A kutatók az MI-t adatokkal kombinálják, hogy javítsák a betegek ellátását és az eredményeket

A kutatók az MI-t adatokkal kombinálják, hogy javítsák a betegek ellátását és az eredményeket

Chenyang Lu, a Washington Egyetem számítástechnikai és mérnöki professzora, a St. Louis McKelvey School of Engineeringben a mesterséges intelligencia és az adatok kombinálásával javítja a betegek ellátását és az eredményeket.

De nem csak a betegekkel foglalkozik, hanem technológiát is fejleszt az orvosok egészségének és jólétének figyelemmel kísérésére.

A Lu labor két előadást mutatott be az ACM SIGKDD idei tudásfeltárásról és adatbányászatról szóló konferenciáján, amelyek mindegyike a csapata által kidolgozott új módszereket ismerteti. a Washingtoni Egyetem Orvostudományi Karának munkatársaival -; az egészségügyi eredmények javítása azáltal, hogy a mélyreható tanulást bevezetik a klinikai ellátásba.

A gondozók számára Lu foglalkozott a kiégéssel és azzal, hogyan lehet előre jelezni, mielőtt még bekövetkezne. A tevékenységnaplók arról, hogy az orvosok hogyan lépnek kapcsolatba az elektronikus egészségügyi nyilvántartásokkal, hatalmas mennyiségű adatot szolgáltattak a kutatóknak. Ezeket az adatokat betáplálták egy gépi tanulási keretrendszerbe, amelyet Lu és csapata fejlesztett ki -; Hierarchikus kiégés előrejelzés tevékenységi naplókon (HiPAL) -; és képes volt extrapolálni a munkaterhelés értelmes mintázatait, és ezekből az adatokból előre jelezni a kiégést nem tolakodó és automatizált módon.

Ami a betegellátást illeti, a műtőben dolgozó orvosok jelentős mennyiségű adatot gyűjtenek betegeikről, mind a preoperatív ellátás, mind a műtét során -; Azok az adatok, amelyeket Lu és munkatársai úgy gondoltak, hogy jól hasznosíthatók Lu mély tanulási megközelítésével: Clinical Variational Autoencoder (cVAE).

A Lu labor által kifejlesztett új algoritmusok segítségével meg tudták jósolni, hogy kinek lesz hosszabb műtétje, és kinél alakul ki nagyobb valószínűséggel delírium a műtét után. A modell több száz klinikai változót tudott csak 10-re konvertálni, amelyeket a modell arra használt, hogy pontos és értelmezhető előrejelzéseket készítsen a jelenlegi módszereknél jobb eredményekről.

Tudjon meg többet a csapat megállapításairól a mérnöki webhelyen.

Lu és interdiszciplináris munkatársai folytatni fogják mindkét modell validálását abban a reményben, hogy mindkettő elhozza az AI erejét a kórházi környezetbe.

Forrás:

Washingtoni Egyetem St. Louisban

Referencia:

Liu, H. és mtsai. (2022) HiPAL: Mély keretrendszer az orvosi kiégés előrejelzéséhez az elektronikus egészségügyi nyilvántartásokban található tevékenységnaplók használatával. KDD '22: A 28. ACM SIGKDD Tudáskutatás és Adatbányászat Konferencia anyaga. doi.org/10.1145/3534678.3539056.

.