電子發燒友App
當人工智能漸漸成熟，健康醫療將更專注于數據整合
醫療保健利益相關者大都參與了人工智能，但該行業要獲得成功必須克服數據整合的挑戰。
很快，人工智能將成為醫療保健數據分析領域最受歡迎的話題。
似乎就在一瞬，人工智能在支持成像分析、臨床決策支持、運營效率和提高患者預約成功率方面取得了驚人的進步。
人工智能算法現在可以識別出異常情況并提出建議，同時能達到與人類診斷精確度相當的比率解決問題在某些情況下，人工智能對于復雜的深度學習和神經網絡的研究能力超過了本就占少數的優秀的臨床醫生。
在每年一度的HIMSS展覽會上，人工智能從不確定的新奇事物變成了展會上的受到關注的事物。
HIMSS是評估行業成熟度最重要的大會之一，而人工智能在過去12個月里確實火了起來。
在2018年的會議上，EHR供應商和大數據專家向持懷疑態度的觀眾介紹了人工智能和解答了人工智能將會對他們的過去和現在造成的消極影響即創新將改變人類的決策方式。
供應商們想盡一切辦法來緩減人們對機器人醫生、醫療相關提供者大規模裁員和患者與醫療機構之間關系將變得更加機械化的憂慮，努力將人工智能定位為消除浪費、推動社會持續改進的發動機，而不是職業末日的預兆。
從那時起，主要的解決方案提供商加入了監管機構的行列，將人工智能作為一種競爭優勢和必然趨勢加以推廣，呼吁企業接受機器學習將成為生活中的一部分的事實。
最終他們取得了巨大的成功。
在HIMSS18上，供應商只要說他們開發了一款具有機器學習能力的新產品，就能吸引非常多充滿好奇心的的人到他們的展位前進行咨詢和了解。
2019年，與會者對復雜的數學著迷不已。
相反，他們希望對人工智能的投資，未來能夠讓他們沿著分析成熟度曲線，從追溯性描述性分析，進入洞察性的分析領域:通過數據分析及時提出可行的措施來進行干預可能的事件，從而阻止未來事件的發生。
對于那些迫切希望能幫助提供者掌握機器學習的供應商來說，公眾輿論的變化起著積極的作用。
盡管對人工智能的爭議正在結束，但在人工智能真正能被大量投入運營前，還面臨著另一個挑戰:人工智能在現實世界被有效應用之前，需要利用大量干凈、完整、及時的數據進行學習、培訓和驗證。
創造一個流動的、可訪問的數據聚合環境能讓人工智能獲得高速發展，這意味著需要全面修訂從基礎設施設計到商業案例中信息共享的服務。
隨著人工智能在社會發展中的價值出現變化，企業更愿意去解決其在發展中面臨的挑戰，但在提供者團體能夠將其真正能應用于相應的場景前，該行業仍有大量工作要做。
大數據拼圖
Optum技術副總裁馬克?莫爾希(Mark Morsch)表示，醫療保健組織已進入人工智能和高級分析的關鍵性一年。Optum與付費方和提供商合作一起研究如何處理和獲得相應的數據。
他說：“我們認為2019年是人工智能被采用和持續成熟的重要一年。它的發展非常迅速，尤其是在深度學習和自然語言處理(NLP)領域。”
“我當然看到越來越多的組織從診斷和描述性的層面提升到更具預測性和規范性的層面，這非常令人興奮。人們開始意識到將人工智能應用于實踐的挑戰和機遇。”
EHR巨頭Epic Systems的分析和機器學習主管塞斯?海恩(Seth Hain)也看到了類似的進展。
他在接受HealthITAnalytics.com采訪時表示:“對人工智能的炒作正在降溫，人們開始真正的擁抱它。許多客戶開始組建團隊和流程，將機器學習整合到他們在開展業務中。”
“很高興能看到這種轉變，所有相關方都能能夠開始更深入地優化臨床工作流程，并將機器學習作為工具集的一部分來提高機構運營效率。”
KPMG咨詢服務業務負責人Bharat Rao博士補充道，計算能力的進步讓數據科學家能夠改進他們使用的方法，并在機器學習逐漸成熟的基礎上加以擴展。
機器學習研究博士Rao說:“人工智能在成像分析等方面已經具備20多年的經驗，而且現在已經做得很好。”
