सामग्री
- रिअल टाइम मध्ये बिग डेटामध्ये फीड डेटा
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- उत्तम मशीन शिक्षणासाठी लेबलिंग इव्हेंट
- शिपिंगपूर्वी डेटा साफ करा (शिप गोल्ड, डर्ट नाही)
- लेबल केलेल्या सेन्सॉरी डेटाची ठोस ओळखण्यासाठी सीएनएन
- भविष्य
स्त्रोत: फोन्लामाई फोटो / आयस्टॉकफोटो
टेकवे:
असा विश्वास असू शकतो की एआय अंमलबजावणीसाठी महाग आहे, परंतु त्याद्वारे वाचविल्या जाणा .्या पैशांची आणि रुग्णांची काळजी घेण्याची सुधारित पातळी याची पूर्तता करू शकते.
रूग्णालयांमध्ये नमुना जुळवणे आणि एखाद्या विचित्र गरजेची भाकीत करणे हे कुशल वैद्यकीय कर्मचार्‍यांसाठी कठीण काम आहे, परंतु एआय आणि मशीन शिक्षणांसाठी नाही. वैद्यकीय कर्मचार्‍यांना त्यांच्या प्रत्येक रूग्णचे पूर्ण-वेळेचे निरीक्षण करण्याची लक्झरी नसते. स्पष्ट परिस्थितीत रुग्णांच्या त्वरित गरजा ओळखणे आश्चर्यकारकपणे चांगले असले तरीही, परिचारक आणि वैद्यकीय कर्मचार्‍यांमध्ये वाजवी कालावधीत दर्शविलेल्या रूग्णांच्या लक्षणांच्या जटिल अ‍ॅरेमधून भविष्य जाणून घेण्याची क्षमता नसते. मशीन लर्निंगमध्ये केवळ 24/7 च्या रुग्ण डेटाचे निरीक्षण करणे आणि त्यांचे विश्लेषण करण्याचे लक्झरी नसते, परंतु एकाधिक स्त्रोतांकडून गोळा केलेली माहिती देखील एकत्रित केली जाते, उदाहरणार्थ ऐतिहासिक रेकॉर्ड, वैद्यकीय कर्मचा-यांचे दररोजचे मूल्यांकन आणि हृदय गती, ऑक्सिजनचा वापर यासारख्या त्वचेचे वास्तविक-वेळ मोजमाप. आणि रक्तदाब निकटवर्ती हृदयविकाराचा झटका, फॉल्स, स्ट्रोक, सेप्सिस आणि गुंतागुंत यांचे मूल्यांकन आणि भविष्यवाणीत एआयचा वापर सध्या संपूर्ण जगात चालू आहे.
एल-कॅमिनो हॉस्पिटलने फॉल्सचा उच्च धोका असलेल्या रूग्णांना ओळखण्यासाठी ईएचआर, बेड अलार्म आणि परिचारिकाला विश्लेषण डेटा लाइट डेटा कसा जोडला हे त्याचे वास्तविक विश्व उदाहरण आहे. एल केमिनो हॉस्पिटलने फॉल्स कमी केले, इस्पितळातील एक मोठी किंमत, 39%.
अल कॅमिनोद्वारे वापरल्या जाणार्‍या मशीन शिक्षण पद्धती हिमशैलीची टीप आहेत, परंतु कृती-केंद्रित अंतर्दृष्टी किंवा प्रिस्क्रिप्शन ticsनालिटिक्स वापरुन आरोग्य सेवांचे भविष्य लक्षणीयपणे दर्शवितात. ते उपलब्ध संभाव्य माहितीचा एक छोटा उपसंच वापरत आहेत आणि अंथरुणावरुन बाहेर पडणे आणि आरोग्याच्या नोंदीच्या अनुषंगाने मदत बटण दाबण्यासारख्या रूग्णांद्वारे केलेल्या शारीरिक कृती – रुग्णालयातील कर्मचार्‍यांकडून नियतकालिक मोजमाप. रुग्णालयातील यंत्रणा सध्या कार्डियाक मॉनिटर्स, श्वसन मॉनिटर्स, ऑक्सिजन संतृप्ति मॉनिटर्स, ईसीजी आणि कॅमेरे कडून कार्यक्रम ओळखण्यासह मोठ्या डेटा स्टोरेज साधनांमध्ये महत्त्वपूर्ण डेटा देत नाही.
