks, mida mudel kasutas täpsete ja tõlgendatavate ennustuste tegemiseks praegustest meetoditest paremate tulemuste kohta.

Lisateavet meeskonna leidude kohta leiate inseneri veebisaidilt.

Lu ja tema interdistsiplinaarsed kaastöötajad jätkavad mõlema mudeli valideerimist lootuses, et mõlemad toovad AI jõudu haiglakeskkondadesse.

Allikas:

Washingtoni ülikool St. Louisis

Viide:

Liu, H. et al. (2022) HiPAL: sügav raamistik arstide läbipõlemise ennustamiseks, kasutades elektroonilistes terviseandmetes tegevusloge. KDD '22: ACM SIGKDD 28. teadmiste avastamise ja andmekaeve konverentsi materjalid. doi.org/10.1145/3534678.3539056.

.