Khi AI và khoa học dữ liệu ngày càng tiến vào nhiều quy trình chăm sóc sức khỏe, từ chăm sóc bệnh nhân đến chẩn đoán và tiên lượng, các công ty chăm sóc sức khỏe đang phải vật lộn để nhận ra lợi ích của AI và từ đó làm chủ việc sử dụng dữ liệu của chính họ.

Trong khi lập danh mục trạng thái của một hệ sinh thái dữ liệu của công ty chăm sóc sức khỏe có thể gặp nhiều thách thức, các vấn đề dữ liệu vượt ra ngoài việc xác định trạng thái của các tài sản dữ liệu hiện có. Do đó, lãnh đạo doanh nghiệp và công nghệ phải có khả năng xác định các trường hợp sử dụng đúng, có tác động cao cho khoa học dữ liệu và AI trong tổ chức.

Nhiều nhóm lãnh đạo có ý tưởng ban đầu về cách họ sử dụng AI, tuy nhiên họ không chắc chắn về cách thực hiện sáng kiến từ đầu đến cuối của sáng kiến từ ý tưởng đến hệ thống cấp sản xuất.

Trong bài viết này, chúng tôi chia nhỏ các giai đoạn quan trọng để đưa một dự án AI từ ý tưởng đến triển khai. Khi nói đến việc mở khóa cho dữ liệu chăm sóc sức khỏe và lựa chọn các sáng kiến AI có giá trị cao, theo ba giai đoạn khác nhau:

Nghiên cứu dữ liệu: Trạng thái phân tích dữ liệu thăm dò này bao gồm một cuộc đối thoại đa ngành giữa các bên liên quan kinh doanh, chuyên gia về chủ đề và chuyên gia khoa học dữ liệu / AI để đánh giá tài sản dữ liệu và xác định các ứng dụng có giá trị cao

Thử nghiệm và tạo mẫu mô hình AI: Thử nghiệm ban đầu và mô hình hóa máy học có thể áp dụng để tìm ra giải pháp tiềm năng tốt nhất

Triển khai AI: Tích hợp một sáng kiến hoặc sản phẩm AI với các hệ thống, nhóm và quy trình cốt lõi

Chúng tôi tập trung chủ yếu vào hai giai đoạn đầu tiên trong quy trình, chia nhỏ các bộ phận cấu thành của chúng trong một khuôn khổ mà các nhà lãnh đạo chăm sóc sức khỏe sẽ thấy hữu ích và có thể sử dụng ngay lập tức.

Nghiên cứu dữ liệu

Quá trình nghiên cứu và mục tiêu

Bước đầu tiên nằm ở các bên liên quan kinh doanh xác định những gì họ muốn đạt được và những tài sản dữ liệu nào họ có quyền truy cập.

Điều này liên quan đến cuộc họp với lãnh đạo doanh nghiệp, các chuyên gia về chủ đề và các nhà khoa học dữ liệu có kinh nghiệm để đánh giá tình hình hiện tại và xác định các khu vực cơ hội. Nhóm làm việc cùng nhau để hiểu các mục tiêu kinh doanh, hệ sinh thái và các tài sản dữ liệu hiện có.

Liên quan đến các tài sản dữ liệu, các nhóm nên hỏi: có những hiểu biết kinh doanh có ý nghĩa mà chúng ta có thể rút ra từ những dữ liệu này không? Có cách nào chúng ta có thể áp dụng những hiểu biết này để tác động trực tiếp đến doanh nghiệp của mình không?

Lãnh đạo công ty nhận thức được AI và có ý tưởng về kết quả mà họ muốn tạo ra. Các ví dụ bao gồm xác định tỷ lệ mắc bệnh nhiễm trùng bệnh viện, thành thạo quản lý EHR để giảm bớt việc nhập và giải thích dữ liệu, tối ưu hóa cuộc hẹn và nhân viên, v.v.

Các chuyên gia về vấn đề cũng có thể có những ý tưởng của riêng họ về việc triển khai học máy để tăng giá trị và các nhà khoa học dữ liệu sẽ có thể đánh giá khả năng kỹ thuật của các ý tưởng của họ.

Sự kết hợp giữa lãnh đạo doanh nghiệp, chuyên môn và khoa học dữ liệu là rất quan trọng trong giai đoạn nghiên cứu dữ liệu.

Ví dụ, một công ty chăm sóc sức khỏe có thể thuê một nhóm các nhà khoa học dữ liệu để thúc đẩy học máy, nhưng những nhà khoa học dữ liệu này sẽ không nhất thiết phải biết bất cứ điều gì về dữ liệu chăm sóc sức khỏe, chứ đừng nói đến mô hình kinh doanh cụ thể, hồ sơ bệnh nhân hoặc hệ sinh thái dữ liệu của công ty họ .

