人工智能医疗:更快地找到正确的答案

这份报告是基于2019年医疗分析峰会演讲由杰森·琼斯,数据科学家总监健康催化剂,名为,“快去错误的答案:转向一个更好的医疗保健中使用人工智能。”世界杯葡萄牙vs加纳即时走地

数据和分析可以成功或失败背后的驱动力的卫生系统。将医疗保健交付,数据是重要,但仅当数据让你正确的结论。错误的结论中分析可能导致次优的结果病人和浪费试图利用人工智能(AI)在医疗保健。

常用的分析与人工智能在卫生保健可以经常导致分析师和领导人methods-particularly在不知不觉中得出错误的结论。因此,当务之急是数据领导人了解和利用重要战略和工具来获得正确的结论和认识到错误的答案。

数据数据Stewardship-Key领导

领导人在医疗拥有大量的权力使用AI /毫升;然而,在相同的数据集,不同的领导人可以得出完全不同的结论。因此,领导人和数据分析师有责任作为管家的数据和帮助同事和团队成员正确使用数据,这样他们就可以更快到达正确的答案。非常不寻常的数据用户到达错误的答案,但是不知道,因为答案仍然看起来美观。这就是为什么数据管家在监督适当使用发挥关键作用,并显示的数据。

奠定的基础医疗的人工智能

在使用任何形式的人工智能在医疗,关键是先确定需要解决的问题。建议AI /毫升项目至少有两年的历史数据,统计过程控制图,清楚地标识了人口,和一个明确的结果。

第一个错误使组织与数据和AI /毫升是利用人工智能/毫升没有适当的基础数据,这不可避免地导致了错误的结论基于数据不足和浪费资源,可能需要花费数年的时间才能恢复。

当组织奠定了强大的数据基础,AI /毫升生,表格数据(图1),把它变成人们可以用它来做决定(图3)。

正确的数据可视化工具彻底改变数据的解释

旅途中的另一个步骤找到正确答案是了解哪些数据可视化工具是正确的为你的数据集。正确的数据可视化工具将从根本上改变人们的消费方式,看到了,然后解释数据。

例如,如果有人买房子很感兴趣,但听到有较高的癌症在某些领域的地区,那个人可能想查看癌症发病率与位置数据,以确定哪些地区有较高的癌症(避免买哪里的房子)。

多种方式的数据可以显示。在下面的例子中(图1),癌症的位置数据显示在表格列表显示每个位置的癌症都有报道,分为地理区域。例如,有四个地区癌症A01报道,两个地区癌症A02等等。

显示相同的数据的另一种方法是使用一个散点图(图2),一个强大的数据可视化工具,允许用户更容易使用和解释数据。

一个人可以清楚地识别癌症地区,授权数据驱动决策。正确的可视化工具还允许用户更进一步的数据(图3)和识别趋势、模式和集群数据目标改进的机会。

然而,人使用AI / ML,除了使用数据做出决定,她甚至可能会发现,有一个更好的方法来显示相同的数据。条形图(图4)覆盖的算法预测癌症发病率,蓝线代表了钟形曲线基于实际数据(基于地理位置的癌症发病率)和紫色的线(AI /毫升)预计是什么如果没有癌症诊断和地理位置之间的关系。因为实际数据对齐的钟形曲线与AI /毫升钟形曲线,有强有力的证据表明没有癌症诊断和地区之间的关系。因此,有人想买一个房子在这个地区不应该基于他们的决定由地区癌症发病率。

相同的数据,不同的得出的结论是正确的?

癌症发病率的地区例子说明从未改变的数据,只显示数据的方式。至关重要的领导人了解数据可视化工具可以驱使人们(或卫生组织)正确答案或错误的答案。

例如,东非认证研究所(ICS)试图提高肯尼亚小学的孩子们的学习成绩。起初,ICS提供更多的书(而不是整个教室的一本书),活动挂图和教师。所做的变更没有区别。事实上,ICS看到了不平等的增加。最初的假设是,孩子受益的书已经高的表演者,他们自己的书和更多的个人关注教师,演员表现将优于低高,增加了差距。

