Gesundheit

Christiana Care bietet Tipps zum Personalisieren der black box der Maschine lernen

Für alle potentiellen Vorteile der künstlichen Intelligenz und des maschinellen Lernens, einer der größten – und zunehmend auch am ehesten bekannt – Herausforderungen mit der Technik ist das Potenzial für die Algorithmische bias.

Aber eine noch grundlegendere Herausforderung für Krankenhäuser und Gesundheitssysteme auf der Suche bereitstellen, KI und ML kann die Skepsis von frontline-Mitarbeiter – zögern verwenden prädiktive Modelle, die, auch wenn Sie nicht völlig einseitig, sind sicherlich schwer zu verstehen.

Am Delaware-basierten Christiana Care Health System, die letzten Jahre gesehen haben die Bemühungen um „vereinfachen Sie das Modell, ohne dabei Präzision einzubüßen“, sagt Dr. Terri Steinberg, chief health information officer und Vice President of population health informatics.

„Je einfacher das Modell, desto mehr Menschen werden es akzeptieren“, sagte Steinberg, der sprechen mehr über diese Idee in einer 12. März Vortrag bei HIMSS20.

Wenn es um pop-health-Programme, die Daten-sets zu treiben analytics Angelegenheit, erklärt Sie. Ob es EHR-Daten, soziale Determinanten der Gesundheit, Ansprüchen oder von wearables Informationen, es ist der Schlüssel zu wählen, der die meisten relevanten Datenquellen, Einsatz des maschinellen Lernens, um die Bevölkerung segment – und dann, entscheidend, diese Ergebnisse zu care-Managern in einer Weise, die verständlich und passt sich Ihrem workflow.

Bei HIMSS20, Steinberg, neben Gesundheit Catalyst Chief Data Scientist Jason Jones, wird zeigen, wie sich Christiana-Sorgfalt wurde arbeitet an der Optimierung seiner machine-learning-Prozesse, um sicherzustellen, Sie sind immer ansprechbar – und damit mehr Haftung umarmt zu werden – durch seine care-teams.

Sie werden erklären, wie die Zuweisung von relative-value-pop-Gesundheit-Daten und diskutieren einige der Herausforderungen im Zusammenhang mit Integration; Sie werde zeigen, wie der ML im segment Populationen und Scheinwerfer-Strategien für die Verwendung von neuen Datenquellen steigern Sie den Wert und den nutzen von prädiktiven Modellen.

„Machen wir das schon seit 2012″, sagte Steinberg. Und jetzt haben wir erhebliche Zeit unter den Gürtel, so wir wollten wieder zu kommen, um HIMSS und darüber reden, was wir tun, im Hinblick auf die Programmierung für Pflege-management – und, noch wichtiger, wie wir die Segmentierung unserer Bevölkerung mit der Maschine zu lernen.“

Aufbau von Vertrauen

„Es gibt ein paar Muster, die wir gesehen haben, wiederholt sich in allen Gefechten, die sind ein wenig bit-Zähler zu, wie die Menschen in der Regel bauen diese Modelle heute, das ist die Art von werfen alles auf Sie und hoffen auf das beste“, sagte Jones.

Bei Christiana Care, sagte er, das Ziel stattdessen wurde, um „Menschen helfen zu verstehen, wie viel Sie möchten darüber, wie die Modelle arbeiten, damit Sie Vertrauen und die Sie tatsächlich verwenden.

„Wir haben wiederholt gefunden, dass wir bauen können, technisch fantastische Modelle, dass die Menschen einfach nicht Vertrauen und nicht,“ fügte er hinzu. „In diesem Fall, können wir genauso gut nicht die Mühe in den ersten Platz. So gehen wir durch und zeigen, wie es ist, dass wir Modelle entwickeln, die in einer solchen Weise, dass Sie technisch sehr gut – aber auch gut von den Leuten vertraut, die gehen, um Sie zu benutzen.“

In den vergangenen Jahren, „als wir gebaut das Modell und legte es vor unsere care Manager und sagte: ‚Hier, jetzt passen Sie Ihre Planungen auf der Grundlage der Risikobewertung,“ was wir entdeckt haben, ist, dass Sie im Grunde ignoriert die Gäste und Taten, was Sie wollten,“ Steinberg erklärt.

Aber durch die Vereinfachung des gegebenen Modells der „kleinste Anzahl der Teilnehmer und Daten-Elemente, die sein können,“, das es ermöglicht, die Entwicklung von etwas „klein genug für die Menschen zu verstehen, die Liste der Komponenten, so dass Sie denken, dass Sie wissen, warum das Modell hat eine spezifische Vorhersage“, sagte Sie.

Das hat mehr Wert als viele die Gesundheit der Bevölkerung Profis erkennen.

„Das Ziel ist die Vereinfachung des Modells, so viel wie Sie können, so dass Menschen verstehen, die Komponenten“, sagte Steinberg.

„Menschen wie Sie verstehen, warum eine bestimmte Person fällt in eine Risiko-Kategorie“, sagte Sie. „Und dann haben Sie manchmal auch gerne wissen, was die Funktion ist, die dazu geführt hat, in die Gefahr. Die take-home-Nachricht ist, dass mehr Menschen verstehen, was die Maschine ist, desto mehr Wahrscheinlichkeit, dass Sie Vertrauen in die Maschine. Wir Personalisieren möchten die ‚black box‘.“

Steinberg und Jones sprechen mehr über die Maschine lernen sinnvoll in einem HIMSS20 session mit dem Titel „maschinelles Lernen und Data-Auswahl für die Gesundheit der Bevölkerung.“ Es ist geplant für Donnerstag, 12. März, von 10-11 Uhr im Raum W414A.

Twitter: @MikeMiliardHITN
E-Mail der Autorin: [email protected]

Healthcare-IT-News ist eine Publikation der HIMSS Medien.