Các nhà khoa học dữ liệu cần bối cảnh kinh doanh và xử lý để biết dữ liệu có nghĩa là gì và dữ liệu trong lịch sử có giá trị như thế nào trong việc giải quyết các vấn đề kinh doanh.

Chẳng hạn, một nhà khoa học dữ liệu có quyền truy cập vào dữ liệu cuộc hẹn, có thể không nhận ra các yêu cầu nhân viên và nhân sự khác nhau để xử lý các phương pháp điều trị lọc máu so với hóa trị. Nhà khoa học dữ liệu đã giành chiến thắng và biết các nhà lãnh đạo hoạt động Quy tắc ngón tay cái về cách thức đặt lịch hẹn và quản lý ngày hôm nay và tại sao.

Tương tự, một nhà lãnh đạo doanh nghiệp có thể thấy giá trị trong việc sử dụng dữ liệu hình ảnh y tế để đào tạo hệ thống thị giác máy tính để chẩn đoán ung thư phổi tốt hơn, nhưng cùng một nhà lãnh đạo có thể không biết cần bao nhiêu dữ liệu để đạt được mục tiêu như vậy hoặc mức độ dài của ghi nhãn dữ liệu cần thiết để đào tạo một mô hình học máy.

Kết hợp các nhóm và quan điểm này lại với nhau sẽ tạo ra các ý tưởng vừa khả thi (về mặt kỹ thuật) vừa có giá trị (về mặt kinh tế hoặc cho người dùng cuối).

Nghiên cứu dữ liệu là một quá trình phân tích dữ liệu hợp tác thăm dò có thể mất vài ngày đến 2-4 tuần hội thảo nhóm. Các nhà khoa học dữ liệu sẽ ra khỏi giai đoạn này với sự hiểu biết tốt về các loại dữ liệu có sẵn và nơi tìm thấy chúng, cũng như liệu dữ liệu có cần được hài hòa hay không nếu cần thu thập thêm dữ liệu trước.

Ngoài ra, những hiểu biết sâu sắc từ các chuyên gia về vấn đề và các bên liên quan (bác sĩ X quang, y tá, quản lý dịch vụ khách hàng, v.v.) nên để lại cho họ ý thức mạnh mẽ về vấn đề mà doanh nghiệp muốn giải quyết. Với suy nghĩ này, các nhà khoa học dữ liệu có thể thực hiện kế hoạch của họ và bắt đầu tạo mẫu cho một mô hình.

Tầm quan trọng của chuyên môn kết hợp

Trong giai đoạn nghiên cứu dữ liệu, các chuyên gia về vấn đề nên giúp tạo ra ý tưởng và cung cấp bối cảnh cho các nhà khoa học dữ liệu. Nếu một dự án thí điểm hoặc nguyên mẫu được chọn trong miền chuyên gia về vấn đề (ví dụ: X quang, dịch vụ khách hàng, EHR, v.v.), thì chuyên gia về vấn đề đó và / hoặc nhóm của họ nên có sự liên lạc nhất quán với các nhà khoa học dữ liệu.

Các chuyên gia về vấn đề là rất cần thiết cho giai đoạn này của quá trình xây dựng AI vì họ điều khiển các nhà khoa học dữ liệu đi đúng hướng. Một nhà khoa học dữ liệu chính có thể nghĩ ra hàng tá loại dữ liệu họ có thể sử dụng để xây dựng mô hình học máy cho một trường hợp sử dụng cụ thể.

Sau đó, một chuyên gia về vấn đề có thể cung cấp trọng tâm bằng cách xác nhận hơn một nửa các loại dữ liệu đó là thưa thớt và hiếm, được tổ chức hoặc thu thập kém hoặc sử dụng chúng có thể vi phạm các quy định.

Một quan điểm quan trọng khác mà các chuyên gia về vấn đề mang đến là khả năng tìm thấy giá trị trong dữ liệu.

Cuối cùng, những gì chúng tôi cố gắng tìm kiếm trong dữ liệu là một số hiểu biết kinh doanh có ý nghĩa. Vì vậy, chúng tôi không nhìn vào dữ liệu từ góc độ kỹ thuật, đó là câu hỏi phụ. Câu hỏi đầu tiên là: Liệu chúng ta có thể rút ra bất kỳ hiểu biết có ý nghĩa nào sẽ quan trọng cho doanh nghiệp không?

Các chuyên gia về vấn đề có thể giúp trả lời những câu hỏi quan trọng này, xác định các lĩnh vực hiệu quả nhất để tập trung vào các nỗ lực AI của công ty.

