Gesundheit Katalysator Punkte HIMSS20 Teilnehmer gegen drei AI-trends

Der Aufstieg der künstlichen Intelligenz in den mainstream der healthcare information technology ist einer der größten trends auf HIMSS20, laut analytics vendor Gesundheit Katalysators, die im Stand 2428.

Healthcare-IT-News fragte Jason Jones, chief data scientist officer bei Health Catalyst und einen Lautsprecher an HIMSS20, über ein paar übergreifende trends rund um AI, die wichtig sind, um HIMSS20 Teilnehmer. Er sagt, dass ein fehlen von Ergebnissen aus der healthcare-KI-Implementierungen, Algorithmische die Neigung und die Schwierigkeit der Gewinnung und Bindung von data-science-Experten sind einige der wichtigsten Bereiche zu beobachten.

Ein Mangel an Gesundheitsversorgung AI Ergebnisse

Jones sagte, die Industrie ist nicht zu sehen, healthcare AI Ergebnisse in der Zeitraum und das Ausmaß erhofft. Auf ein zugehöriger Hinweis, es ist die Frage, wie healthcare-provider-Organisationen befassen sich mit der Niederschlagung von AI-powered Gesundheits-IT-Anbietern in den Raum.

„Es ist sehr einfach für Einzelpersonen oder Organisationen zu erhalten aufgeregt über Ihre erste AI-Projekt,“ Jones sagte. „Es ist neu, aufregend und ein bisschen Magie. Aus träumen zu tun, gute oder Leistungsdruck, die Menschen würden gerne glauben, dass es eine Lösung gibt. Was ist das problem? Gebäude prädiktive Modelle ist sehr einfach und schnell.“

Jones sagte, die Probleme hier sind in vier Bereiche.

„Erste ironischerweise das größte Hindernis in Richtung der Lösung eines Problems über die Nutzung AI kann sein, dass das problem gelöst werden, ist schlecht definiert oder unterschiedlich von verschiedenen Menschen“, erklärte er. „Beginnen Sie mit einem großen problem Erklärung und ein gemeinsames Verständnis von dem, was ‚geil‘ aussieht, über Interessengruppen. Zweite, technisch ist der schwierige Teil besteht darin, hochwertige Qualität der Daten, die zum trainieren des Modells – allgemein 50-100x mehr Zeit und Aufwand als der Aufbau eines prädiktiven Modells.“

„Fokus auf das wesentliche, Fragen Sie schwierige Fragen, erkennen, dass AI in der Regel passt in einen workflow, erfordert mehrere änderungen, und planen, zu überwachen und zu verbessern im Laufe der Zeit.“

Jason Jones, Health Catalyst

Beurteilen Sie, ob die Organisation die hohe Qualität der Daten muss vor Beginn einer AI-Projekt, riet er; wenn nicht, den Erwerb oder die Verbesserung der verfügbaren Daten ein oder wählen Sie ein anderes Projekt, er warnte.

„Drittens, die meisten Verbesserungen im Gesundheitswesen erfordern eine Verhaltensänderung auf Seiten der ärzte, Krankenschwestern, Administratoren, Mitglieder, Patienten, etc.“ sagte er. „Wir brauchen keine KI, uns zu sagen, zu Essen und Bewegung gut, es ist nur so, dass es kann schwer sein zu tun. Wenn das menschliche Verhalten ändern, für den Erfolg nötig ist, müssen wir Werkzeuge und Ressourcen für das change management.“

Und viertens, einige AI-Bemühungen sind für die Optimierung oder formale evaluation, Jones erklärt.

„Wenn Sie Angst, Sie sind nicht hinter in der AI-Rennen, beim letzten mal fühlte sich zurückgelassen von einer Dauerwerbesendung“, bot er. „Die Ansprüche der Erfolg für die KI vielleicht nicht viel besser, gegründet. Fokus auf das wesentliche, Fragen Sie schwierige Fragen, erkennen, dass AI in der Regel passt in einen workflow, erfordert mehrere änderungen, und planen, zu überwachen und zu verbessern im Laufe der Zeit.“

Algorithmische bias

Dann gibt es die künstliche-Intelligenz-problem bekannt als Algorithmische bias. Wie kann healthcare-provider-Organisationen bereitstellen AI in einer solchen Weise, dass Sie nicht verschärfen Gesundheit Disparitäten?

