Skip to main content

AI • 物联网 • 网络边缘

人工智能弥补了医疗数据的缺口

实时分析,人工智能,人工智能,深度学习

编辑注释:医院不断承受着提高医务人员能力的压力,同时还要保证他们的安全和健康。今天的全球医疗环境更加凸显这一挑战,特别是在 ICU 方面。新技术正在帮助医务人员提供更好的护理,同时也照顾好自己。

Medical Informatics Corp. (MIC) 正在利用解决方案建立领先地位,相关解决方案可实现临床距离,同时提供最佳的护理。例如,其重症监护平台医院可以创建虚拟 ICU,并在一个屏幕上跨供应商、单位和设施对多达 100 位患者进行集中监测。

临床人员可以更快地访问数据,以更好地管控通气患者并避免插管。他们还可以在一个集成视图中查看来自不同供应商的心脏监测和通气数据。这些是在各种情况下 MIC Sickbay Precision Medicine Platform for Critical Care 如何帮助医务人员提供更好护理的几个示例。请阅读全文。

 


 

如果一个可以统一数据、改进监测并消除数据输入问题的架构就能解决患者诊断难题,结果会怎样?

从财务上讲,医院更容易得到补偿。而在患者层面,它提供了一种全新的精确医疗方法:一种利用数据来调整治疗和决策以改善治疗效果的做法。

为什么这很重要?Medical Informatics Corp. 首席商业化官 Heather Hitchcock 解释说:“ICU 患者平均要连接 8 台监测设备,每小时产生多达 873,000 个样本。例如,心脏监护仪和呼吸机可以产生数百种不同的信号。”

然而,这些设备的设计初衷并不是要将所有这些信息传送到电子健康记录 (EHR) 或其他护理设置,供临床使用。相反,它们只传输周期快照。因此,医疗专业人员平均接收不到床边患者总数据的 0.1% 来做出临床决策。医生和护士被迫依靠手工输入,既占用了与患者交流的时间,又增加了出错的风险。

数据存储也是问题。这些设备旨在提供实时监测。可以存储数据的设备也有时间限制,通常为 24-72 小时。当设备断开或关机时,数据往往会丢失。这意味着收集、汇总和分析患者信息的机会也将丧失。

通过实时分析解决数据难题

医疗专业人员需要一种解决方案,使他们能够发现患者对治疗的反应模式,从而做出更明智的决定。

Sickbay Precision Medicine Platform for Critical Care 可以满足这一需求。该解决方案由 Medical Informatics Corp. (MIC) 开发,实现了自动化从床边和其他设备实时收集、汇总和同步数据(图 1)。

Sickbay Precision Medicine Platform for Critical Care 深度学习
图 1. Sickbay Precision Medicine Platform for Critical Care 提供患者生命体征的整体视图。

如果缺乏数据和共享数据的能力,则精确医疗几乎是不可能的。对于占地很大的医院和诊所来说,日常护理成了一个难题。例如,医院可能只有一名心脏病专家,他要为全院服务。在这种情况下,医生可能需要花费数小时才能查看到病人的数据。然而,患者的病情需要医生瞬间做出决定。

通过 Sickbay 平台,整个护理团队无论分布在什么位置,都能访问相同的数据,同时也没有违反法规。该平台使用基于 Web 的应用程序和软件,这些应用程序和软件支持不受供应商限制的远程监测、虚拟 ICU 和高保真波形存取,以改善文档和手动流程。

然后,可以利用汇总数据来缩短响应时间,并帮助识别单名患者的风险因素。具体方式是利用人工智能 (AI) 和机器学习 (ML) 来分析单名患者的高保真时间序列数据以及 EHR 信息、实验室和药物等。

因此,可以确定与疾病、治疗、行为和结果相关的模式。例如,该解决方案可以自动执行风险评分计算,使用直方图提供患者轨迹监测,或大规模部署实时预测监护仪。1

“在这里,人工智能不会做决定。相反,它会从所有这些设备中获取所有这些变量,并自动计算和处理相关数据,” Hitchcock 说道:“其处理速度超过人类极限,得出的结果有助于提供信息、加快干预并改善护理。”

虽然电子病历 (EMR) 旨在解决大量数据问题,但它们更多地用于报销而不是治疗。这些记录提供支持人工智能的有价值信息,但只包含了所需数据的一小部分。

“在美国,90% 的医院只能将波形数据打印在一张条子上,再贴到一张纸上,然后扫描,如此方可将波形数据放入 EMR” Hitchcock 如是说,“既浪费时间,又可能带来错误 — 数据受损。”

开放式框架

Sickbay 的解决方案架构使医院能够使用一个平台来大规模处理其所有数据需求。其中包括自动接收波形数据以及虚拟化、风险评分、警报管理和其他流程等用例。

而所有这些都是在开源框架下实现的。医院、供应商和分析人员可以使用实时汇总数据通过开放式 API 和 SDK 创建应用程序和预测分析。

MIC 通过与不同的医疗保健组织合作开发应用程序来创造附加价值。他们可以利用该解决方案构建应用程序供自己使用,或在 MIC 的应用商店中将其商业化(图 2)。

Sickbay 应用程序商店允许医院下载应用程序、开发新应用程序并将应用程序商业化 — 深度学习
图 2。Sickbay 应用程序商店允许医院下载应用程序、开发新应用程序并将其商业化。

“有了我们的开放式架构,就能摆脱功能单一的境况,” Hitchcock 介绍说,“您插上电源,打开您的第一个应用程序。然后只需在后端打开不同的数据库表,就能添加新的应用程序。”

边缘和云端人工智能

医院需要强大的计算能力、性能和边缘安全性。“英特尔® 处理器可以满足该需求,” Hitchcock 说道。“但并非所有事情都必须在现场进行。”

虽然许多医院会选择本地解决方案,但混合云方案可以帮助降低成本、提高可扩展性并从数据中获得更深入的见解,而所有这些都符合 HIPAA。数据采集服务器可以位于现场,并在本地进行机器学习。结果可以被推送到云端,在那里,多家医院可以将人工智能数据汇集在一起。

例如,一家实施罕见手术(比如治疗单心室婴儿)的儿科医院样本量很低,由于数据量太小,无法建立一个准确的人工智能训练模型。

但当多家医院共享数据后,可能就有足够的数据供分析。现在,他们可以使用他们的结果进行研究或开发基于软件的监护仪。这为预测单心室婴儿心脏骤停的发生提供了可能性。

由于新技术能提供全面的实时分析,医疗专业人员及患者都可以体验到更好的结果。Sickbay Precision Medicine Platform for Critical Care 在这方面提供了希望。

1 Sickbay 预测性应用程序 (AI & ML) 正在开发中,尚未获准用于商业用途。

作者简介

Robert Moss is an independent consultant and strategist who focuses on the value gained through IoT, AI, machine learning and other technologies. He also helps give voice to executives at leading technology companies, enabling their personal stories to show how they encourage innovation, overcome obstacles, and improve their leadership skills. Tweets @RobertMoss_IoT

Profile Photo of Robert Moss