电子发烧友App
当人工智能渐渐成熟，健康医疗将更专注于数据整合
医疗保健利益相关者大都参与了人工智能，但该行业要获得成功必须克服数据整合的挑战。
很快，人工智能将成为医疗保健数据分析领域最受欢迎的话题。
似乎就在一瞬，人工智能在支持成像分析、临床决策支持、运营效率和提高患者预约成功率方面取得了惊人的进步。
人工智能算法现在可以识别出异常情况并提出建议，同时能达到与人类诊断精确度相当的比率解决问题在某些情况下，人工智能对于复杂的深度学习和神经网络的研究能力超过了本就占少数的优秀的临床医生。
在每年一度的HIMSS展览会上，人工智能从不确定的新奇事物变成了展会上的受到关注的事物。
HIMSS是评估行业成熟度最重要的大会之一，而人工智能在过去12个月里确实火了起来。
在2018年的会议上，EHR供应商和大数据专家向持怀疑态度的观众介绍了人工智能和解答了人工智能将会对他们的过去和现在造成的消极影响即创新将改变人类的决策方式。
供应商们想尽一切办法来缓减人们对机器人医生、医疗相关提供者大规模裁员和患者与医疗机构之间关系将变得更加机械化的忧虑，努力将人工智能定位为消除浪费、推动社会持续改进的发动机，而不是职业末日的预兆。
从那时起，主要的解决方案提供商加入了监管机构的行列，将人工智能作为一种竞争优势和必然趋势加以推广，呼吁企业接受机器学习将成为生活中的一部分的事实。
最终他们取得了巨大的成功。
在HIMSS18上，供应商只要说他们开发了一款具有机器学习能力的新产品，就能吸引非常多充满好奇心的的人到他们的展位前进行咨询和了解。
2019年，与会者对复杂的数学着迷不已。
相反，他们希望对人工智能的投资，未来能够让他们沿着分析成熟度曲线，从追溯性描述性分析，进入洞察性的分析领域:通过数据分析及时提出可行的措施来进行干预可能的事件，从而阻止未来事件的发生。
对于那些迫切希望能帮助提供者掌握机器学习的供应商来说，公众舆论的变化起着积极的作用。
尽管对人工智能的争议正在结束，但在人工智能真正能被大量投入运营前，还面临着另一个挑战:人工智能在现实世界被有效应用之前，需要利用大量干净、完整、及时的数据进行学习、培训和验证。
创造一个流动的、可访问的数据聚合环境能让人工智能获得高速发展，这意味着需要全面修订从基础设施设计到商业案例中信息共享的服务。
随着人工智能在社会发展中的价值出现变化，企业更愿意去解决其在发展中面临的挑战，但在提供者团体能够将其真正能应用于相应的场景前，该行业仍有大量工作要做。
大数据拼图
Optum技术副总裁马克?莫尔希(Mark Morsch)表示，医疗保健组织已进入人工智能和高级分析的关键性一年。Optum与付费方和提供商合作一起研究如何处理和获得相应的数据。
他说：“我们认为2019年是人工智能被采用和持续成熟的重要一年。它的发展非常迅速，尤其是在深度学习和自然语言处理(NLP)领域。”
“我当然看到越来越多的组织从诊断和描述性的层面提升到更具预测性和规范性的层面，这非常令人兴奋。人们开始意识到将人工智能应用于实践的挑战和机遇。”
EHR巨头Epic Systems的分析和机器学习主管塞斯?海恩(Seth Hain)也看到了类似的进展。
他在接受HealthITAnalytics.com采访时表示:“对人工智能的炒作正在降温，人们开始真正的拥抱它。许多客户开始组建团队和流程，将机器学习整合到他们在开展业务中。”
“很高兴能看到这种转变，所有相关方都能能够开始更深入地优化临床工作流程，并将机器学习作为工具集的一部分来提高机构运营效率。”
KPMG咨询服务业务负责人Bharat Rao博士补充道，计算能力的进步让数据科学家能够改进他们使用的方法，并在机器学习逐渐成熟的基础上加以扩展。
机器学习研究博士Rao说:“人工智能在成像分析等方面已经具备20多年的经验，而且现在已经做得很好。”