„Es wurde ein Anstieg in Sorge, dass die“ move fast and break things “ – Ansatz möglicherweise mehr Schaden als gut in allem und in der Gesamtheit,“ Jones angegeben. „Die Menschen sind intolerant von brechen die Dinge im Gesundheitswesen in einer Weise, die Sie fühlen könnten, wurden bereits erwartet. Wir sind mit Fug und Recht und vor allem wütend, wenn die Art der Fehler um Ungleichheit auf der Basis persönlicher Merkmale wie Geschlecht, Ethnizität, der geografischen Lage und sozioökonomischen status.“

Aber das Gesundheitswesen will, algorithmen zur Diskriminierung zwischen Menschen auf mehr oder weniger Risiko für die Rückübernahme oder bereit oder nicht bereit, aufhören zu Rauchen, zum Beispiel.

„Erinnerung an dies hilft uns, anders zu denken über AI,“ Jones sagte. „Für algorithmen, um erfolgreich zu sein, sollten wir behalten uns das Recht und die Verantwortlichkeit zu definieren, was wir wollen, dass der Algorithmus zu tun und nicht tun, und Messen Sie gegen diese Wünsche. Mit dem im Verstand, ist es möglich, um über die Angst der algorithmischen bias-algorithmen helfen, versichern Eigenkapital.“

Auf whiteboards, healthcare-Organisation-Personal konvertieren kann das Eigenkapital durch eine ausgleichende Maßnahme (mögliche Schäden) zu einem Ergebnis (der gewünschten Wirkung) und dann entwerfen und Messen Sie für, dass, erklärte er.

Data science talent

Und Jones‘ Dritte healthcare-AI-trend umliegenden HIMSS20 ist, wie healthcare-provider-Organisationen gewinnen und zu binden, data science talent.

„Es kann fühlen, als ob es sehr schwierig und teuer zu locken, die ein data scientist“, sagte er. „In der Gesundheitsversorgung, es kann sich unmöglich um im Wettbewerb mit den tech-Sektor. Wenn Sie auf diese Weise fühlen, halten Sie inne und betrachten Sie Ihre Bedürfnisse und Vermögen. Erste, in der Gesundheitsversorgung, die meisten der technischen Zeit und Aufwand bei der Sammlung und Aufbereitung von Daten – Daten-engineering. Können Sie nicht brauchen so viele Daten, die Wissenschaftler wie Sie denken, oder Sie können in der Lage sein, um ‚Miete‘ ein, wenn Sie das Bedürfnis haben.“

Zweitens, denken Sie, was die Organisation muss ein data scientist zu tun – zum Beispiel, Fragen stellen und beantworten, besser mit Daten, und in einer Art und Weise Personal kann verstehen, fügte er hinzu.

„Testen und bewerten für Menschen, die das tun können,“ er riet. „In der Regel diese Mittel nicht mit der „Kaggle‘ (data-Wettbewerb) Ansätze. Dies sind die Aspekte der Daten-Wissenschaft, die sowohl die technische und die meisten leicht automatisiert werden.“

Und drittens, wenn eine Gesundheits-Organisation hat einen edlen Zweck, diese hinzuweisen und zu erklären, wie die Daten, die Wissenschaftler dazu beiträgt, Jones hingewiesen.

„Geben Sie ihm oder Ihr Möglichkeiten, um zu sehen, dass Beitrag aus Erster Hand – von call-Centern, zu Vorstandsetagen, zu schwesternzimmer“, Schloss er. „Diese Maßnahmen nicht nur hilft Ihnen, Talente gewinnen und halten, sondern auch hilft, Sie erhalten eine bessere Ausgabe durch die Daten-Wissenschaftler ein besseres Verständnis der realen Probleme und welche Lösungen Aussehen könnten.“

Jones wird bei HIMSS20 auf einem panel mit dem Titel „Analytics-Algorithmen: Wie Maximieren Auswirkungen“ am Montag, den 9. März. Auch er präsentiert sich neben Dr. Terri Steinberg während einer Präsentation mit dem Titel „maschinelles Lernen und Data-Auswahl für die Gesundheit der Bevölkerung“ am Donnerstag, 12. März.

Twitter: @SiwickiHealthIT
E-Mail der Autorin: [email protected]
Healthcare-IT-News ist die HIMSS Media-Publikation.