医生依然更相信自己的经验,医院如何解决机器学习中大数据收集和过载问题?

作者: 佚名 2017-11-06 16:26:55

医生依然更相信自己的经验,医院如何解决机器学习中大数据收集和过载问题?

近日,在美国加利福尼亚州克拉拉市举行的Health 2.0会议有一场供应商论坛,全美大型知名医疗系统的创新人才聚集在这里,就创新、大数据、患者参与等话题发表了自己的见解。

光有数据是不够的

论坛的一大主题便是,尽管如今大家耗费了大量精力来收集数据,使用机器学习与自然语言处理来分析这些数据,如何将这些数据转化成行动结果,仍然是供应商的一大难题。

Sutter Health的首席健康信息官Sameer Badlani表示,对任何一个新项目而言,重要的都是获取信息以后,下一步要做什么:“我们必须要明白在得到想要的信息之后,自己是否有能力让所有的经理人、药品保险金理财人都按照预期来行动。”

如果没有将数据整合进医疗工作流程里的具体方案,机器学习算法只会让包括医生和护士在内的一线工作者们手足无措。

Venkat Mocherla是Qventus业务拓展与市场营销的主管,这家创业公司为Sutter等医院提供预测分析。他认为,大数据所面临的问题,就好比谷歌地图为人们指路时所面临的困境一样。谷歌地图会为用户提供“目前的交通符合标准分布,你应该向左转的几率为37%”这样抽象的指示,但这对用户来说是没有用的。

Venkat Mocherla说:“目前我们掌握的技术还不足以用来预测未来的情况,我们需要的是 用简单明了的语言来为患者开处方,说服他们改变自己的行为 。但是,这已经不仅仅是机器学习了,这是行为科学,是决策科学。”

机器学习并不比医生经验受用

爱德华医院的首席医疗信息官John Lee认为,从理论上来讲,机器学习和人工智能是非常有潜力的,但就目前而言,这种技术并没有人们想象的那么有用。 机器学习最后只是成为了警报疲劳的另一种形式。

警报疲劳是医院系统中常见的问题:医院通过在患者生命体征超过某一临界值时警告医生或护士来管理患者监测数据。

问题就在于,如果警报太多,医疗服务提供者们就不会再注意这些警报了。这一问题同样可以延伸到电子健康病例中。

加州大学洛杉矶分校的信息投资组合经理Kevin Baldwin说:“根据Epic 6月27日的消费者报告,该公司每100份订单中就有50份接受了警报。这些警报不断地要求医生付诸行动,不断地询问医生,是否确定要进行这样或那样的治疗。但是,这些警报的推翻率高达90%。”

结果是,十有八九这些医生都会直接无视这些警报。 他们相信自己的经验和曾经接受的训练,这些警告也无法改变他们的行为 。

医院需要更具目的性地收集信息

HealthIMPACT的主席表示, 收集数据之前,最重要的是想清楚自己的目的 。数据的输出是无法预料的,走过的路也是无法重来的,因此,我们最需要回答的问题就是眼前自己为什么需要这些数据。

另一个困扰大家多年的问题就是互操作性。Sutter的临床信息主管Steven Lane认为,最近几年来,互操作性实际上是在往好的方向发展,但未来需要走的路仍然很长。就当下而言,互操作性由各种不相干的网络与协议构成,其中很多都未被充分利用。

他说:“我们的互操作性还停留在20世纪。尽管我们在这一领域付诸了巨大的努力,医生们还是经常因为患者生命体征的突变半夜被电话吵醒。 我们仍然在依赖人工 。倘若我们能够真正地实现互操作性,医疗系统的信息流通就会更加顺畅,其中节省的人力和物力也将更多。”

