Um einen realen Wert haben, im Gesundheitswesen, maschinelles lernen muss umsetzbar sein. Allzu oft sind IT-Entscheidungsträger nicht nehmen, einen Schritt zurück und Fragen, ob ML sorgt für ein gutes business-Modell, sagte Vikas Chowdhry, chief analytics und information officer bei Parkland Zentrum für Klinische Innovation.
Manchmal große Ideen sind besser Links vom Tisch.
„Oft vergessen die Leute das“, sagte Chowdhry, sprechen in der vergangenen Woche während der HIMSS Machine Learning und AI für Healthcare conference in Boston. „Wir glauben, dass jedes problem gelöst werden kann mit der Maschine lernen. Das ist nicht der Fall.“
Für jene Bereiche, in denen die KI ist angemessen, es gibt jedoch Schritte in Richtung Entwicklung einer effektiven Ansatz, sagte er.
Es mag offensichtlich klingen, aber die Definition des Problems ist ein muss-haben.
Wenn das problem ist eine hohe Auslastung der Notaufnahme, zum Beispiel, vielleicht die Patienten Termin-und verschreibungspflichtige nachfüllen Erinnerungen könnte ein Teil der Lösung. Dann wird die Idee zur Innovation heftig und einen Prototyp erstellen, Chowdhry Sprach: Sammeln von Daten, erstellen von Kohorten, zu testen, zu verfeinern das Modell und erstellen Sie ein Diagramm der prädiktiven Leistung definiert hohes Risiko.
Parkland, zum Beispiel einen asthma-Modell für Medicaid-Patienten unter dem Alter von 18 und verwendet eine Kontrollgruppe zum Vergleich.
Während der Vergleichsperiode, Parkland erfasst insgesamt 5% drop-in ER Besuche. Aber für die intervention Gruppe, ist es klar, 31% fallen in die Notfallaufnahme. Dies entspricht etwa $18 Millionen in Kosteneinsparungen über drei Jahre, sagte Chowdhry.
Durch das Modell, Parklandschaft ein Programm auf, haben zwei Praktikantinnen auf die Luftqualität Monitore in Wohnungen und Klassenzimmern. Im Laufe der Zeit, es ist die Methodik auf andere Programme.
„Mehrwert in der Gesundheitsversorgung ist 90% der Pflege redesign und die andere Hälfte ist Technik“, sagte Chowdhry.
Verstehen Sie das ROI-problem lösen, bereit sein, zu ändern
Len D’Avolio, CEO von Cyft und assistant professor, Harvard Medical School und Brigham and Women ‚ s Hospital, erläutert einige lehren, die Sie aus seiner Perspektive – beginnend mit entmystifizieren den Prozess.
Bei der Suche nach potenziellen Anwendungen, bei denen KI und ML könnte helfen, D’Avolio vorgeschlagen Organisationen im Gesundheitswesen „fallen in der Liebe mit dem problem, nicht die Lösung.“
Und sobald ein problem erkannt wurde, ändern Sie als Nächstes kommt – und es gibt keine Verbesserung ohne Sie, sagte er. Während der Veränderung ist schwer, aber es kann auch inkrementell.
Es ist auch wichtig für Organisationen des Gesundheitswesens zu verstehen, die potenziellen ROI, die gewonnen werden können aus der Lösung jener Probleme, sagte er. Und sollten Sie planen, von Anfang an für wie maschinelles lernen integriert in den klinischen und operativen Abläufe.
Twitter: @SusanJMorse
E-Mail der Autorin: [email protected]