Нет данных - нет проблем!

Ускорение интеграции ИИ в продукты для удаленного мониторинга пациентов

Руководство по дизайну продуктов и технологий

В неэффективной сфере здравоохранения, где стоимость услуг стремительно растет, удаленный мониторинг пациентов (RPM) выглядит как свет в конце туннеля. RPM, такая как телездравоохранение, телемедицина, виртуальная помощь и цифровое здравоохранение, призвана освободить медицинских работников от рутинных задач и откроет доступ к качественной помощи для гораздо большего числа пациентов, чем сейчас. Принимая во внимание старение нашего населения и стремление к увеличению продолжительности здоровой жизни, использование уже имеющихся гаджетов, таких как фитнес-трекеры и смартфоны, дает нам много важной информации, такой как частота сердечных сокращений и вариабельность, артериальное давление, насыщение кислородом. , физическая и социальная активность, физиологическое настроение и др. Смартфоны позволяют проводить анкетные опросы, видеоотчеты пациентов, отслеживать умственные и физические нагрузки [1].

Для RPM есть готовые решения, но весьма вероятно, что потребуются дополнительные разработки и настройки для интеграции с системами заказчика. Индивидуальное решение может удовлетворить потребности с точки зрения функциональности, но его разработка занимает относительно много времени и требует значительных инвестиций.

Зачем нам нужен RPM?

  • Доступ к медицинской помощи. Решение RPM обеспечивает функциональность электронного посещения с помощью беспроводных медицинских устройств, чат-ботов и носимых биосенсоров для обследования пациентов за пределами клинических учреждений.
  • Сбор данных. С помощью RPM поставщики медицинских услуг постоянно получают данные о состоянии здоровья своих пациентов в режиме реального времени. Большие медицинские данные - это топливо для науки о данных (DS) и машинного обучения (ML). Сегодня большие медицинские данные являются источником для разработки новых лекарств и методов лечения.
  • Динамика пациента. Решения RPM отслеживают медицинские параметры и предоставляют актуальную информацию о прогрессировании заболевания или травмы и реакции на прописанные лекарства. Эта информация может помочь вам настроить лечение и избежать неотложной медицинской помощи.
  • Раннее выявление. Раннее обнаружение обострения заболевания с помощью RPM может помочь снизить посещаемость отделения неотложной помощи и частоту повторной госпитализации.
  • Вовлеченность пациентов. Благодаря удаленному наблюдению пациенты уверены в своем успешном выздоровлении, поскольку понимают, что за их здоровьем следят круглосуточно, семь дней в неделю.

В исследовании 2019 года, проведенном Fairview Health Services и HealthEast (Миннеаполис), программа RPM, ориентированная на сердечную недостаточность, показала сокращение госпитализаций на 33%, снижение количества повторных госпитализаций на 75% и сокращение посещений отделений неотложной помощи на 52% [5] . Используя технологию RPM, Медицинский центр Университета Питтсбурга снизил использование ER и повторную госпитализацию на 76% [6]. Благодаря этим сокращениям была достигнута значительная экономия затрат.

Почему интеграция ИИ терпит неудачу?

Однако сбор и визуализация этих данных - это лишь половина работы. Реальная ценность будет исходить от автоматизированного анализа этих данных и предоставления информации об отклонениях от нормального поведения, оценки серьезности и поддержки принятия решений. Многие менеджеры по продуктам внедрили ИИ в свои продукты в качестве приоритетной задачи номер один в своем бэклоге, однако мы по-прежнему не видим, чтобы рынок бурно развивался благодаря отличным и конкурентоспособным решениям. Почему так? Мы выбрали топ-3 причины, которыми наши клиенты делятся с нами на этапе планирования продукта ИИ:

  • Неясно, как функция ИИ будет выглядеть в конечном продукте.
  • Трудно продать видение и ценность для заинтересованных сторон, особенно тем, кто имеет медицинское образование.
  • Даже если мы это хорошо спланируем, недоступность огромного объема данных блокирует нас от любых возможных событий.

Всех этих хлопот можно легко избежать на этапе планирования продукта, на котором ваша исследовательская группа оценивает потенциальные решения и техническую осуществимость. В этой статье мы хотим пролить свет на некоторые решения, которые могут помочь вам более четко разрабатывать продукты ИИ и разрабатывать первые готовые к выходу на рынок решения быстрее, чем ваши конкуренты.

Дизайн продукта

Начнем с продуктового дизайна. Скорее всего, у вас уже есть стандартная программная платформа, которая собирает данные анкет и отслеживает некоторые биосигналы. Одна из причин, по которой вам нужно встраивание машинного обучения - это добавление интеллектуальной функциональности. Медицинские работники хотят видеть на своих столах больше, чем просто красивые графики. И пока ваша команда разработчиков программного обеспечения думает о масштабируемости и универсальности ваших платформ, ваши пользователи здравоохранения заботятся о контексте каждого измерения симптомов, анамнезе пациента и принятии решения о лечении на основе этих данных. Это очень похоже на стандартный протокол ухода, и что вам нужно сделать - это сопоставить его с пользовательскими историями, указывая, какие части должны быть автоматизированы с помощью ИИ.