सध्याच्या हॉस्पिटल सिस्टमसह एआय सोल्यूशन्स समाकलित करणे ही एक आर्थिक, राजकीय आणि तांत्रिक समस्या आहे. या लेखाच्या उर्वरित हेतूचा उद्देश तांत्रिक समस्यांबद्दल चर्चा करणे आहे, ज्यास खाली कार्ये करता येतील:
- डेटा मिळवा
- डेटा साफ करा
- डेटा वाहतूक
- डेटाचे विश्लेषण करा
- भागधारकांना सूचित करा
डेटा मिळवणे आणि साफ करणे हे सर्व एआय अंमलबजावणीचे एक आव्हानात्मक पैलू आहे. एपिक डेटा सारख्या ठराविक ईएचआरमध्ये प्रवेश करण्यासाठी आवश्यक स्त्रोत समजून घेण्यासाठी एक सभ्य संदर्भ आरंभिक बिंदू एपिकसह समाकलित कसे करावे या लेखातील आहे.
रिअल टाइम मध्ये बिग डेटामध्ये फीड डेटा
आम्ही भाकीत विश्लेषण करत आहोत – रिअल-टाइम चिंताजनक नाही. या अनोख्या वेगळ्या समस्या आहेत. रीअल-टाइम भविष्यवाणी विश्लेषणे इव्हेंट डेटा नसून प्रवाह डेटा ड्रॉप करू शकतात. इव्हेंट डेटा आयडेंटिफायर टॅग असतात जे इव्हेंटची वाढ करतात. इव्हेंट्स प्रति विशिष्ट कालावधीनुसार हृदय गती किंवा विशिष्ट अंतराने ऑक्सिजन संपृक्तता असतात. स्ट्रीमिंग डेटा प्रत्येक हृदयाचा ठोका किंवा नाडी ऑक्सिजन वाचन आहे. हे फार महत्वाचे आहे कारण कामगिरीच्या दृष्टीने डेटाची हमी महाग आहे. आम्ही घटना हमी पाहिजे – या मर्यादित संख्या आहेत – आम्ही डेटाची हमी देऊ नये.
ईएचआर, नर्स कॉल आणि रुग्ण मॉनिटरींग डेटा या सर्वांना प्रत्येक वेळी वेळोवेळी संबंधित करणे आवश्यक असते. याचा अर्थ असा की एक अद्वितीय अभिज्ञापक जो सर्व सिस्टममध्ये सामायिक केलेला असेल आणि सहजपणे अंमलात आला यूयूडी (सार्वत्रिक अद्वितीय अभिज्ञापक). अंगभूत बार कोड वाचकांसह अंमलबजावणीच्या दृष्टीकोनातून पर्यावरण स्कॅन करणारे व्यापक अंमलबजावणीसाठी आवश्यक असलेल्या भरपूर कार्यात्मक आवश्यकता समाकलित करतात. प्रत्येक रूग्णाच्या पलंगाच्या बदलांवर एक अद्वितीय यूआयडी नियुक्त करताना एक सुयोग्य अंमलात आणलेली प्रणाली बेड बार कोड, रूग्ण मनगट बार कोड, प्रिस्क्रिप्शन बार कोड आणि इंट्राव्हेनस बार कोड स्कॅन करू शकते. सध्याच्या हॉस्पिटल तंत्रज्ञानात रुग्णांच्या मनगटाच्या बार कोडसाठी नर्स स्कॅनर समाविष्ट आहेत.
बिग डेटा स्टोरेजसाठी रिअल टाइममध्ये भौगोलिक वेळ मालिका डेटा लिहिणे हे आमचे लक्ष्य आहे. सर्वात महत्वाचा अंतर डेटाबेसवर लिहिण्याची वेळ आहे, म्हणून आम्ही कोठूनही डेटा कोठेतरी रांगेत लावला पाहिजे आणि रबिटएमक्यू किंवा काफ्का सारख्या मेसेजिंग प्लॅटफॉर्मचा वापर करून ती करणे ही सर्वात चांगली पद्धत आहे. रॅबिटएमक्यू प्रति सेकंद 1 दशलक्ष एस आणि कफका प्रति सेकंद 60 दशलक्ष पर्यंत हाताळू शकते. रेबिटएमक्यू डेटाची हमी देते, काफ्का तसे करत नाही. मुलभूत रणनीती आपल्या आवश्यकतेसाठी आवश्यक वैशिष्ट्ये असलेल्या एक्सचेंजमध्ये डेटा प्रकाशित करते. (Amazonमेझॉन आरोग्य सेवा खर्च कमी करण्यासाठी मोठा डेटा वापरण्याचा प्रयत्न करीत आहे. Amazonमेझॉन हेल्थ केअर प्लॅन्समध्ये अधिक जाणून घ्या - एक खरा बाजार क्रांती?)
