Innovative Pflege beim maschinellen Lernen
David Higginson, Executive Vice President und Chief Innovation Officer des Phoenix Children’s Hospital, bot seine Einblicke in die praktischen Anwendungen des maschinellen Lernens in seiner Organisation.
„Dazu verwenden wir keine Anbieter. Wir bauen diese Produkte selbst“, sagte Higginson. ML-Modelle sind an lokale Daten gebunden, sodass die Verwendung des Modells eines Anbieters, das in Kalifornien funktioniert hat, nicht unbedingt in Arizona funktioniert. Außerdem wäre es kostspielig, die Lösung eines Anbieters auszuprobieren und zu scheitern.
Bisher, sagte Higginson, hat sein Team Systeme entwickelt, die helfen, Unterernährung bei Kindern zu diagnostizieren, vorherzusagen, wann ein Patient nicht erscheinen könnte, Unterstützung bei der Mitarbeiterbindung anzubieten und Personen zu identifizieren, die dem Krankenhaus Geld spenden könnten.
„Nicht jede coole Idee lässt sich umsetzen“, sagte er. „Wenn du das Ende nicht vor Augen hast, ist alles umsonst.“
Die automatisierten ML-Tools, die er und sein Team verwenden, sind mit einem Preisschild versehen, daher müssen sie einen konkreten Nutzen für das Unternehmen aufweisen. „Sie müssen wirklich über die Probleme nachdenken – wie werde ich Wert extrahieren, entweder klinisch oder finanziell? – oder gar nicht“, sagte er.
ERFAHREN SIE MEHR: Informieren Sie sich über die Eröffnungsdiskussion der HIMSS23 zum Thema KI und Chancengleichheit im Gesundheitswesen.
Der Schlüssel liegt darin, das richtige Problem zu finden, das mit einem ML-Modell angegangen werden kann. „Damit das funktioniert, muss man Probleme als Vorhersageproblem umgestalten. Viele, viele Probleme lassen sich nicht vorhersagen“, sagte Higginson.
Gewöhnen Sie sich an Fehler und halten Sie sich von Problemen fern, die eine hohe Genauigkeit erfordern, sagte er, fügte aber hinzu, dass es viele Probleme gibt, die dies nicht erfordern.
„Ich kann Ihnen nicht sagen, wie oft ich verschwendete Arbeit gestoppt habe, indem ich Leute gefragt habe: ‚Wenn Sie eine Vorhersage hätten, die zu mehr als 85 Prozent genau wäre, was zum Teufel würden Sie damit machen?’ Die meisten Leute können sich das nicht vorstellen“, sagte Higginson.
Bewahren Sie diese Seite für unsere fortlaufende Berichterstattung über HIMSS23 mit einem Lesezeichen auf. Folgen Sie uns auf Twitter unter @HealthTechMag und beteiligen Sie sich am Gespräch unter #HIMSS23.