“数据科学并不是真正的新技术重要的是我们要知道我们已经拥有多年的相关技术经验，而且我们相信它会起作用。技术最终并不是真正的问题。”
“真正的问题在于医疗机构是否已经做好了准备，我们看到了这种变化。该行业对事物表面的描述性问题有较好的把握，但人工智能的全面愿景是解锁未被很好处理的非结构化数据中的价值，并将其与结构化信息整合，以获得预测性而非追溯性判断。但是现在的最难的问题是要把所有的数据都集中在一个地方才能实现。”
在医疗保健领域，数据竖井无处不在，打破数据访问的障碍，同时仍坚持隐私和安全原则，是一个巨大的挑战。
五年多来，互通作性一直是HIMSS大会的一个重要的主题，尽管近年来，人们的兴趣已经从数据竖井转向组织如何处理这些数据。
这个话题在2019年被再次提上日程，CMS发布了一份全面的路线图旨在打击各机构之间有目的的信息拦截，并鼓励各相关方更广泛地分享参与的患者、人口健康管理和质量改进方面的数据。
供应商们普遍赞成这一新规则，尤其当他们明白开放的数据交换环境是AI成功的至关重要的因素。
戴尔EMC全球医疗业务首席技术官、杰出工程师David Dimond指出，如果能建立无间隙的纵向记录患者病情的能力，对于创建准确且可操作的AI模型至关重要。
Dimond说:“用AI分析一组特定的数据没有多大用处，除非你能建立一套健康记录，并对这个人的健康状况进行纵向观察分析。当一个人的数据没有被全部整合在一起时，你怎么才能全面了解一个人呢？如果你的记录有漏洞，你开发的AI会有多大用处?”
他强调:“数据聚合将成为组织当前的首要任务。”
“我们有太多的片段数据被应用到不同的人工智能产品，企业也没有相应的策略能将所有的数据整合到一起去完善他们想完成的工作。”
解决碎片化数据世界的复杂性
医疗保健领域对于患者碎片化数据的担忧早已成为老生常谈的事件。企业一直知道如果想在大数据环境中取得成功，就必须需要改进数据存储和仓储体系结构。
2017年，埃森哲(Accenture)的一项调查发现，超过80%的医疗行业高管已开始着手创建一个集中的数据平台，以支持人工智能计划。
82%的受访者认为，现代健康信息领域的优秀领导者将取决于他们如何设计出较好的能进行大规模信息分析的无缝、互操作环境。
但是，与大多数健康IT项目一样，解决这个问题说起来容易做起来难。一切似乎都与过去常规的健康系统背道而驰。
巴拉特拉奥博士，毕马威会计师事务所负责人
过去的医疗系统、EHR决策、从下而上处理完整性数据所需的时间和金钱的缺乏，以及潜在相关数据源的混合，这些都增加了开发这些无竖井生态系统的难度。
Dimond说:“我们有几十种不同的临床级和消费者级设备、应用程序和工具，它们产生的数据可能都非常有价值，但很多设备都将数据发送到不同的地方。”
“有些数据你知道在哪里，但大多数你不知道，因为它现存在某个特定的专有的云系统内。”
“我们一直在谈论消费级设备和物联网设备对我们了解诊所外发生的事情的了解有多大帮助,但如果我们无法获得这些数据来帮助我们进行决策。”
即使部分已知数据在理论上是可访问的，但是原始数据的混乱、不规范和多样性使得它并不符合大多数组织所需的高级数据形式。
Optum的Morsch说:“医疗记录中的大部分数据都是非结构化的，尤其是当你查看传真和利用图表检索输出时，数据会非常混乱。我们称它为‘纸巾卷’这只是一堆庞大的数据量甚至包括为病人制作的所有文件。”
“需要采用多层机器学习技术，才能让数据能被二次使用。首先，您必须对数据进行识别整理，因此您必须运行光学字符识别(OCR)算法，例如，将PDF图像转换为可计算文本。然后，你必须使用NLP从中提取有意义的元素，或者识别出你正在寻找的模式。”
对于组织来说，独自将非结构化数据的数据进行结构化的第一层工作挑战性就非常大，这也是阻碍了许多供应商进一步推进他们的人工智能计划的原因。