Tuy nhiên, sự phụ thuộc đi cả hai chiều, và các chuyên gia về vấn đề cần các nhà khoa học dữ liệu đưa ra ý tưởng của họ về những gì khả thi về mặt kỹ thuật. Một bác sĩ X quang có thể muốn sử dụng một hệ thống thị giác máy tính để phát hiện ung thư phổi và áp dụng cùng một ứng dụng cho một loạt các nhiệm vụ chẩn đoán ung thư khác.

Sau đó, một nhà khoa học dữ liệu có thể xác định liệu dữ liệu cho các nhiệm vụ chẩn đoán khác này có đủ để huấn luyện một mô hình hay không nếu dữ liệu đó đủ tương tự để chuyển từ một nhiệm vụ chẩn đoán này sang một nhiệm vụ chẩn đoán khác. Do đó, một nhà khoa học dữ liệu hiểu được bối cảnh kinh doanh sẽ có thể xác định được khả năng sống sót của ý tưởng.

Thử nghiệm và tạo mẫu mô hình AI
Tại sao giai đoạn tạo mẫu là cần thiết

Khi một dự án được xác định và dữ liệu có thể được truy cập, một nhóm kỹ thuật sẽ cần phải làm việc trên một nguyên mẫu mô hình để xác định xem một mô hình học máy có thể mang lại kết quả mà lãnh đạo doanh nghiệp đang tìm kiếm hay không.

Ví dụ:

Một hệ thống để dự đoán mã E & M tối ưu. Các nhà khoa học dữ liệu và nhóm dự án có thể được giao nhiệm vụ áp dụng mô hình logistic để vượt qua EHR và dữ liệu thanh toán để dự đoán tốt hơn một mã đánh giá & quản lý tối ưu. Tận dụng NLP và một thuật toán phân loại vào hồ sơ y tế mang lại một mức độ tự động hóa mới cho một quy trình rất thủ công và tốn kém. Tìm ra sự kết hợp đúng đắn của các tính năng và mô hình dữ liệu sẽ liên quan đến việc lặp lại kỹ thuật và đối thoại mở giữa các nhà khoa học dữ liệu và các chuyên gia về chủ đề.
Phát hiện ung thư phổi bằng thị lực máy. Các nhà khoa học dữ liệu có thể làm việc với các bác sĩ X quang và bác sĩ ung thư để xác định các tiêu chí dẫn đến chẩn đoán X-quang và để đảm bảo rằng hàng ngàn tia X ung thư phổi trước đó được dán nhãn và tô sáng để đào tạo mô hình thị giác máy tính để phát hiện ung thư phổi trong hình ảnh X-quang mới.
Tận dụng AI để dự đoán sự lây lan của bệnh tật trong thời gian thực. Sử dụng hàng triệu dữ liệu đầu vào ẩn danh được thu thập từ một nhiệt kế được kết nối thông minh, một mô hình AI có thể được xây dựng để kiểm tra hiệu quả của việc xử lý các bệnh dựa trên mức độ nghiêm trọng, lây nhiễm và thời gian. Hơn nữa, đảm bảo các dữ liệu này được gắn nhãn với tọa độ vị trí địa lý, mô hình có thể kiểm tra khả năng dự đoán sự lây lan của bệnh, cuối cùng cho phép các quan chức hành động và giảm thiểu tác động của nó lên toàn bộ dân số.

Bất kỳ khả năng chăm sóc sức khỏe nào có hỗ trợ AI sẽ liên quan đến giai đoạn thu thập dữ liệu, đào tạo mô hình và kiểm tra lặp lại.

Giống như quá trình phân tích dữ liệu thăm dò, giai đoạn này bao gồm cuộc đối thoại đang diễn ra giữa các nhà khoa học dữ liệu và chuyên gia về chủ đề để giúp đào tạo mô hình và đảm bảo kết quả đầu ra của nó (tối ưu hóa mã hóa E & M, phát hiện ung thư phổi hoặc dự đoán bệnh tật qua dân số) là chính xác và hữu ích .

Mặc dù bộ phận lãnh đạo có thể liên quan đến việc động não và xác định dự án ban đầu, nhưng họ ít có khả năng tham gia vào giai đoạn tạo mẫu, trong đó giao tiếp giữa các nhà khoa học dữ liệu và chuyên gia về vấn đề trở nên quan trọng nhất.

Bên ngoài cuộc đối thoại đang diễn ra với các chuyên gia về vấn đề, các nhà khoa học dữ liệu sẽ dành thời gian cho các nhiệm vụ kỹ thuật. Họ sẽ làm sạch và hài hòa dữ liệu (nếu cần) và làm việc trên các thuật toán đào tạo để mang lại kết quả mong muốn. Họ sẽ xác định những tính năng nào trong dữ liệu sẽ sử dụng và thuật toán hoặc phương pháp thống kê nào mà họ sẽ áp dụng.