医院选对合作伙伴的三项标准

越来越多的医疗系统开始组建自己的创新团队,以求获得更多的新想法和新技术。本次研讨会的创新话题聚焦于合作关系,以及医院如何从庞大的潜在供应商海洋中选取正确的伙伴。

与会的创新领导人们在许多话题上都各执一词,但他们一致认为,医院只有在清楚意识到自己需要解决的问题时,才能选出最好的合作伙伴,而不是让供应商来做决定。

Providence St. Joseph Health的项目经理Aaron Franklin说:“我们的创新部门有一系列需要遵守的原则,其中有一条就是要盯住自己需要面临的问题,而非解决方案。因此,我们努力与外界分享自己所发现的问题,让他们来寻找解决方案、提供价值主张。”

供应商同样应该理解这种模式。大量与会的专家都表示对公司所面临的铺天盖地的供应商方案而感到头疼。

Dignity Health的创新策略主管 Sanjay Shah认为,在过去的传统销售过程中,我们信奉的是“先挤进市场”再说,而实际上这种做法造成了资源密集,又没有效率。

花费稍微多一点儿的时间和精力,我们是可以拿到市场的入场券,但我们不能用同样的模式继续运营。这种入场券模式只能用来理解系统市场、规模环境和伙伴关系。

Mount Sinai的首席技术官兼NODE Health的创始人Ashish Atreja则表示,如果 医院们能够相互合作,选择供应商的过程就会变得更加简单 。

他说:“让我们止步不前的,是证据缺乏的问题。我们难以在数百种APP中去选择,更何况还有更多的APP还在诞生当中。我们应该在自己的医疗系统中大肆使用哪一种,这些问题太难了,医疗系统或供应商都不可能独自完成这些选择,我们真的应该合作起来,共享所有的凭据。”

Atria为促成多供应商分享证据而创立了NODE。St. Luke’s University Health Network的科技创新与策略合作主管Matthew Fenty同样认为,医院之间应该多沟通,要意识到,这种情况是以问题为中心的方法自然延伸。

他表示,作为供应商系统,医院应该更加开放,更愿意合作,减少内向思考。医院如果能把那些奏效的和不奏效的方案都分享出来,大家的选择也就更加容易了。

UCHealth Care创新中心的执行董事Jennifer Wiler为医院选择合作伙伴列出了另外三条标准:

  • 候选公司是否能解决医院系统中切实面临的问题;
  • 候选公司是否能以他们自己的技术解决方案来执行策划,是否能够成为我们在技术上的好伙伴;
  • 自己是 否拥有合适的临床专家来统领该项目 ,使其成为自己职业发展中一大里程碑,并成为这一机遇的领头羊。

最后,Franklin说,缩小参与团队的规模同样能够帮助决策的制定。他说:“我们一直在推行‘双披萨团队’,这是从亚马逊公司借鉴而来的。所有的决策都应该由一个能用两个披萨就能喂饱的团队而做出。作为一个技术专家,我就不会去参与法律相关的决策制定,专业的问题应当由专业的人来解决,我们应该做到观棋不语。”

如何保证患者和医护人员满意度?

医院主要通过患者信息门户系统来与病人进行互动,但这一系统的使用率却不尽如人意。加州大学洛杉矶分校的Baldwin表示,患者信息门户系统的追踪数据显示,90%的患者都是通过网页访问的,而仅有10%是从移动端访问的,因此,移动端的改进空间还很大。

与会专家们讨论了如何提升患者信息门户系统的价值,从而获得更大的采用率,并将其与金融和零售行业的APP进行比较。参与医学中心( Center for Participatory Medicine)的主席和创始人Danny Sands认为,以“疾病护理”为导向的医疗护理系统本身就是获取普遍性的一个障碍。

“我们把患者信息门户系统看作是生病时与医生进行交流的地方,但我们在健康的时候是不需要在该平台进行互动的。那么,我们如何改变这种模式,我关注患者信息门户系统已经很长时间了,我发现它们并不是以痊愈的病人为目标的,我们也没有这么做的合适动机。”