“如何能够弥合这样的差距然后对数据结果进行更有意义的处理是判断技术提供商实力的重要依据，这也应该是客户在规划项目时必须考虑的问题。”
对于Optum将NLP与深度学习相结合，可以帮助其Case Advisor软件的用户简化图表审阅流程。
Morsch解释说:“有如此多的数据需要审查，供应商不得不有选择性地查看他们需要的内容。虽然这并不能让一个组织能全面了解他们的临床组合，或者增加任何收入。”
“深度学习本质上可以为你审查每一个案例，然后它可以识别出某些特殊案例，这些案例可能是人类专家进行额外审查的最佳选择。”它支持适当的自动化，并且可以转换成可用于编码和整理出符合要求的案例的过程。但首先你必须有数据。”
Hain认可每个组织都需要一个强大的技术合作伙伴来帮助他们推进人工智能来获得可衡量的结果。
他说“有思想的机器学习的关键挑战之一是技能组合还没有完全到位。这不是传统组织所能承担的角色。因此，利用我们的经验帮助他们学习如何建立有效的团队是我们关注的重点。”
Hain表示Epic正在构建机器学习模型库以方便供应商能够采用这些模型来满足他们的特定需求，从而降低了必须在内部拥有大量数据资源的门槛。
“需要了解当前的工作流程，找出改善工作流程的机会，然后开始将机器学习应用到解决这些问题上。”
“但为了成功，他们必须围绕这个问题制定一个切实可行的框架。你不能为了AI而拥有AI。当它为最终用户带来可衡量的好处时，无论是临床医生还是病人都会认可它，并在医疗下游产生影响。”
KPMG健康与政府解决方案部门负责人拉里?伯内特(Larry Burnett)表示，将灵活、实用的组织策略、聚合的数据和人工智能算法结合起来，可以帮助组织解决医疗保健系统的复杂性问题，而不是被问题所淹没。
他断言，“让机器学习是一件令人兴奋的事情，因为它可以将数千个变量集成到一个计算中。”
例如，Scheduling是一个很好的应用程序。过去很多病人周末必须呆在医院，因为他们在周五时无法预约上导尿管实验室检查，或因为医院机器服务时间被排得太满而无法做超声心动图。”
“如果医生迟到或取消预约，病人的诊断时间将会变得不确定且无法开展，需要使用正确的设备，或者护士人手短缺……任何一种情况都可能导致病人的诊断出现严重的延误。”
Burnett说，机器学习非常复杂，可以考虑到所有变量，它可以为人员配备、日程安排或重新分配资源提供有用的建议。
“人类无法像人工智能那样有效地优化这些事物。人工智能非常擅长于研究所有可能影响护理的因素，并迅速识别出可变性和调整医疗的机会。”
“你需要在正确的地方获得所有这些数据才能实现人工智能的有效性。一旦汇总了所有信息，人工智能能减少资源浪费和确保得到高质量结果的可能性就很大。”
数据聚合开发技术基础
对于提供商能否持续获取所需要的数据，他们需要优先制定出基础数据架构策略，在保护隐私和安全的同时能进行数据聚合。
HIMSS18的与会者几乎花了整整一周的时间专注于僚机诶如何使用云存储和云计算来支持下一代数据分析，这一点会贯穿2019年的整个会议。
KPMG的Rao说:“我在HIMSS工作了20年，去年第一次看到的云计算让我兴奋不已。而且今年投资者对云计算的兴趣越来越大，主要是以下多个原因：
“首先，云服务在我们日常生活中随处可见，这些数据最终都将被应用于医疗领域。其次，由于企业都希望进入人工智能领域，他们意识到云服务是实现所需数据聚合的最佳方式，所以他们都愿意将可用的基础架构数据放在这里。”
云服务提供商一直在医疗行业推广其人工智能功能，而不是只局限于存储功能。
来自谷歌和亚马逊网络服务(Amazon Web Services)等公司的预制机器学习模型和工具包，吸引着更多的企业加速关注云计算这项技术，并在怀疑的过程能慢慢接受和信任该技术。