Mục tiêu của giai đoạn thử nghiệm và tạo mẫu

Giai đoạn Tạo mẫu và Thử nghiệm Mô hình tồn tại để khám phá và chứng minh giá trị của ứng dụng AI trước khi đưa nó vào sản xuất. Do đó, các nhà quản lý dự án và các nhà lãnh đạo cấp cao thường đặt mục tiêu đạt được các tiêu chuẩn và mục tiêu cụ thể với các nguyên mẫu của họ.

Tính khả thi của mô hình với dữ liệu hạn chế

Một trong những mục tiêu của giai đoạn tạo mẫu này là kiểm tra giả thuyết học máy trên một tập dữ liệu hạn chế. Ví dụ, một mô hình thị giác máy tính được xây dựng để phát hiện sự hiện diện của ung thư từ hình ảnh quét CAT của bệnh nhân trước tiên sẽ cần phải được kiểm tra trên một phần khá lớn của bộ dữ liệu tổng thể (ví dụ: toàn bộ kho lưu trữ quét CAT của mạng lưới y tế).

Nếu thuật toán phát hiện chính xác ung thư trong các lần quét CAT này trong một tỷ lệ phần trăm thời gian có thể được xác định bởi các bên liên quan, nguyên mẫu có thể được coi là thành công. Xác định các tiêu chí cụ thể để trả trước thành công là rất quan trọng.

Giao diện người dùng cơ bản

Một mục tiêu khác trong giai đoạn này của quá trình xây dựng AI liên quan đến việc xác định cách các nhà khoa học dữ liệu xây dựng giao diện người dùng sản phẩm máy học. Các chuyên gia về vấn đề sẽ cần biết ai sẽ sử dụng sản phẩm. Nhiêu bác sĩ? Bác sĩ phẫu thuật? Người bệnh?

Câu trả lời sẽ ảnh hưởng lớn đến cách sản phẩm được xây dựng để cho phép hiệu quả cao nhất và, trong một số trường hợp, ít rủi ro nhất. Một mô hình hiệu quả của chính nó không thể tự mang lại hiệu quả. Với giao diện có thể sử dụng, các bên liên quan có thể bắt đầu xem sáng kiến AI của họ có thể đi từ thử nghiệm đến sản xuất và phục vụ nhu cầu của người dùng thực như thế nào.

Tính khả thi về kinh tế của dự án hoặc ứng dụng

Nếu lãnh đạo doanh nghiệp hài lòng với đầu ra của các mô hình, thì họ sẽ đánh giá các nguồn lực cần thiết để đưa mô hình vào sản xuất. Câu hỏi quyết định có thể bao gồm:

Chi phí gì để đào tạo nhân viên sử dụng giải pháp dựa trên AI mới này trong quy trình làm việc của chúng tôi?
Các chi phí liên tục để có được, làm sạch và ghi nhãn dữ liệu để giữ cho hệ thống này hoạt động là gì?
Những hệ thống CNTT nào khác sẽ cần phải được thay đổi, thay thế hoặc tích hợp với hệ thống dựa trên AI mới này?
Loại kết quả nào chúng ta sẽ cần phải xem từ hệ thống AI này trước khi phê duyệt các tài nguyên cần thiết để chạy nó?

Triển khai AI

Khi mô hình được kiểm tra, giao diện người dùng hiệu quả được xây dựng và dữ liệu được truy cập, hệ thống có thể sẵn sàng để triển khai. Việc triển khai diễn ra khi một mô hình đã được xác thực, ngân sách đã được phê duyệt và nhóm lãnh đạo tin rằng tài sản dữ liệu là đủ để cung cấp kết quả kinh doanh.

Nếu một mô hình thể hiện sự hứa hẹn và lãnh đạo doanh nghiệp tin rằng giá trị của nó sẽ xứng đáng với khoản đầu tư thực hiện, thì một nhóm kỹ thuật sẽ được giao nhiệm vụ đưa ra một sáng kiến ​​AI có thể mở rộng vào sản xuất.

Các công ty chăm sóc sức khỏe muốn áp dụng học máy cần phải hiểu rằng AI là một khoản đầu tư cho tương lai của công ty họ. Những bài học kinh nghiệm khi áp dụng các dự án AI ban đầu thường sẽ thúc đẩy khả năng của công ty để triển khai các ứng dụng và công cụ AI trong tương lai.

Các cuộc họp đa ngành, thay đổi cơ sở hạ tầng dữ liệu và đào tạo các mô hình độc đáo đều sẽ là các kỹ năng có thể chuyển nhượng cho các dự án AI khác, chuẩn bị cho một công ty có khả năng phát triển các sáng kiến ​​AI khác. Ngoài những cải tiến tiềm năng về hiệu quả hoặc kết quả của bệnh nhân, đây là những lợi ích bổ sung từ việc triển khai quy trình AI đầu tiên.