Что: «Аналитика данных с помощью машинного обучения для решения реальных проблем»
Когда: 05.09.2017, 18–20:00
Где: Онкологический центр системы здравоохранения Калифорнийского университета в Дэвисе

Что такое машинное обучение/ИИ?

Доктор Ларри Озеран, врач и технолог в области здравоохранения, модерировал панельную дискуссию во вторник вечером и начал ее, попросив участников дискуссии простыми словами определить, что такое машинное обучение и как оно применяется в сфере здравоохранения.

Прашант Натаджаран, руководитель направления Stategy/Innovation в Oracle, сказал, что лучшее определение принадлежит Артуру Сэмюэлю: «Машинное обучение дает компьютерам возможность учиться без явного программирования».

Далее он сказал: «Машинное обучение и ИИ не собираются выгуливать вашу собаку, нарезать вам хлеб или отнимать у вас работу. Тем не менее, можно многое извлечь из существующих данных, получая новую информацию с помощью автоматизированных алгоритмов».

Митеш Рао, специалист по безопасности систем и пациентов в Стэнфордском здравоохранении, согласился и сказал, что ИИ — это поиск большого количества гипотез для одного решения.

Алекс Го, вице-президент Freed Associates, добавил, что алгоритмы обучения особенно важны в наши дни, потому что они все чаще «могут способствовать изменениям». Цель ИИ — «сделать здравоохранение проще и легче для перегруженного персонала».

Почему ИИ?

Рао смотрит в будущее: «Более широкое видение машинного обучения и ИИ — это более простая, эффективная и точная медицина. Это должно расширить возможности врачей… В настоящее время основное внимание уделяется клиническим результатам».

В качестве примера он привел пациентов, умерших от сепсиса. В конечном итоге ИИ должен быть в состоянии предсказать этот негативный исход, когда пациент впервые попадает в больницу (или даже раньше), и предоставить время для вмешательства медицинских работников до того, как их здоровье ухудшится до такой степени. Речь идет о создании лучших планов ухода, которые снижают количество повторных госпитализаций.

Го добавил, что мы надеемся, что ИИ будет становиться все более и более эффективным для определения потребности пациента в дополнительной помощи, такой как уход на дому, транспортировка и операционные изменения (например, кадровое обеспечение). Использование ИИ для изменения состояния здоровья пациента до того, как ему потребуется пребывание в больнице, может повысить удовлетворенность пациентов и врачей.

Каков реальный потенциал замены людей машинами?

«Зависит от варианта использования», — сказал Го. Он привел пример, что крупный медицинский центр может потратить огромное количество времени на очистку данных, помещение их в хранилище данных и перенос их в таблицу для отчетности. Данных так много, что не хватает людей, способных или обладающих пропускной способностью, чтобы просмотреть их все. Именно здесь вступают в действие алгоритмы машинного обучения, которые выполняют всю рутинную работу, чтобы медицинские работники могли просматривать данные, необходимые для принятия мер, для своевременного и эффективного принятия клинических, операционных и коммерческих решений.

Рао согласился, сказав, что данные хороши настолько, насколько хороши люди, которые их интерпретируют. «Цель состоит в том, чтобы использовать данные и ИИ для улучшения результатов, эффективности и точности»; не заменять работников, а дополнять их знания и вселять в них уверенность при реализации решений.

Как машинное обучение и искусственный интеллект развивались с годами?

Участники группы пришли к единому мнению, что машинное обучение вывело основанные на фактических данных медицинские решения и планы ухода на передний план в области медицины. Больницы находятся под огромным давлением, чтобы повысить эффективность и сократить продолжительность пребывания и количество повторных госпитализаций. По словам Рао, в центре внимания ИИ — принятие решений на основе данных и стремление опережать кривую для улучшения результатов лечения пациентов.

Но чтобы заставить ИИ работать, «пользовательская база должна быть твердой с самого начала», а фирмы, занимающиеся ИИ, должны завоевать доверие врачей и пациентов, утверждает Натараджан.

Влияние «грязных данных» на развитие ИИ

Go добавил к этой смеси проблему данных, сгенерированных пациентами, и «грязных данных»; то есть данные, которые генерируются быстро и не обязательно точны. Он привел пример пациента, позволяющего своей собаке примерить свое носимое устройство для развлечения, или даже сомнительную точность носимых технологий, таких как функция «частоты сердечных сокращений» Fitbit. Он сказал, что это вызывает озабоченность по поводу сохранения достоверности данных.

Доктор Озеран добавил, что профессиональные домашние медицинские устройства могут быть более точными, но зачастую они слишком дороги для обычных потребителей, а пациенты могут не понимать их важности.

Тем не менее, общий консенсус экспертов заключался в том, что у компании светлое будущее. «Мы живем в мире, богатом данными и бедном информацией, — сказал Рао. — Эти усилия направлены на то, чтобы заставить данные работать на нас».

Ключевые выводы

  • Перейти: Системы здравоохранения должны уделять первоочередное внимание назначению распорядителей данных и сосредоточиться на управлении данными, чтобы подготовиться к будущему переходу на рабочие процессы ИИ.
  • Рао: Перед внедрением новой технологии необходимо оценить любое решение ИИ на предмет наличия четких и действенных планов реализации.
  • Натараджан: При рассмотрении новых технологических решений крайне важно спрашивать о рентабельности инвестиций; Данные полезны только в том случае, если они применимы к действиям. Мы должны продолжать делиться информацией и вести подобные разговоры, чтобы постоянно переоценивать и совершенствоваться.