事实上，医疗行业拥抱云计算的过程与其接受人工智能的过程并没有太大的不同。
这两项技术在起步阶段，各组织都难以接受它们，在数据的使用即如何保障数据的安全和用户的隐私给利益相关者敲响了警钟，而且现在这两项技术正在迅速被人们接受，成为行业发展的趋势。
云计算和人工智能都要求组织能对这两项技术在处理无法控制的变量中具有一定的信心。
两者都要求组织致力于整体战略规划，而不仅仅是多采用一项新技术。因此，基于云计算的方法通常成为专家对人工智能开发的首选建议。
“你所有的数据都需要放到某个地方。很有可能，这一切都不会发生在同一个地方事情就是这样。但你需要围绕你所做的事情制定一个商业策略，这样即使数据最终位于不同的地方，也可以将他们整合在一起被使用。”
“如果企业想要开展人工智能，那么它需要考虑如何结合云存储和云计算。如果企业从一开始就将云计算构建到数据聚合和互操作性模型中，那么企业将变得更加强大，而且可以将支持机器学习模型所需的各类数据集合在一起。”
Rao还认为，虽然组织可以在内部系统整合好他们的数据，但在不久的将来，云服务将成为支持人工智能最重要的底层技术。
“任何想真正应用人工智能的组织的人都必须集成云服务，”
“首先，不管人们会怎么想，但我认为它更安全。我愿意相信一家在安全协议上投入数十亿美元的公司的安全性，也不愿相信我自己，这是肯定的。”
“其次，人工智能的各项能力的提升速度远远超过了我个人的能力。虽然我可以建立一个与亚马逊、谷歌或微软相当的数据中心，但它可能会在6个月内过时。两年后，它将落后整整于新一代人。跟上这种令人难以置信的变化速度并不是我的使命我既没有预算，也没有追赶的时间。”
云计算为单个组织提供了将数据聚合到单个位置的能力或者在多个位置轻松地链接在一起但它也为多个组织提供了合作开发和验证机器学习模型的机会。
随着各组织开始寻求从复杂人群中发掘出多方面数据集的价值，学术团体和行业伙伴之间的关系正在变得越来越紧密。微软、谷歌和亚马逊都发布了基于FHIR的工具、API和数据共享平台，以支持不同系统之间进行健康和科学性的协作。
对于Epic系统，单个存储库中聚合采用Epic承载的Cosmos数据库的形式，这是EHR公司使用机器学习支持基于证据的实践的整体愿景的一部分。
Hain说：“规模化对人工智能非常重要。你需要一定的存储空间来存放你捕获的平衡数据集，包括足够的元素来满足整个模型。”
“但你还必须确保你使用的数据是正确的，是针对特定的人群量身定制的。如果您的数据无法访问且不集中，则无法执行其中任何一项操作。关于如何做到这一点有很多选择，但是如何获得正确的数据显然是至关重要的。”
再加上CMS要求各机构之间进行部分公开和适当地共享数据的压力，对于那些希望既能满足监管要求又能为人工智能医疗服务交付前做好准备的组织来说，云服务正变得越来越有吸引力。
Burnett说:“好处当然大于风险。“对于那些既可以聚合数据并能为机器学习创造合适环境的组织来说，他们将会有各种各样的机会使用到云服务。未来云计算是重要的工具，企业在制定路线图时应该认真考虑它。”
实施人工智能的技术基础，无论是基于云的还是基于呢部，对于允许医疗保健继续其向规定性洞见和更高层次的分析成熟度迈进的旅程，都是至关重要的。
实现人工智能的技术基础，无论是基于云服务还是基于相应前提的情况下，允许医疗保健系统能向更具优势的规定性洞见发展和具有更高层次的分析能力，都是至关重要的。
Morsch说：“我们用机器学习能做的事情几乎是无限的。现在时机恰到好处，因为我们用于做决定的数据量实在太大了，任何人都无法处理，而且它只会持续增长。”
“我们可以利用人工智能来帮助供应商处理这些信息，这是令人兴奋的，但同时也有点令人感到畏惧。我期待看到这个行业是如何应对人工智能的挑战，并利用人工智能为这些优秀的人提供医疗服务。”
工商网监
评论