医疗机构并不缺乏有关其患者的数据，这些数据不仅来自电子健康记录 (EHR)，还来自远程患者监控。然而，到目前为止，IT 和临床领导者很难将这些信息转化为实时洞察，从而改善患者护理并降低治疗成本。根据会议的演讲者所说，这种情况可能会改变 .conf24，今年的 Splunk的年度拉斯维加斯会议。
“令人兴奋的是，我们现在处于这样一个时代 人工智能 机器学习对于帮助医疗行业解决挑战和提供更高质量的护理确实有益，”Splunk 全球合作伙伴技术经理 Brett Roberts 表示。
Splunk 提供“出色的”开箱即用功能，使用户无需机器学习专业知识即可获得洞察力， 亚马逊网络服务。
但他说，对于希望构建自己的自定义 ML 模型的医疗保健组织来说，将他们的 Splunk 数据与 AWS 上的其他信息集成起来是有意义的。“这主要是为能够采取行动的人提供数据和见解，”Peaty 说。
医疗机构的必备补充
在现场演示中，Roberts 和 Peaty 将 Splunk 环境中的可穿戴患者设备的模拟数据导入 AWS，并将其与 EHR、客户关系管理平台和其他来源的数据合并。他们将数据整合到 亚马逊 SageMaker Canvas，AWS 用于业务分析的无代码 ML 接口。然后他们使用 AWS Glue，一种无服务器数据集成工具，用于格式化数据。最后，Roberts 和 Peaty 使用托管 SQL 引擎 Amazon Athena 对 183,000 份患者记录进行了查询，寻找可穿戴跟踪器数据与医院再入院率之间的联系。
研究结果令人振奋 — — 而且几乎是立即的。
“你可以看到年龄会影响患者是否入院，”Peaty 说。“这是有道理的。但 Splunk 的另一个功能是这些可穿戴设备的正常运行时间，这也会产生影响。因此，作为医疗保健提供者，你现在可以开始了解这些模型如何帮助你为患者提供个性化护理并主动干预。”
以患者为中心进行数据驱动的决策
医院有经济和临床激励措施来减少患者再入院率。值得注意的是，医疗保险和医疗补助服务中心的医院再入院率降低计划将付款与医疗机构通过改善沟通和护理协调工作来降低再入院率的能力联系起来。一种可帮助医院识别再入院风险较高的患者的预测模型可以让医疗服务提供者在患者返回医院之前联系到他们，从而减少可避免的再入院率并可能预防不良健康后果。
Peaty 还展示了 ML 模型如何为特定患者生成预测。在一个不经常使用可穿戴设备的 89 岁患者示例中，该模型显示该患者再次入院的可能性很高。“因此，作为医疗保健组织，我们将与他们联系，以确保我们进行干预，”他说。
在接受 健康科技罗伯茨表示，该演示代表了“可能性的艺术”，而不是反映当前广泛使用的案例。不过，他说，他希望这能为希望提高其 使用预测分析 解决现实世界的问题。
他强调了让临床医生参与机器学习模型的设计以及基于这些模型的预测的决策的重要性。
“你要确保你的预测高度准确，”Roberts 说。“这一切都与训练有关。对于这种事关生死的用例，你真的需要加倍努力，确保你既有数据科学家，也有领域专家。”
“这是一项团队运动，”他补充道。“你必须把人的因素考虑进去。”
1719509520
#释放患者数据的预测能力
2024-06-26 13:34:03