“數據科學并不是真正的新技術重要的是我們要知道我們已經擁有多年的相關技術經驗，而且我們相信它會起作用。技術最終并不是真正的問題。”
“真正的問題在于醫療機構是否已經做好了準備，我們看到了這種變化。該行業對事物表面的描述性問題有較好的把握，但人工智能的全面愿景是解鎖未被很好處理的非結構化數據中的價值，并將其與結構化信息整合，以獲得預測性而非追溯性判斷。但是現在的最難的問題是要把所有的數據都集中在一個地方才能實現。”
在醫療保健領域，數據豎井無處不在，打破數據訪問的障礙，同時仍堅持隱私和安全原則，是一個巨大的挑戰。
五年多來，互通作性一直是HIMSS大會的一個重要的主題，盡管近年來，人們的興趣已經從數據豎井轉向組織如何處理這些數據。
這個話題在2019年被再次提上日程，CMS發布了一份全面的路線圖旨在打擊各機構之間有目的的信息攔截，并鼓勵各相關方更廣泛地分享參與的患者、人口健康管理和質量改進方面的數據。
供應商們普遍贊成這一新規則，尤其當他們明白開放的數據交換環境是AI成功的至關重要的因素。
戴爾EMC全球醫療業務首席技術官、杰出工程師David Dimond指出，如果能建立無間隙的縱向記錄患者病情的能力，對于創建準確且可操作的AI模型至關重要。
Dimond說:“用AI分析一組特定的數據沒有多大用處，除非你能建立一套健康記錄，并對這個人的健康狀況進行縱向觀察分析。當一個人的數據沒有被全部整合在一起時，你怎么才能全面了解一個人呢？如果你的記錄有漏洞，你開發的AI會有多大用處?”
他強調:“數據聚合將成為組織當前的首要任務。”
“我們有太多的片段數據被應用到不同的人工智能產品，企業也沒有相應的策略能將所有的數據整合到一起去完善他們想完成的工作。”
解決碎片化數據世界的復雜性
醫療保健領域對于患者碎片化數據的擔憂早已成為老生常談的事件。企業一直知道如果想在大數據環境中取得成功，就必須需要改進數據存儲和倉儲體系結構。
2017年，埃森哲(Accenture)的一項調查發現，超過80%的醫療行業高管已開始著手創建一個集中的數據平臺，以支持人工智能計劃。
82%的受訪者認為，現代健康信息領域的優秀領導者將取決于他們如何設計出較好的能進行大規模信息分析的無縫、互操作環境。
但是，與大多數健康IT項目一樣，解決這個問題說起來容易做起來難。一切似乎都與過去常規的健康系統背道而馳。
巴拉特拉奧博士，畢馬威會計師事務所負責人
過去的醫療系統、EHR決策、從下而上處理完整性數據所需的時間和金錢的缺乏，以及潛在相關數據源的混合，這些都增加了開發這些無豎井生態系統的難度。
Dimond說:“我們有幾十種不同的臨床級和消費者級設備、應用程序和工具，它們產生的數據可能都非常有價值，但很多設備都將數據發送到不同的地方。”
“有些數據你知道在哪里，但大多數你不知道，因為它現存在某個特定的專有的云系統內。”
“我們一直在談論消費級設備和物聯網設備對我們了解診所外發生的事情的了解有多大幫助,但如果我們無法獲得這些數據來幫助我們進行決策。”
即使部分已知數據在理論上是可訪問的，但是原始數據的混亂、不規范和多樣性使得它并不符合大多數組織所需的高級數據形式。
Optum的Morsch說:“醫療記錄中的大部分數據都是非結構化的，尤其是當你查看傳真和利用圖表檢索輸出時，數據會非常混亂。我們稱它為‘紙巾卷’這只是一堆龐大的數據量甚至包括為病人制作的所有文件。”
“需要采用多層機器學習技術，才能讓數據能被二次使用。首先，您必須對數據進行識別整理，因此您必須運行光學字符識別(OCR)算法，例如，將PDF圖像轉換為可計算文本。然后，你必須使用NLP從中提取有意義的元素，或者識別出你正在尋找的模式。”
對于組織來說，獨自將非結構化數據的數據進行結構化的第一層工作挑戰性就非常大，這也是阻礙了許多供應商進一步推進他們的人工智能計劃的原因。
