हॅलस हॅलस विरूद्ध सिक्रेट मेयो क्लिनिक सीक्रेट वेपन

जरी एलएलएमएस मॉडेल्स अधिक परिष्कृत आणि कधीही सक्षम बनतात, तरीही त्यांच्याकडे भ्रम आहे: चुकीची माहिती प्रदान करा किंवा त्यांना अधिक क्रूर ठेवण्यासाठी.

आरोग्य सेवा यासारख्या क्षेत्रात हे विशेषतः हानिकारक असू शकते, जेथे चुकीच्या माहितीचे कठोर परिणाम होऊ शकतात.

क्लिनिक मेआणि अमेरिकेतील सर्वोच्च -रेटेड हॉस्पिटलपैकी एकाने हे आव्हान सोडविण्यासाठी नवीन तंत्रज्ञान स्वीकारले आहे. यश मिळविण्यासाठी, वैद्यकीय सुविधेने पुनर्प्राप्ती (आरएजी) च्या पिढीच्या सीमेवर मात केली पाहिजे. ही प्रक्रिया आहे ज्याद्वारे एलएलएमएस मॉडेल विशिष्ट संबंधित डेटा स्रोतांमधून माहिती मागे घेतात. संबंधित माहितीमधून फॉर्म काढल्यामुळे रुग्णालयाने मुख्यत: अविकसित काय केले आहे याचा वापर केला, त्यानंतर सर्व डेटा मूळ स्त्रोत सामग्रीशी जोडला.

हे आश्चर्यकारक आहे की यामुळे नॉन-डायग्नोस्टिक प्रकरणांमध्ये सर्व डेटा-आधारित भ्रमांचे उच्चाटन झाले आहे-ज्यामुळे मायाला त्याच्या क्लिनिकल प्रॅक्टिसद्वारे मॉडेल पैसे देण्याची परवानगी मिळते.

“दुव्यांद्वारे स्त्रोताच्या माहितीचा संदर्भ देण्याच्या या दृष्टिकोनातून, या डेटाचा शोध घेणे यापुढे समस्या नाही,” असे व्हेंचरबीटसाठी एमआयडब्ल्यूए धोरणाचे वैद्यकीय संचालक आणि रेडिओलॉजीचे प्रमुख मॅथ्यू कुलस्ट्रॉम म्हणाले.

प्रत्येक डेटा पॉईंटसाठी खाते

आरोग्य सेवा डेटासह व्यवहार करणे हे एक जटिल आव्हान आहे – आणि वेळ सिंक असू शकतो. इलेक्ट्रॉनिक आरोग्य रेकॉर्ड (ईएचआर) मध्ये मोठ्या प्रमाणात डेटा गोळा केला गेला असला तरी डेटा शोधणे फार कठीण आहे.

हे सर्व डेटा गोळा करण्यासाठी मेयो इंटरनॅशनल फॉर अ‍ॅम्नेस्टी इंटरनॅशनलचा पहिला वापर सारांश होता (पोस्ट -केअर टिप्ससह गायब होण्यास भेट द्या), त्याच्या मॉडेल्सने पारंपारिक कपड्यांचा वापर केला. कॉलस्ट्रॉमने स्पष्ट केले, ते प्रारंभ करण्यासाठी एक नैसर्गिक ठिकाण होते कारण ते एक साधा एक्सट्रॅक्शन आणि सारांश आहे, जे सामान्यत: एलएलएमएसने मागे टाकले आहे.

“पहिल्या टप्प्यात, आम्ही एखाद्या मॉडेलला विचारू शकता म्हणून आम्ही निदानापर्यंत पोहोचण्याचा प्रयत्न करीत नाही,” सध्याच्या काळात या रुग्णासाठी सर्वात चांगले पाऊल काय आहे? “.

हलोसाचा धोका देखील जवळजवळ महत्वाचा होता कारण तो फिजीशियन सहाय्यक परिस्थितींमध्ये असेल; याचा अर्थ असा नाही की पाकिस्तानी त्रुटी हेड टँक नव्हती.

