模式匹配和预测医院急需的需求对于熟练的医务人员来说是一项艰巨的任务，但对于人工智能和机器学习则不然。医务人员无法全职观察每位患者。虽然在明显的情况下非常擅长确定患者的直接需求，但护士和医务人员不具备通过在合理时间内展示的一系列复杂患者症状来辨别未来的能力。机器学习不仅可以24/7全天候观察和分析患者数据，还可以结合从多个来源收集的信息，即历史记录，医务人员的日常评估，以及心率，氧气使用等生命体征的实时测量和血压。目前，全世界正在进行人工智能在评估和预测即将发生的心脏病，跌倒，中风，败血症和并发症方面的应用。

一个真实的例子是El Camino医院如何将EHR，床警报和护士呼叫灯数据与分析相关联，以识别跌倒风险高的患者。El Camino医院将医院的主要成本降低了39%。

El Camino使用的机器学习方法是冰山一角，但使用以行动为中心的见解或处方分析显着代表了医疗保健的未来。他们正在使用可用信息的一小部分以及患者采取的物理行动，例如退出床并将帮助按钮与健康记录一起推送-由医院工作人员定期测量。医院机械目前没有将心脏监测器，呼吸监测器，氧饱和度监测仪，心电图和照相机的重要数据输入到具有事件识别功能的大数据存储设备中。

将AI解决方案与当前的医院系统集成是一个经济，政治和技术问题。本文其余部分的目的是讨论技术问题，可以分解为以下功能：

获取数据

清理数据

传输数据

分析数据

通知利益相关者

获取和清理数据是所有AI实施的一个挑战。这篇关于如何与Epic集成的文章是了解访问典型EHR(如Epic数据)所需资源的一个不错的参考起点。

实时向大数据提供数据

我们正在进行预测分析-而不是实时警报。这些是独特的不同问题。实时预测分析可以丢弃流数据，而不是事件数据。事件数据是bookend事件的标识符标签。事件是每个时间段的心率或特定间隔的氧饱和度。流数据是每次心跳或脉搏氧读数。这非常重要，因为数据保证在性能方面是昂贵的。我们必须保证事件-这些事件的数量有限-我们不能保证数据。

EHR，护士呼叫和患者监测数据都需要在每个时间点与患者相关联。这意味着在所有系统之间共享并且易于实现的唯一标识符，例如UUID(通用唯一标识符)。从实施角度来看，具有扫描环境的内置条形码阅读器的摄像机集成了全面实施所需的许多功能要求。一个良好实施的系统可以扫描床栏条码，患者腕带条形码，处方条形码和静脉条形码，同时为每个病床更换分配唯一的UUID。目前的医院技术包括用于患者腕带条形码的护士扫描仪。

我们的目标是实时编写地理空间时间序列数据，以实现大数据存储。最重要的延迟时间是写入数据库，因此我们必须在某处异步排队数据，最好的方法是使用RabbitMQ或Kafka等消息传递平台。RabbitMQ每秒可处理100万条消息，而Kafka每秒可处理多达6千万条消息。RabbitMQ保证数据，Kafka没有。基本策略是将数据发布到具有满足您需求的必要特征的交易所。

标记事件以实现更好的机器学习

最有效的机器学习算法是具有明确定义的数据集和标签的算法。优秀的，众所周知的算法用于识别癌症和阅读X射线。Alexander Gelfand撰写的文章，深度学习和生物医学图像分析的未来，指出数据标记对于机器学习的成功至关重要。除了标记之外，将地理空间时间序列数据以明确定义的，一致的块引用标记事件非常重要。定义明确，一致的标签用作选择标准。

运输前清洁数据(船舶黄金，不是污垢)

未来的所有数据都应被视为地理空间日期时间数据。在将数据发布到队列并将其写入数据库之前清理数据。原始传感器数据最有效的方法是应用指数移动平均函数在发货前清理数据。我们的意思是尝试运送你能买到的最好的黄金，而不是泥土。从长远来看，运输和存储数据非常昂贵，因此在运输和存储之前，请确保数据尽可能干净。

CNN用于固体识别标记的感觉数据

出于本文所述的目的，有明确定义的公共数据集和机器学习库可用作实现的模板。如果有专门的时间来学习和实践可用的存储库，那么优秀的分析师和可靠的程序员可以在不到六个月的时间内实施可靠的AI。用于理解CNN(卷积神经网络)的优秀图像识别库，对黑素瘤识别具有87%的准确性，是皮肤癌检测项目。理解用于事件识别的传感器组合的优秀库是用于人类活动识别的LSTMGuillaume Chevalier的项目。此外，该项目是传感器输入和不同活动的确定的组合。在医院环境中，这种方法适用于一系列医疗条件。

未来

人工智能在医院和医疗机构中的应用现在正在发生。通过整合患者监测设备，可穿戴传感器和健康记录来识别关键事件，提高健康服务的准确性已知已经实施的解决方案。人工智能应用于我们未来的健康和财务影响的程度是无法估量的。进入壁垒很低。抓住你的板和桨来获得这波。您可以影响全球医疗费用的未来。