“如何能夠彌合這樣的差距然后對數據結果進行更有意義的處理是判斷技術提供商實力的重要依據，這也應該是客戶在規劃項目時必須考慮的問題。”
對于Optum將NLP與深度學習相結合，可以幫助其Case Advisor軟件的用戶簡化圖表審閱流程。
Morsch解釋說:“有如此多的數據需要審查，供應商不得不有選擇性地查看他們需要的內容。雖然這并不能讓一個組織能全面了解他們的臨床組合，或者增加任何收入。”
“深度學習本質上可以為你審查每一個案例，然后它可以識別出某些特殊案例，這些案例可能是人類專家進行額外審查的最佳選擇。”它支持適當的自動化，并且可以轉換成可用于編碼和整理出符合要求的案例的過程。但首先你必須有數據。”
Hain認可每個組織都需要一個強大的技術合作伙伴來幫助他們推進人工智能來獲得可衡量的結果。
他說“有思想的機器學習的關鍵挑戰之一是技能組合還沒有完全到位。這不是傳統組織所能承擔的角色。因此，利用我們的經驗幫助他們學習如何建立有效的團隊是我們關注的重點。”
Hain表示Epic正在構建機器學習模型庫以方便供應商能夠采用這些模型來滿足他們的特定需求，從而降低了必須在內部擁有大量數據資源的門檻。
“需要了解當前的工作流程，找出改善工作流程的機會，然后開始將機器學習應用到解決這些問題上。”
“但為了成功，他們必須圍繞這個問題制定一個切實可行的框架。你不能為了AI而擁有AI。當它為最終用戶帶來可衡量的好處時，無論是臨床醫生還是病人都會認可它，并在醫療下游產生影響。”
KPMG健康與政府解決方案部門負責人拉里?伯內特(Larry Burnett)表示，將靈活、實用的組織策略、聚合的數據和人工智能算法結合起來，可以幫助組織解決醫療保健系統的復雜性問題，而不是被問題所淹沒。
他斷言，“讓機器學習是一件令人興奮的事情，因為它可以將數千個變量集成到一個計算中。”
例如，Scheduling是一個很好的應用程序。過去很多病人周末必須呆在醫院，因為他們在周五時無法預約上導尿管實驗室檢查，或因為醫院機器服務時間被排得太滿而無法做超聲心動圖。”
“如果醫生遲到或取消預約，病人的診斷時間將會變得不確定且無法開展，需要使用正確的設備，或者護士人手短缺……任何一種情況都可能導致病人的診斷出現嚴重的延誤。”
Burnett說，機器學習非常復雜，可以考慮到所有變量，它可以為人員配備、日程安排或重新分配資源提供有用的建議。
“人類無法像人工智能那樣有效地優化這些事物。人工智能非常擅長于研究所有可能影響護理的因素，并迅速識別出可變性和調整醫療的機會。”
“你需要在正確的地方獲得所有這些數據才能實現人工智能的有效性。一旦匯總了所有信息，人工智能能減少資源浪費和確保得到高質量結果的可能性就很大。”
數據聚合開發技術基礎
對于提供商能否持續獲取所需要的數據，他們需要優先制定出基礎數據架構策略，在保護隱私和安全的同時能進行數據聚合。
HIMSS18的與會者幾乎花了整整一周的時間專注于僚機誒如何使用云存儲和云計算來支持下一代數據分析，這一點會貫穿2019年的整個會議。
KPMG的Rao說:“我在HIMSS工作了20年，去年第一次看到的云計算讓我興奮不已。而且今年投資者對云計算的興趣越來越大，主要是以下多個原因：
“首先，云服務在我們日常生活中隨處可見，這些數據最終都將被應用于醫療領域。其次，由于企業都希望進入人工智能領域，他們意識到云服務是實現所需數據聚合的最佳方式，所以他們都愿意將可用的基礎架構數據放在這里。”
云服務提供商一直在醫療行業推廣其人工智能功能，而不是只局限于存儲功能。
來自谷歌和亞馬遜網絡服務(Amazon Web Services)等公司的預制機器學習模型和工具包，吸引著更多的企業加速關注云計算這項技術，并在懷疑的過程能慢慢接受和信任該技術。