कॉलस्ट्रॉम म्हणाले: “आमच्या पहिल्या पुनरावृत्तीमध्ये आमच्याकडे काही मजेदार भ्रम आहे जे आपण स्पष्टपणे सहन करणार नाही – उदाहरणार्थ, रुग्णाचे चुकीचे वय, उदाहरणार्थ,” कॉलस्ट्रॉम म्हणाले. “म्हणून आपल्याला ते काळजीपूर्वक तयार करावे लागेल.”

जरी रॅग ग्राउंडिंग एलएलएम (त्याची क्षमता सुधारणे) चा एक महत्त्वाचा घटक होता, परंतु तंत्रज्ञानाची मर्यादा आहे. मॉडेल नॉन -रिलीव्हंट, चुकीची किंवा कमी -गुणवत्तेचा डेटा पुनर्प्राप्त करू शकतात; माहिती मानवी प्रश्नाशी संबंधित आहे की नाही हे ठरविण्यात तो अयशस्वी झाला; किंवा आवश्यक स्वरूपांशी जुळत नसलेले आउटपुट तयार करा (जसे की तपशीलवार वेळापत्रकांऐवजी एक साधा मजकूर).

या समस्यांमध्ये काही निराकरणे आहेत – जसे की आलेख, जे आलेखांचे स्त्रोत संदर्भ प्रदान करतात किंवा सुधारात्मक चिंधी प्रदान करतात (घसा) मूल्यांकन यंत्रणा पुनर्प्राप्त झालेल्या कागदपत्रांच्या गुणवत्तेचे मूल्यांकन करते – भ्रम गायब झाले नाही.

प्रत्येक डेटा पॉईंटचा संदर्भ घ्या

येथूनच एक चिंधी प्रक्रिया परत येते. विशेषतः, मे हे नाव म्हणून ओळखल्या जाणार्‍याशी संबंधित आहे अभिनेते वापरुन असेंब्ली (उपचार) ड्युअल डेटा पुनर्प्राप्ती निश्चित करण्यासाठी एलएलएम आणि वेक्टरच्या डेटाबेससह अल्गोरिदम.

स्वयंचलित शिक्षण (एमएल) साठी असेंब्ली आवश्यक आहे कारण ते समानता किंवा नमुन्यांच्या आधारे गट डेटा नियंत्रित करते, वर्गीकरण करते आणि सेट करते. हे डेटासाठी प्रामुख्याने “लॉजिकल” मॉडेल्सला मदत करते. निकटतेवर आधारित गट डेटाचे अंतर मोजमाप वापरून (विचार: डेटा एकमेकांशी संबंधित लोकांशी अधिक संबंधित आहे) वापरून, श्रेणीबद्ध तंत्रासह विशिष्ट असेंब्लीपेक्षा बरा केला जातो. अल्गोरिदममध्ये “अतिरेकी मूल्ये” किंवा इतरांशी जुळत नसलेल्या डेटा पॉईंट्स शोधण्याची क्षमता आहे.

विपरीत रॅग पध्दतीसह उपचारांचे संयोजन करून, मेयोच्या एलएलएमने वैयक्तिक तथ्यांमधे तयार केलेल्या सारांशांचे विभाजन केले, त्यानंतर त्यांना स्त्रोत दस्तऐवजांसह जुळवा. मग दुसर्‍या एलएलएमने या स्त्रोतांसह तथ्यांच्या तथ्यांची व्याप्ती नोंदविली, विशेषत: जर या दोघांमध्ये कार्यकारण संबंध असेल तर.

कॉलस्ट्रॉम म्हणाले: “कोणताही डेटा पॉईंट मूळ प्रयोगशाळेच्या स्त्रोत किंवा फोटोग्राफीच्या अहवालावर परत आला आहे,” कॉलस्ट्रॉम म्हणाले. “सिस्टम हमी देते की संदर्भ वास्तविक आणि अचूकपणे पुनर्प्राप्त आहेत आणि पुनर्प्राप्तीशी संबंधित बहुतेक भ्रम प्रभावीपणे सोडवतात.”

