Loading...

Suscribir Suscribir Suscribir

Pasos hacia el éxito de AI y ML Endeavors for Healthcare

10 de noviembre de 2021 - Parul Saini, equipo de Webmedy


Los avances en las herramientas y soluciones impulsadas por la inteligencia artificial han transformado el espacio de atención médica y han optimizado la forma en que se brinda la atención al paciente para obtener mejores resultados y reducir los costos.

La inteligencia artificial (IA) y el aprendizaje automático (ML) están aquí y están transformando la industria de la salud. La IA tiene numerosas ventajas sobre el método tradicional de análisis y técnicas de toma de decisiones. La llegada de AI/ML y sus habilidades asociadas han creado numerosas oportunidades para la intervención inteligente.

Aunque varios casos de uso y resultados de proyectos de AI/ML son prometedores y emocionantes, la ejecución de estos proyectos sigue siendo un desafío. El éxito de AI/ML depende y está influenciado por muchos factores internos y externos. Los factores internos, como la competencia técnica, el cambio cultural/de mentalidad y el deseo de adoptar los resultados de los proyectos de IA/ML, y los factores externos, como los cambios repentinos en el comportamiento de los consumidores y el deseo de adoptar los resultados de los proyectos de IA/ML, afectan el éxito de cualquier IA/ML. proyecto.

La adaptación a estos cambios comienza con mantener un proyecto de AI/ML lo más simple posible. Se puede desarrollar y mejorar agregando nuevos casos de uso y datos empíricos. Cada proyecto debe comenzar con la definición de los resultados esperados como objetivos SMART. S: específico, M: medible, A: alcanzable, R: relevante, T: limitado en el tiempo. Se deben hacer los esfuerzos adecuados para revisar los resultados con regularidad y actualizarlos en función del progreso y la retroalimentación del proyecto.

Aquí hemos enumerado algunos pasos importantes que pueden ayudarlo a lograr el éxito en su próximo proyecto de IA/ML.

Pasos para el éxito de AI/ML

  • Paso 1 - Comprender los datos de una mejor manera

    En este paso, los puntos clave a buscar son los tipos y formatos de datos. Para las predicciones de costos, el conjunto de datos de reclamos transaccionales puede ser adecuado, pero para el análisis de opiniones de los miembros, los datos iniciales pueden estar presentes en una forma lingüística sin procesar. Además, algunos conjuntos de datos, como las reclamaciones, tienen limitaciones de análisis, ya que el propósito inicial de la generación de conjuntos de datos es solo para el reembolso. Sin embargo, una combinación de datos de reclamos de derechos con otros datos clínicos y sociales podrá proporcionar excelentes predicciones de costos. Por lo tanto, vale la pena dedicar tiempo y esfuerzo a analizar mejor cada perspectiva de los datos disponibles, antes de utilizarlos.

  • Paso 2: identifique el modelo correcto

    Sería evidente ahora categorizar los casos de uso para saber si está buscando una predicción en valores, probabilidades o clasificación. La predicción en valores puede ser una solicitud del monto del reclamo, la tasa de adjudicación automática, etc. Las probabilidades suelen ser más adecuadas cuando hay múltiples resultados esperados, como en el caso de una predicción del reembolso máximo por un reclamo rechazado, antes de presentar una apelación. . Las predicciones se alinearían con los modelos a utilizar, regresión vs clasificación. Se requerirían experimentos con múltiples algoritmos de aprendizaje automático después de decidir la categoría y las predicciones correctas.

  • Paso 3: identifique las medidas de rendimiento correctas

    Las medidas de rendimiento son indicadores cuantificables para evaluar la eficacia y eficiencia de un proceso o negocio. Deben establecerse claramente y por separado en comparación con las medidas de rendimiento de un caso de uso relacionado.