Мы рекомендуем работать с фреймворком, созданным Google и их командой People + AI Research [2]. Он предназначен для ответа на основные вопросы о данных, которые ваши пользователи будут предоставлять и получать в качестве ответа, для определения их успеха и связанных показателей, для наброска схемы взаимодействия, а также для корректировки и контроля ожиданий от «всемогущего ИИ», который является точно не такой.

История BenchSci - платформы для ускорения процесса открытия лекарств, может дать вам много мотивации сделать то же, что и они, - правильно спроектировать продукт ИИ с самого начала:

Технологический дизайн

Теперь у нас есть видение, и возникает соблазн начать разработку с использованием новейших алгоритмов искусственного интеллекта, полученных на последних технических конференциях, которые продемонстрировали потрясающую производительность с данными, аналогичными вашим. Класс алгоритмов машинного обучения, называемый глубоким обучением, действительно может переваривать любые сложные данные и их комбинации, включая медицинские изображения, EHR, биосигналы, молекулы лекарств, и производить диагнозы, рекомендации или новые идеи. Однако ваша техническая команда быстро скажет вам, что вам нужны десятки тысяч образцов данных для их обучения, которых у вас, скорее всего, нет и скоро не будет. В любом случае, вам просто нужно быстро протестировать фичу!

Решение заключается в классических подходах к моделированию данных. Мы могли бы высадиться на Луну без глубокого обучения, почему мы не можем следить за благополучием? При исследовании решений мы рекомендуем также обратить внимание на решения, не основанные на машинном обучении. Это может улучшить вашу скорость вывода на рынок на первом этапе и приблизить вас к фактическому сбору данных, что откроет возможности для использования новейших алгоритмов. Что можно искать:

  • Экспертные системы на основе правил (логика, нечеткая логика)
  • Линейные модели (с уже опубликованными параметрами и коэффициентами)
  • Дифференциальные уравнения (с уже опубликованными параметрами и коэффициентами)
  • Модели сопоставления с образцом (с опубликованными образцами и метриками для них)

Например, предположим, что вам нужно тщательно отслеживать пациентов в течение ночи, но вы не собирали такие данные раньше, и наборы данных с открытым исходным кодом здесь не очень подходят. Большинство технических консультантов просто рекомендуют вам подождать и собрать данные, но вы, как менеджер по продукту, очень хорошо знаете, что не сможете заставить клиентов отслеживать себя по ночам в течение длительного времени (только для ради сбора данных), не придавая им никакой ценности. Или это будет вам очень дорого. Это типичная «проблема холодного пуска».

Используя идею базовых показателей математической модели, вы можете найти следующую статью [3], в которой описываются режимы сна, которые вы можете собрать на основе данных пульса и акселерометра. Исследователи нашли закономерности в данных для вас - теперь ваша команда должна внедрить эти знания, и у нее уже есть необходимая функция, реализованная с известными ограничениями. Теперь вы можете ценить своих клиентов и собирать данные для разработки более разумного алгоритма машинного обучения, который принесет еще большую пользу. Вуаля! Так работает маховик машинного обучения.

Следующие шаги

Согласие заинтересованных сторон естественным образом возникнет, если будут предприняты предыдущие шаги. Алгоритмы не будут выглядеть рискованными, напротив, они будут естественным образом встроены в протокол обслуживания, с которым знакомы медицинские работники. Первая версия будет разработана быстро, она будет протестирована, результаты легко интерпретированы, и ее можно будет использовать с реальными пользователями, которые предоставят вам данные для обучения настоящего ИИ. Но это уже другая история. Теперь вы уже можете начать получать льготы для обычных пациентов за счет автоматизации ухода, что позволяет сократить расходы на уход до 40% [4]. Хотите узнать больше о том, как разрабатывать решения ИИ, ориентируясь на быстрый выход на рынок и четкое видение? Поговори с нами!

Вы можете связаться с нами по адресу [email protected] или связаться с Полом, автором этой статьи и управляющим директором и партнером, практика здравоохранения, напрямую по адресу [email protected].

Ресурсы

[1] https://meddevops.blog/2019/10/09/the-future-of-remote-patient-monitoring-is-in-artificial-intelligence/
[2] https: / /pair.withgoogle.com/guidebook
[3] http://www.iet.unipi.it/m.cimino/pub/hdl.handle.net_11568_872373.pdf
[4] Https://www.healthrecoverysolutions.com/blog/connecting-data-to-outcomes-with-machine-learning
[5] https://www.sciencedirect.com/science/article/abs / pii / S1071916419310735
[6] https://www.healthcareitnews.com/news/upmc-remote-patient-monitoring-helps-reduce-er-utilization-and-hospital-readmissions