कॉलस्ट्रॉमने प्रथम रुग्णांची नोंद शोधण्यासाठी वेक्टर डेटाबेसचा वापर केला जेणेकरून मॉडेल द्रुतपणे माहिती पुनर्प्राप्त करू शकेल. सुरुवातीला संकल्पना (पीओसी) सिद्ध करण्यासाठी स्थानिक डेटाबेसचा वापर केला; प्रॉडक्शन व्हर्जन हा एक सामान्य डेटाबेस आहे जो उपचार अल्गोरिदममध्येच लॉजिकसह आहे.

“डॉक्टर खूप संशयी आहेत आणि त्यांना खात्री करुन घ्यायचे आहे की त्यांना आत्मविश्वासाने पोसले जात नाही,” कॉलस्ट्रॉमने स्पष्ट केले. “आमच्यावर आत्मविश्वास म्हणजे सामग्री म्हणून दिसू शकणारी कोणतीही गोष्ट तपासणे.”

मेच्या अभ्यासाद्वारे “चुकीची आवड”

नवीन रूग्णांच्या नोंदी गोळा करण्यासाठी उपचार तंत्र उपयुक्त असल्याचे सिद्ध झाले आहे. कॉलस्ट्रॉमने स्पष्ट केले की रूग्णांच्या जटिल समस्यांस विभक्त करणारे बाह्य रेकॉर्ड वेगवेगळ्या स्वरूपात डेटा सामग्रीची “प्रक्रिया” असू शकतात. याचा आढावा घेतला पाहिजे आणि सारांशित केले पाहिजे जेणेकरून डॉक्टर प्रथमच रुग्णाला पाहण्यापूर्वी स्वत: ला ओळखू शकतील.

ते म्हणाले: “मी नेहमीच बाह्य वैद्यकीय नोंदींचे स्प्रेडशीटसारखे वर्णन करतो: प्रत्येक सेलमध्ये काय आहे याची आपल्याला कल्पना नाही, सामग्री मागे घेण्यासाठी आपल्याला प्रत्येकाकडे पहावे लागेल.”

परंतु आता, एलएलएम एक्सट्रॅक्शन करते, सामग्रीचे वर्गीकरण करते आणि रुग्णाचे विहंगावलोकन तयार करते. सहसा, हे कार्य प्रॅक्टिशनरकडून 90 मिनिटे किंवा त्यापेक्षा जास्त लागू शकते – परंतु अ‍ॅम्नेस्टी इंटरनॅशनल सुमारे 10 मध्ये हे करू शकते, कॉलस्ट्रॉम म्हणाले.

प्रशासकीय ओझे आणि निराशा कमी करण्यात मदत करण्यासाठी मेच्या सराव करण्याच्या क्षमतेचा विस्तार करण्यात त्यांनी “आश्चर्यकारक स्वारस्य” वर्णन केले.

“आमचे ध्येय सामग्री प्रक्रिया सुलभ करणे हे आहे – मी क्षमता कशी वाढवू आणि डॉक्टरांचे कार्य सुलभ कसे करू शकतो?” तो म्हणाला.

कृत्रिम बुद्धिमत्तेसह अधिक गुंतागुंतीच्या समस्यांचा उपचार करणे

अर्थात, कॉलस्ट्रॉम आणि त्याची टीम अधिक प्रगत भागात अ‍ॅम्नेस्टी इंटरनॅशनलसाठी मोठी क्षमता पाहते. उदाहरणार्थ, त्यांनी अनुवांशिक मॉडेल तयार करण्यासाठी मेंदू प्रणालींसह सहयोग केले जे रुग्णाच्या संधिवातासाठी सर्वोत्कृष्ट उपचार काय असेल याचा अंदाज लावते आणि ते मायक्रोसॉफ्टसह प्रतिमा आणि छायाचित्रण आधार मॉडेल कूटबद्ध करण्यासाठी देखील कार्य करतात.