事實上，醫療行業擁抱云計算的過程與其接受人工智能的過程并沒有太大的不同。
這兩項技術在起步階段，各組織都難以接受它們，在數據的使用即如何保障數據的安全和用戶的隱私給利益相關者敲響了警鐘，而且現在這兩項技術正在迅速被人們接受，成為行業發展的趨勢。
云計算和人工智能都要求組織能對這兩項技術在處理無法控制的變量中具有一定的信心。
兩者都要求組織致力于整體戰略規劃，而不僅僅是多采用一項新技術。因此，基于云計算的方法通常成為專家對人工智能開發的首選建議。
“你所有的數據都需要放到某個地方。很有可能，這一切都不會發生在同一個地方事情就是這樣。但你需要圍繞你所做的事情制定一個商業策略，這樣即使數據最終位于不同的地方，也可以將他們整合在一起被使用。”
“如果企業想要開展人工智能，那么它需要考慮如何結合云存儲和云計算。如果企業從一開始就將云計算構建到數據聚合和互操作性模型中，那么企業將變得更加強大，而且可以將支持機器學習模型所需的各類數據集合在一起。”
Rao還認為，雖然組織可以在內部系統整合好他們的數據，但在不久的將來，云服務將成為支持人工智能最重要的底層技術。
“任何想真正應用人工智能的組織的人都必須集成云服務，”
“首先，不管人們會怎么想，但我認為它更安全。我愿意相信一家在安全協議上投入數十億美元的公司的安全性，也不愿相信我自己，這是肯定的。”
“其次，人工智能的各項能力的提升速度遠遠超過了我個人的能力。雖然我可以建立一個與亞馬遜、谷歌或微軟相當的數據中心，但它可能會在6個月內過時。兩年后，它將落后整整于新一代人。跟上這種令人難以置信的變化速度并不是我的使命我既沒有預算，也沒有追趕的時間。”
云計算為單個組織提供了將數據聚合到單個位置的能力或者在多個位置輕松地鏈接在一起但它也為多個組織提供了合作開發和驗證機器學習模型的機會。
隨著各組織開始尋求從復雜人群中發掘出多方面數據集的價值，學術團體和行業伙伴之間的關系正在變得越來越緊密。微軟、谷歌和亞馬遜都發布了基于FHIR的工具、API和數據共享平臺，以支持不同系統之間進行健康和科學性的協作。
對于Epic系統，單個存儲庫中聚合采用Epic承載的Cosmos數據庫的形式，這是EHR公司使用機器學習支持基于證據的實踐的整體愿景的一部分。
Hain說：“規模化對人工智能非常重要。你需要一定的存儲空間來存放你捕獲的平衡數據集，包括足夠的元素來滿足整個模型。”
“但你還必須確保你使用的數據是正確的，是針對特定的人群量身定制的。如果您的數據無法訪問且不集中，則無法執行其中任何一項操作。關于如何做到這一點有很多選擇，但是如何獲得正確的數據顯然是至關重要的。”
再加上CMS要求各機構之間進行部分公開和適當地共享數據的壓力，對于那些希望既能滿足監管要求又能為人工智能醫療服務交付前做好準備的組織來說，云服務正變得越來越有吸引力。
Burnett說:“好處當然大于風險。“對于那些既可以聚合數據并能為機器學習創造合適環境的組織來說，他們將會有各種各樣的機會使用到云服務。未來云計算是重要的工具，企業在制定路線圖時應該認真考慮它。”
實施人工智能的技術基礎，無論是基于云的還是基于呢部，對于允許醫療保健繼續其向規定性洞見和更高層次的分析成熟度邁進的旅程，都是至關重要的。
實現人工智能的技術基礎，無論是基于云服務還是基于相應前提的情況下，允許醫療保健系統能向更具優勢的規定性洞見發展和具有更高層次的分析能力，都是至關重要的。
Morsch說：“我們用機器學習能做的事情幾乎是無限的。現在時機恰到好處，因為我們用于做決定的數據量實在太大了，任何人都無法處理，而且它只會持續增長。”
“我們可以利用人工智能來幫助供應商處理這些信息，這是令人興奮的，但同時也有點令人感到畏懼。我期待看到這個行業是如何應對人工智能的挑戰，并利用人工智能為這些優秀的人提供醫療服務。”
工商網監
評論