然而,鉴于围绕 AI 和机器学习技术的所有“解决方案主义”,医疗保健提供商对它将如何真正帮助患者并带来投资回报持谨慎态度是可以理解的。市场上许多用于医疗保健目的的 AI 解决方案都是为了解决非常具体的问题而量身定制的,例如识别患脓毒症的风险或诊断乳腺癌。这些开箱即用的 AI 解决方案使公司难以或不可能自定义其模型并最大限度地利用其投资。
开源数据科学使医疗保健公司能够使用最新的机器学习技术(例如音频和视觉数据处理)调整模型以应对各种挑战。通过使用开源工具,数据科学家可以以满足医疗保健 IT 的严格要求的方式自定义构建应用程序,并在各种环境中改善患者护理,最终使组织从竞争对手中脱颖而出。以下是医疗保健领域可以使用开源数据科学工具开发并适应不同功能的五个机器学习用例。
1. 用于管理任务的自然语言处理 (NLP)
《新英格兰医学杂志》去年进行的一项研究发现,83% 的受访者报告称,医生倦怠是他们组织中的一个问题。其中一半人报告说,“卸载管理任务”将有助于解决这个问题,使医生能够花更多时间与患者在一起。这些管理任务的很大一部分涉及审查和更新电子健康记录 (EHR)。美国几乎每家医院都使用 EHR 系统,大多数诊所也是如此。提高 EHR 更新效率是大多数人的首要任务。这就是 NLP 工具的用武之地。
通过利用使用算法来识别和分类单词和短语的 NLP 工具,医生可以在患者就诊期间直接向 EHR 口述记录。医生和患者都可以查看由 NLP 工具整齐编译的图表和摘要,而不必通读笔记和测试结果来了解患者的整体健康状况。通过减少维护 EHR 的时间,医生可以花更多时间与患者在一起。
NLP 也被用于挖掘 EHR 中的非结构化数据以获取见解,例如来自心电图结果的数据或手动书写笔记的副本,这些副本已上传到患者的记录中,但未输入到表单字段中。cTAKES 是由 Mayo Clinic、波士顿儿童医院和其他组织开展的开源 NLP 项目的一个例子,旨在开发一种工具,用于解析 EHR 中的非结构化数据以提取见解。
4. 用于肿瘤检测的视觉数据处理
近年来,放射科医生的工作量显着增加。一些研究发现,平均放射科医生必须每 3-4 秒解读一张图像才能满足需求。研究人员开发了基于先前捕获的放射影像训练的深度学习算法,以识别肺部、乳房、大脑和其他区域肿瘤的早期发展。可以训练算法来识别放射影像数据中的复杂模式。它们可以以惊人的准确度从乳房 X 线照片中检测出乳腺癌。休斯顿卫理公会研究所开发的一种早期乳腺癌检测工具以99% 的准确率解读乳房 X 线照片,并提供比人类快 30 倍的诊断信息。这些工具还减少了活检的需求。大多数放射科医生都认为这些工具可以帮助他们改善患者护理。它们使他们更擅长自己的工作,但不会取代他们。