一个领导者在ICS提到了发现一位同事在世界卫生组织(世卫组织),建议学校缺勤worm-based疾病可能是问题。原来的许多学生缺少大量的课堂时间由于蠕虫感染。ICS决定实施驱虫药天在学校,学生安全的机会在学校寻求治疗他们的疾病。加班,ICS看到学校缺勤率减少25%,收入水平增加了20%水平超过10年。

尽管ICS的第一次在学术的进步使它错误的答案,领导与世卫组织的领导人合作,愿意尝试新事物,以得到正确的答案。因为它的协作努力,谦逊,致力于提高学业成绩,ICS确定正确的answer-deworming项目和学校造成巨大变化为肯尼亚的孩子,现在和未来。

向前看:五个常见的路障AI在医疗保健

虽然人工智能医疗似乎无处不在,甚至是简单的,有共同的挑战。五特别是发生数据分析师和领导人试图利用AI /毫升到正确的答案:

1. 预测分析在诊断分析导致相关性而不是因果关系。Gartner分析优势模型(图5),诊断分析并不总是先于预测分析。预测分析,相关的运动背后的为什么没有透露相关,有时更容易关注/识别之前有人关注诊断分析,试图得出因果关系和理解为什么发生。当试图理解数据,有时分析师变得太专注于优势模型后exactness-trying了解“为什么”(诊断分析步骤),然后在“是什么”(预测分析步骤)。有时候,确定“是什么”将帮助别人确定“为什么”,但它需要一个灵活的心态。

2. 变更管理不考虑过程的一部分。在上面的Gartner模型中,“说明性的分析”基准似乎是一个技术挑战;然而,它是一个挑战与领导力。在一个组织的分析过程,领导需要的变化是显而易见的,但这需要坚定的领导人来实现新流程真正的改变的影响。没有变更管理,获得的洞察力分析达到一个死胡同和确定改进机会的努力徒劳无功。
3. 错误的术语来描述工作。而不是使用术语“我们将评估你的程序”衡量一个项目的成功,数据架构师、分析师和领导人应该使用术语“让我们共同努力,优化你的程序”,因为它使团队成员,强调协作方面,导致更有效,data-informed项目。使用这样的词“合作”和“优化”(而不是“我们将评估…”),更欢迎团队成员发送消息,分析团队与他们合作,而不是法官/评估他们的工作。
4. 试图弥补低数据读写导致不清楚的结论。克服决策者的素质低水平的数据,数据架构师通常很简单的信息。相反,他们应该利用人工智能的功能/毫升限制在“标准”报道这种增加信心,计算机预测,等方便解释和明确的结论和容易理解的领导者。包括更多的信息,而不是更少,提供了更多的背景下,减少猜测,让领导人做出决定基于一个完整的画面。
5. 缺乏共识定义会导致混乱。真理的一个版本的想法是虚幻的,不存在于医疗。领导人需要追求融合的证据和讨论所有可能的选项,然后集中在作出明智的决策,以证据为基础的讨论。如果团队专注于达成一个真理的概念,他们永远不会进步过去点,因为它不存在。这就是为什么必须利用思维的多样性来自多学科团队头脑风暴法,基于每个人的输入定义问题,然后实现更改来解决这个问题。

人工智能医疗是不够的,没有人类

AI /毫升带来权力,效用和效率的医疗保健的世界,但它不会取代人类发挥宝贵的作用。从数据分析过程需要指导领导人和管理者为了得出正确的结论。

特定的AI / ML工具和技术都是有用的,可以实现的,但他们并不足够医疗组织到达正确的答案。为了消除错误答案更快,最终找到正确的答案,卫生系统需要一个合作方式,数据的理解和分析流程和领导人消除常见的障碍,保持前进。

更多的阅读

你想了解更多关于这个主题?这里有一些文章我们建议:

1. 有意义的机器学习可视化临床用户:一个框架
2. 人工智能医疗:变更管理问题
3. 机器学习工具解锁最关键的见解从非结构化的健康数据
4. 人工智能如何克服医疗数据安全挑战,改善病人的信任
5. 医疗数据管理:使用数据的三个原则以充分发挥其潜力

---

幻灯片

你想使用或分享这些概念?下载表示强调的关键要点。

点击这里下载幻灯片

人工智能医疗:更快地找到正确的答案从世界杯葡萄牙vs加纳即时走地