机器学习为医疗保健带来了翻天覆地的变化.docxVIP

从诊断到整体患者护理,机器学习为医疗保健带来了翻天覆地的变化

awsmachine1

7learning

Cerner的语音识别工具可以被动聆听临床医生与患者的谈话。用户可以不受干扰地畅所欲言,而工具可以处理用户所说的内容并以此提供重要数据。该工具可根据医患对话来提供诊断、—键订购以及潜在的过敏信息。

想像一下年长亲属从楼梯上摔下后家庭成员陪护着颤巍巍的老人前往医院急诊室的场景。患者抱怨头痛,但情况似乎并不是特别危急。这是星期五的晚上,

当地急诊室十分繁忙。放射科医生的工作清单上已经有85位患者,并且可能需要等待两个小时才能在扫描中发现这位患者极为危险的肺动脉大块栓塞。

现在,—切都改变了。经过多年将患者记录数字化并利用云技术的努力之后,医疗保健行业创建了庞大且仍在增长的数据池。分析工具和越来越多的机器学习所使用的数据可以推进从简化医院工作流程到促进癌症或肺栓塞早期检测的

—切工作。

“数字化其实只是第一步。真正的力量在于如何从数字化中获得第二阶段的效果。”

RyanHamilton,Cerner公司人口健康高级副总裁

诸如Cerner、Aidoc和Arterys之类的公司正在利用AmazonWebService(AWS)的高速且大容量数据存储、云中处理和检索以及机器学习工具来开发和应用机器学习算法,从而为患者和医护人员等群体带来积极的影响。

2

aws

awsachneearnng

机器学习算法在医疗保健领域的兴起

机器学习算法

Hamilton说,现在已经证明机器学习对于医疗保健提供者来说是—种可行的资源,下—步是在决策时扩展创建智力的规模并将其集成回工作流中。Cerner自己正在构建复杂的分析工具,这些工具将利用已经获得的安全、匿名化的大量患者数据,包括医疗诊断和治疗结果、索赔和编码产生的财务结果、计费工具、可预测的医院人员配置模型等。例如,考虑之前提到的栓塞患者所访问的急诊室。美国各地的设施都面临人员配备的挑战。Cerner借助其机器学习算法中的—种,可以利用历史数据来预测患者数量并相应地提前几天为急诊室配备人员。这种主动算法可以确保医生和护士在轮班期间工作不会过于繁重,并且可以更快地为患者诊治并提供优质的护理。

构成要素

Cerner希望基于其匿名化的、符合HIPAA要求的记录,通过AmazonSageMaker快速推进机器学习,并探索其他应用。

“AWS使我们能够获得各种工具和技术,无论它们是基本的构成要素还是复杂的生态系统,例如SageMaker。从历史上看,这些都是我们必须自己投资和发明的技术。Hamilton说。

但Hamilton也表示,Cerner无法构建市场所需的所有算法。该公司已经与合作伙伴合作,在Cerner生态系统内构建机器学习模型。但是,要真正看到大规模的影响,他认为需要更广泛的合作。

aws

awsachneearnng

在必要时做出决策:改善诊断

幸运的是,Cerner并不是唯——家使用AWS机器学习功能来开发医疗保健模型的公司。在机器学习模型中提高速度和准确性是该技术的令人兴奋的应用。

回头想想那个正在等待CT扫描结果的老年患者。智能放射学初创公司Aidoc将加快审查过程。该公司的深度学习算法利用数百万条过往记录中的知识来准确

“

识别不断增加的栓塞,然后立即在ED放射队列中的患者图像上放置—个红旗标

如果你能及时为那名患者诊

记。这—算法并不按时间顺序逐个审查扫描结果,而是将异常情况推到队列之首,然后迅速将患者送往重症监护室。

治,一切都会

Aidoc首席执行官EladWallach表示:“如果你能及时为那名患者诊治,—切都会

改善。”

改善。Aidoc技术现已在全球数百处设施中部署,且已经取得了可衡量的成果:

在东海岸的—家主要医疗中心,将机器学习应用于CT图像可将患者每天在医院

Aidoc首席执行官EladWallach的停留时间缩短四分之三,并且将在ED中花费的时间缩短59分钟。—项类似的前瞻性研究将颅内出血的CT扫描ER周转时间从53分钟减少到

Aidoc首席执行官EladWallach

除了挽救患者的生命之外,医生也非常需要这种支持。放射科人