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
उत्तम मशीन शिक्षणासाठी लेबलिंग इव्हेंट
सर्वात कार्यक्षम मशीन लर्निंग अल्गोरिदम म्हणजे स्पष्टपणे परिभाषित डेटा सेट आणि लेबले आहेत. कर्करोग ओळखण्यासाठी आणि एक्स-किरण वाचण्यासाठी उत्कृष्ट, सुप्रसिद्ध अल्गोरिदम वापरले जातात. अलेक्झांडर गोल्फँड, दीप लर्निंग अँड फ्यूचर ऑफ बायोमेडिकल इमेज अ‍ॅनालिसिस यांनी लिहिलेल्या लेखात असे म्हटले आहे की मशीन लर्निंगच्या यशासाठी डेटा लेबलिंग महत्त्वपूर्ण आहे. लेबलिंग व्यतिरिक्त, लेबल केलेल्या इव्हेंटचा संदर्भ देणार्‍या, परिभाषित, सातत्यपूर्ण भागांमध्ये भौगोलिक वेळ मालिकेच्या डेटाची जाहिरात करणे खूप महत्वाचे आहे. निवडलेले निकष म्हणून सुयोग्य परिभाषित, सातत्यपूर्ण लेबले वापरली जातात.
शिपिंगपूर्वी डेटा साफ करा (शिप गोल्ड, डर्ट नाही)
भविष्यातील सर्व डेटा भौगोलिक तारीख वेळ डेटा मानले पाहिजे. रांगेत प्रकाशित करण्यापूर्वी आणि डेटाबेसमध्ये लिहिण्यापूर्वी डेटा साफ करा. कच्च्या सेन्सर डेटाची सर्वात कार्यक्षम पद्धत म्हणजे शिपमेंटच्या अगोदर डेटा साफ करण्यासाठी एक्सपोनेन्शल मूव्हिंग एव्हरेज फंक्शन लागू करणे. आमची म्हणणे आहे की आपण घासण्याऐवजी उत्कृष्ट सोन्याचे जहाज पाठविण्याचा प्रयत्न करा. लांब पल्ल्याच्या वेळी, शिपिंग आणि डेटा संग्रहित करणे महाग आहे, म्हणून शिपमेंट आणि स्टोरेज करण्यापूर्वी डेटा शक्य तितक्या स्वच्छ असल्याची खात्री करा.
लेबल केलेल्या सेन्सॉरी डेटाची ठोस ओळखण्यासाठी सीएनएन
या लेखात वर्णन केलेल्या हेतूंसाठी, आपल्या अंमलबजावणीसाठी टेम्पलेट म्हणून वापरण्यासाठी तेथे स्पष्टपणे परिभाषित सार्वजनिक डेटा सेट आणि मशीन शिक्षण ग्रंथालय आहेत. उपलब्ध रेपॉजिटरीज शिकण्यासाठी आणि अभ्यास करण्यासाठी समर्पित वेळ दिल्यास चांगले विश्लेषक आणि सॉलिड प्रोग्रामर सहा महिन्यांपेक्षा कमी प्रयत्नात घन एआय लागू करू शकतात. मेलेनोमा मान्यतावरील 87 टक्के अचूकतेसह सीएनएन (कॉन्व्होल्यूशनल न्यूरल नेटवर्क) समजण्यासाठी उत्कृष्ट प्रतिमा ओळख रेपॉजिटरी म्हणजे स्किन कॅन्सर डिटेक्शन प्रोजेक्ट. कार्यक्रम ओळखीसाठी सेन्सर्स एकत्रित करण्यासाठी एक उत्कृष्ट लायब्ररी म्हणजे गिलाउम शेवालीयर यांनी लिहिलेल्या एलएसटीएमएस फॉर ह्युमन अ‍ॅक्टिव्हिटी रिकग्निशन प्रोजेक्ट. तसेच, हा प्रकल्प सेन्सर इनपुट आणि विविध क्रियाकलापांच्या निर्धार यांचे संयोजन आहे. रुग्णालयाच्या सेटिंगमध्ये, हीच पद्धत वैद्यकीय परिस्थितीसाठी काम करते. (आरोग्यामधील अलीकडील ए.आय. ब्रेकब्रूजच्या अधिक उदाहरणांसाठी, हेल्थ केअरमधील Most सर्वात आश्चर्यकारक ए.आय. अ‍ॅडव्हान्सेस पहा.)
भविष्य
रुग्णालय आणि आरोग्य सेवांच्या सेटिंग्जमध्ये एआयचा अर्ज आता घडत आहे. रुग्ण देखरेखीच्या उपकरणांच्या समाकलनाद्वारे गंभीर घटना ओळखून आरोग्य वितरणाची अचूकता सुधारणे, घालण्यायोग्य सेन्सर आणि आरोग्याच्या नोंदी आधीपासून अंमलात आणल्या गेलेल्या समाधानासाठी ज्ञात आहेत. आमच्या फ्यूचर्सच्या आरोग्यावर आणि आर्थिक परिणामावर एआयच्या वापराची मर्यादा अतुलनीय आहे. प्रवेशास अडथळे कमी आहेत. या लाटासाठी आपले बोर्ड आणि पॅडल पकडा. आपण जगभरातील वैद्यकीय खर्चाच्या भविष्यावर परिणाम करू शकता.