  • Paso 4: identifique las medidas de rendimiento correctas

    Las medidas de rendimiento son indicadores cuantificables para medir la eficacia y la eficiencia de un proceso o negocio. Estos deben definirse claramente y por separado en comparación con las medidas de rendimiento de un caso de uso relacionado. Estas son métricas para modelos predictivos para definir qué tan preciso es predecir el resultado correcto en relación con el hecho. Por otro lado, para los casos de uso, las medidas pueden depender directa o indirectamente del rendimiento del modelo. Por ejemplo, por cada 2 % de aumento en la precisión de la predicción en el conjunto de datos de reclamos, hay un 4 % de aumento en el ahorro de costos. A menudo se recomienda describir por separado ambas medidas, el rendimiento del modelo y el rendimiento del caso de uso.

  • Paso 5: preparar a las partes interesadas

    A medida que avanza hacia la consecución de la mejor solución de IA/ML, su éxito depende en última instancia de la aceptación por parte de las partes interesadas. Se recomienda tener al menos una representación de cada grupo de partes interesadas en un proyecto AI/ML desde el inicio. Esto eliminará las posibilidades de descubrimientos de última etapa relacionados con el caso de uso o el medio por el cual se entregarán los resultados. Una vez que se aceptan adecuadamente un caso de uso y una solución correspondiente, el siguiente desafío sería conocer el medio a través del cual se comunicarán los resultados de AI/ML a las partes interesadas. El medio de comunicación correcto siempre sería crucial para que la mayor parte de las partes interesadas pueda recibir y utilizar cómodamente los resultados.

  • Paso 6 - Mejora Continua

    Una vez que las organizaciones logran los resultados deseados en sus iniciativas, se requieren esfuerzos continuos para lograr metas futuras. A medida que más y más partes interesadas adopten y sean testigos de resultados positivos, el establecimiento de un mecanismo de retroalimentación mejorará los valores comerciales proporcionados por las soluciones AI/ML. La tasa de mejora y la participación de las partes interesadas en la mejora continua son factores clave para el éxito.

Resumen

AI/ML tiene el potencial de transformar la industria de la salud. Con los datos adecuados y la tecnología asistida, los pacientes y los médicos pueden actuar juntos para crear mejores oportunidades de tratamiento y mejorar la vida de los pacientes. El comienzo de Machine Learning y su mar infinito de oportunidades informáticas han inspirado a las empresas de ciencias de la vida a adoptar la cuarta revolución industrial.

Aprovechar AI/ML en el cuidado de la salud puede ser bastante desafiante y requiere mucho esfuerzo. Pero las ventajas de implementarlo son enormes y no se las puede perder en el siglo XXI.

Mantente informado.


Obtenga acceso a la cobertura de la industria galardonada, que incluye las últimas noticias, estudios de casos y asesoramiento de expertos.

¡El éxito en la tecnología se trata de mantenerse informado!

síguenos en las plataformas sociales


Artículos Relacionados


Categorías


17 Publicaciones

Última actualización 30 de agosto de 2022

48 Publicaciones

Última actualización 28 de agosto de 2022

33 Publicaciones

Última actualización 20 de marzo de 2022

61 Publicaciones

Última actualización 26 de agosto de 2022

6 Publicaciones

Última actualización 29 de agosto de 2022

3 Publicaciones

Última actualización 16 de agosto de 2022

Publicaciones de tendencia


Mantente informado.


Obtenga acceso a la cobertura de la industria galardonada, que incluye las últimas noticias, estudios de casos y asesoramiento de expertos.

¡El éxito en la tecnología se trata de mantenerse informado!

Suscribir Suscribir Suscribir

síguenos en las plataformas sociales


síguenos en las plataformas sociales


© 2022 Ardinia Systems Pvt Ltd. Todos los derechos reservados.
Divulgación: esta página contiene enlaces de afiliados, lo que significa que recibimos una comisión si decide realizar una compra a través de los enlaces, sin costo alguno para usted.
Política de privacidad
Webmedy es un producto de Ardinia Systems.