मायक्रोसॉफ्टसह पहिला फोटोग्राफी प्रकल्प छातीवर एक्स -रे आहे. त्यांनी आतापर्यंत 1.5 दशलक्ष एक्स -रे हस्तांतरित केले आहे आणि पुढच्या फेरीत आणखी 11 दशलक्ष लोक करण्याची योजना आखली आहे. कॉलस्ट्रॉमने स्पष्ट केले की एन्क्रिप्शन प्रतिमा तयार करणे फार कठीण नाही; जटिलता म्हणजे परिणामी प्रतिमा आधीपासूनच उपयुक्त बनविणे.

तद्वतच, मेयो डॉक्टर छातीचा एक्स -रेचे प्रदर्शन करतात आणि त्यांचे विश्लेषणे वाढवतात हे सुलभ करणे ही उद्दीष्टे आहेत. उदाहरणार्थ, अ‍ॅम्नेस्टी इंटरनॅशनल रूग्णांना श्वास घेण्यास मदत करण्यासाठी श्वासनलिका किंवा मध्यवर्ती रेषेत ट्यूबमध्ये कोठे प्रवेश करावी हे ठिकाण निश्चित करू शकते. “परंतु हे अधिक व्यापक असू शकते,” कॉलस्ट्रॉम म्हणाला. उदाहरणार्थ, डॉक्टर सामग्री आणि इतर डेटा उघडू शकतात, जसे की हद्दपार खंडित करण्यासाठी एक साधा भविष्यवाणी – किंवा हृदयातून रक्त पंप करणे – छातीवरील एक्स -रे पासून.

ते म्हणाले, “आता आपण मोठ्या प्रमाणात उपचारांच्या अंदाजाच्या प्रतिसादाबद्दल विचार करण्यास सुरवात करू शकता,” ते म्हणाले.

मेयो जीनोम (डीएनए अभ्यास) मध्ये “अविश्वसनीय संधी” तसेच प्रथिने (प्रथिने अभ्यास) सारख्या इतर “ओमिक” क्षेत्रांमध्ये देखील पाहते. कृत्रिम बुद्धिमत्ता जनुकांच्या प्रती किंवा डीएनए अनुक्रम कॉपी करण्याच्या प्रक्रियेस इतर रूग्णांसाठी संदर्भ बिंदू तयार करण्यासाठी आणि जटिल रोगांसाठी जोखीम प्रोफाइल किंवा उपचार मार्ग तयार करण्यात मदत करू शकते.

“म्हणून आपण मुळात इतर रूग्णांविरूद्ध रूग्णांना आकर्षित करता, प्रत्येक रुग्णाला गटाच्या सभोवताल तयार करा,” कॉलस्ट्रॉमने स्पष्ट केले. “हेच वैयक्तिक औषध प्रदान करेल:” आपण या इतर रूग्णांसारखे दिसत आहात, अपेक्षित परिणाम पाहण्यासाठी आपण असेच वागले पाहिजे. ”

परंतु कॉलस्ट्रॉमने यावर जोर दिला की निदानाच्या बाजूने असलेल्या प्रत्येक गोष्टीसाठी अधिक काम आवश्यक आहे. जीनोम फाउंडेशन मॉडेल संधिवातावर कार्य करते हे दर्शविणे ही एक गोष्ट आहे; हे क्लिनिकल वातावरणात याचे शेवटचे सत्यापन आहे. संशोधकांनी लहान डेटा संग्रहांची चाचणी करणे, नंतर हळूहळू चाचणी गट वाढविणे आणि पारंपारिक किंवा मानक उपचारांची तुलना करणे आवश्यक आहे.

“आपण त्वरित जाऊ नका,” अहो, आपण मेटोटोक्साइट वगळूया “(प्रसिद्ध संधिवात औषधे), त्यांनी सूचित केले.

शेवटी: “आम्हाला रूग्णांची आणि निदानाची अर्थपूर्ण मार्गाने कशी काळजी आहे हे प्रत्यक्षात रूपांतरित करण्यासाठी या (मॉडेल्स) च्या आश्चर्यकारक क्षमतेची जाणीव आहे, मानक उपचारांची अधिक रुग्ण किंवा रुग्णांची काळजी घेणे,” कॉलस्ट्रॉम म्हणाले. “आम्ही रुग्णांच्या काळजीत जटिल डेटा करतो तिथे आम्ही लक्ष केंद्रित करतो.”