如果让患者在家里使用门户系统尚且有难度,那至少可以先让医院里的患者用起来,毕竟他们已经处于患者心态了。

Baldwin说:“我们与自己合作的电子病历供应商正在探讨,怎样才能巩固住院病人对该系统的使用。病人们通过该系统可以查到自己的治疗团队、注册护士、主治医师、治疗情况。如果他们有什么饮食禁忌的话,他们还能通过该系统点餐。此外,如果他们有任何心理需求,同样可以透过该系统提出来。患者信息门户系统能够做的还很多。”

专家们还提出了作为测量患者满意度的传统Press-Ganey调查所具有的局限性。

Edward Hospital的Lee说:“我们一直在讨论那些滞后的指标,我们的错误替代指标问题也不小,这些指标代表了患者满意度, 但我们真正想知道的是患者对其所接受的治疗到底持什么态度。从商业的角度来讲,患者是否感觉到与所在医院的联系,他们是否会再次回到这家医院是关键的,然而,当下的患者参与度却经常是以错误指标而测定的。”

Badlani同意以上观点,并且认为员工满意度也存在同样的问题。他表示,传统的测量方式往往是先用小福利吸引员工来参与调查,继而将这些数据递交给第三方,期间花费大量的资金和时间,通常周期长达六个月。

结果就是,每到年底,医院所回应的已经是员工们九个月前所表达的情绪。我们离真正的实时分析还很远。他的建议是,向航空公司取经。

Delta航空公司以前调查自己的客户服务满意度时,要问上10个问题,但现在他们只有一个问题,即“如果你是电话中心的主管,你会不会雇佣这位员工?”

Badlani说:“我们只需要一个精湛的问题就够了。作为医疗护理人员,我们需要问的仅仅是‘你会不会雇佣这位医生’或‘你会不会让这家医院来照料你的父亲’这样简单的是非问题就够了。”

机器学习 医生经验 大数据收集
上一篇:如何像专业人士一样挖掘大数据? 下一篇:快消品图像识别丨无人店背后的商品识别技术
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

高位截瘫患者重新行走:靠意念指挥外骨骼,法国脑机接口新突破

依靠介入头部的 2 个传感器,法国里昂的一名瘫痪男子 Thibault 实现了操控外骨骼装备来助力行走。

孙滔 ·  1天前
2008 年预测 2020 年生活方式:基本都实现了

美国皮尤研究中心曾在 2008 年预测 2020 年的生活方式,目前来看,该研究的预测基本已经实现。而对于未来 10 年,也就是 2030 年左右人们的生活,在 2017 年底的世界经济论坛上,800 多名信息和通讯技术领域的技术高管和专家给出了如下预测。

佚名 ·  1天前
机器学习的正则化是什么意思?

正则化的好处是当特征很多时,每一个特征都会对预测y贡献一份合适的力量;所以说,使用正则化的目的就是为了防止过拟合。

佚名 ·  1天前
为什么我的CV模型不好用?没想到原因竟如此简单……

机器学习专家 Adam Geitgey 近日发布了一篇文章探讨了这一简单却又让很多人头痛的问题,并分享了他为解决这一问题编写的自动图像旋转程序。

机器之心 ·  1天前
机器学习与预测分析的区别在何处? 精选

如今,认知学习的应用比以往更为普遍。通常意义上讲,认知学习与认知计算就是涉及AI技术与信号处理的操作过程或技术平台。

读芯术 ·  1天前
大盘点:8月Github上7个值得关注的数据科学项目

本文带你来看看GitHub上创建于2019年8月的7个数据科学项目。笔者所选项目的范围十分广泛,涉及从机器学习到强化学习的诸多领域。

读芯术 ·  1天前
非监督学习最强攻略

本次主要讲解的内容是机器学习里的非监督学习经典原理与算法,非监督,也就是没有target(标签)的算法模型。

SAMshare ·  2天前
PyTorch终于能用上谷歌云TPU,推理性能提升4倍,该如何薅羊毛?

Facebook在PyTorch开发者大会上正式推出了PyTorch 1.3,并宣布了对谷歌云TPU的全面支持,而且还可以在Colab中调用云TPU。

晓查 ·  2天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载