Loading...

Подписывайся Подписывайся Подписывайся

Шаги к успеху в области искусственного интеллекта и машинного обучения для здравоохранения

10 ноября 2021 г. - Парул Шайни, команда Webmedy


Достижения в области инструментов и решений на основе искусственного интеллекта изменили пространство здравоохранения и оптимизировали способы оказания помощи пациентам для улучшения результатов при одновременном снижении затрат.

Искусственный интеллект (ИИ) и машинное обучение (МО) уже здесь и меняют отрасль здравоохранения. ИИ имеет множество преимуществ по сравнению с традиционным методом аналитики и методами принятия решений. Появление AI/ML и связанных с ним возможностей создало множество возможностей для интеллектуального вмешательства.

Хотя несколько вариантов использования и результатов проектов AI/ML являются многообещающими и захватывающими, выполнение этих проектов по-прежнему остается сложной задачей. Успех AI/ML зависит от многих внутренних и внешних факторов и находится под их влиянием. Внутренние факторы, такие как техническая компетентность, изменение мышления/культуры и желание принять результаты проекта ИИ/МО, и внешние факторы, такие как внезапные изменения в поведении потребителей и желание принять результаты проекта ИИ/МО, влияют на успех любого ИИ/МО. проект.

Адаптация к этим изменениям начинается с того, что проект AI/ML должен быть максимально простым. Его можно развивать и улучшать, добавляя новые варианты использования и эмпирические данные. Каждый проект должен начинаться с определения ожидаемых результатов в качестве целей SMART. S: конкретное, M: измеримое, A: достижимое, R: релевантное, T: ограниченное во времени. Необходимо приложить надлежащие усилия для регулярного обзора результатов и их обновления на основе хода выполнения проекта и обратной связи.

Здесь мы перечислили некоторые важные шаги, которые могут помочь добиться успеха в вашем следующем проекте AI/ML.

Шаги к успеху для AI/ML

  • Шаг 1. Лучшее понимание данных

    На этом этапе ключевыми моментами для поиска являются типы данных и форматы. Для прогнозирования затрат может быть достаточно набора данных о транзакционных претензиях, но для анализа настроений участников исходные данные могут быть представлены в необработанной лингвистической форме. Кроме того, некоторые наборы данных, такие как претензии, имеют ограничения анализа, поскольку первоначальной целью создания набора данных является только возмещение. Тем не менее, сочетание правильных данных о претензиях с другими клиническими и социальными данными может обеспечить отличные прогнозы затрат. Поэтому стоит потратить время и усилия, чтобы лучше проанализировать каждую перспективу доступных данных, прежде чем использовать их.

  • Шаг 2 - Определите правильную модель

    К настоящему времени было бы очевидно классифицировать варианты использования, чтобы знать, ищете ли вы прогноз в значениях, вероятностях или классификации. Прогноз в значениях может быть запросом суммы претензии, скорости автоматического рассмотрения и т. д. Вероятности обычно лучше всего подходят, когда есть несколько ожидаемых результатов, например, в случае прогноза максимального возмещения по отклоненной претензии перед подачей апелляции. . Прогнозы будут согласовываться с используемыми моделями, регрессией и классификацией. После выбора правильной категории и прогнозов потребуются эксперименты с несколькими алгоритмами машинного обучения.

  • Шаг 3. Определите правильные показатели эффективности

    Показатели производительности — это количественные показатели для оценки результативности и эффективности процесса или бизнеса. Они должны быть указаны четко и отдельно по сравнению с показателями производительности соответствующего варианта использования.

  • Шаг 4. Определите правильные показатели эффективности

    Показатели производительности — это количественные показатели для измерения эффективности и результативности процесса или бизнеса. Они должны быть определены четко и отдельно по сравнению с показателями производительности связанного варианта использования. Это метрики для прогностических моделей, определяющие, насколько точно прогнозировать правильный результат относительно факта. С другой стороны, для вариантов использования показатели могут прямо или косвенно зависеть от производительности модели. Например, на каждые 2 % повышения точности прогнозирования в наборе данных претензий приходится 4 % увеличения экономии средств. Часто рекомендуется отдельно описывать обе меры, производительность модели и производительность варианта использования.

  • Шаг 5 – Подготовьте заинтересованные стороны

    По мере того, как вы продвигаетесь к созданию наилучшего решения AI/ML, его успех в конечном итоге зависит от принятия заинтересованными сторонами. Рекомендуется иметь хотя бы по одному представителю от каждой группы заинтересованных сторон в проекте AI/ML с самого начала. Это устранит вероятность обнаружения последней стадии, связанной с вариантом использования или средой, с помощью которой будут получены результаты. Как только вариант использования и соответствующее решение будут надлежащим образом приняты, следующей проблемой будет определение среды, через которую результаты AI/ML будут переданы заинтересованным сторонам. Правильное средство коммуникации всегда будет иметь решающее значение, чтобы максимальное количество заинтересованных сторон могло комфортно получать и использовать результаты.

  • Шаг 6 - Постоянное совершенствование

    Как только организации достигают желаемых результатов в своих инициативах, требуются непрерывные усилия для достижения будущих целей. По мере того, как все больше и больше заинтересованных сторон принимают и наблюдают положительные результаты, создание механизма обратной связи повысит ценность бизнеса, обеспечиваемую решениями AI/ML. Скорость улучшения и участие заинтересованных сторон в постоянном совершенствовании являются ключевыми движущими факторами успеха.

Резюме

AI/ML может изменить отрасль здравоохранения. Имея надлежащие данные и вспомогательные технологии, пациенты и врачи могут действовать вместе, чтобы создать лучшие возможности для лечения и улучшить жизнь пациентов. Начало машинного обучения и связанное с ним бесконечное море вычислительных возможностей вдохновили компании медико-биологических наук принять четвертую промышленную революцию.

Использование AI/ML в здравоохранении может быть довольно сложным и трудоемким. Но преимущества его реализации огромны, и их нельзя упускать в 21 веке.

В курсе.


Получите доступ к отмеченным наградами отраслевым материалам, включая последние новости, тематические исследования и советы экспертов.

Успех в технологиях заключается в том, чтобы оставаться в курсе!

следите за нами на социальных платформах


Похожие сообщения


Категории


13 Сообщения

Последнее обновление 23 августа 2022 г.

47 Сообщения

Последнее обновление 30 марта 2022 г.

33 Сообщения

Последнее обновление 20 марта 2022 г.

60 Сообщения

Последнее обновление 7 июля 2022 г.

5 Сообщения

Последнее обновление 10 августа 2022 г.

3 Сообщения

Последнее обновление 16 августа 2022 г.

Популярные сообщения


В курсе.


Получите доступ к отмеченным наградами отраслевым материалам, включая последние новости, тематические исследования и советы экспертов.

Успех в технологиях заключается в том, чтобы оставаться в курсе!

Подписывайся Подписывайся Подписывайся

следите за нами на социальных платформах


следите за нами на социальных платформах


© 2022 Ardinia Systems Pvt Ltd. Все права защищены.
Раскрытие информации: эта страница содержит партнерские ссылки, что означает, что мы получаем комиссию, если вы решите совершить покупку по ссылкам бесплатно для вас.
Политика конфиденциальности
Webmedy — продукт компании Ardinia Systems.