高级机器学习(ML)工程师Virta应用人工智能的团队,我的工作集中在开发智能系统,利用我们独特的指数增长的数据存储。这样的系统有ML算法在其核心,可以帮助任何区域的业务。我目前专注于为临床医生提供构建系统,增强我们的身体护理和患者逆转糖尿病。
Virta的竞争优势是我们的专业精英教练组。我们教练在前线逆转糖尿病的每一天,缩小信息差距和实现通过回答问题,提供鼓励,给予反馈(如故障诊断生物标记物如血糖),和个体化治疗,以满足个别病人需要无数的其他方法。我们有一个非常高的酒吧在我们教练招聘过程,以确保病人接受一流的治疗。规模成功,我们必须帮助我们的神奇教练满足病人的需要把注意力投到特定的病人在正确的时间。
我们的教练与病人在两个方面:主动和被动。反应性保健是显式的教练参与反应病人的请求支持,如回答病人的问题关于饮食的选择或最近血酮值。主动关心教练订婚,不是为了明确病人的请求。例如,接触后发现缺少血糖值记录,或庆祝的成就(例如药物减少,糖尿病逆转,或减肥)。而活性护理有助于满足直接护理的需求,它依赖于病人发起对话。有时患者没有意识到他们需要帮助,或者觉得不舒服问。通过提供积极的保健,教练马上跳上问题第一次出现时,并提供源源不断的鼓励保持斗志高昂。NPS和其他调查数据证实,主动照顾病人是我们的一个优势,他们一再强调他们喜欢听多少积极的反馈,要问之前获得支持,庆祝他们的成就的人。
主动的关心,虽然在美国医疗争议得不到重视,并不是一个新想法。许多医院系统和健康计划促进主动关心癌症筛查和病例管理伟德国际亚洲欢迎您等。如果他们能尽早发现问题和解决健康问题在失控之前,他们可以改善结果和预防成本,更严重的健康问题。在Virta,我们唯一能够提高主动关心通过临床专家对我们的供应商之间的紧密合作和健康教练团队,和技术专家在我们工程,应用人工智能和数据科学团队。一起,我们开发了人工智能系统,可以从成千上万的病人梳理消除识别信息数据(即信息、生物标记、实验室、结果),识别那些将受益于主动关心,每天提醒相应的教练。
随着这些警报变得更加精细,他们给我们的教练超级大国通过帮助他们确切地知道什么时候接触到一个特定的病人。教练需要大量的时间来筛选他们所有的病人记录和发现潜在的问题,没有技术的帮助。生成ML-based主动提醒可以帮助,但是需要解决一个金发女孩问题——我们需要“适量”的警告。太少提醒病人和他们可能意味着我们会想念挣扎太久,很难正确。太多的提醒会导致假阳性,意味着我们会过载教练,谁会回来筛选太多信息。我们建立主动提醒管道,下面详细描述,来解决这个问题。
目标的主动预警管道:
主动提醒被实现为一个面向批处理的管道吸入病人特点和从我们的数据仓库和定期发布警报事件后端服务管理教练的队列。此队列的教练火花都浮出水面。火花是我们国产的,连续的远程医疗平台内置的EHR远程病人监护。虽然有许多有趣的技术和知识分享对于我们如何设计,实现,和迭代不同组件在下面的图中,在这篇文章中,我将主要集中在积极的提醒管道。
以满足目标前面所提到的,我们设计了管道运行在这个序列:
管道的核心是“病人接触机会”的设置及其附带的背景下,教练可以随时采取行动警报浮出水面。参与机会的定义和上下文不断迭代的跨职能团队Virtans包括应用人工智能、操作、设计和产品。一起,我们决定:一组接触的机会,保证一个警告,什么类型的信息是有用的提供与警报,以及如何提取这些信息可靠地从我们的数据存储。跟上不断变化的需求作为我们成长和发展的过程和工具,我们增加了许多新的接触机会开始的管道。同样重要的是,我们还修改和删除那些不再有用的基于定性和定量反馈(更多关于这节5下)。
一旦生成大量病人接触的机会,有几个“修剪”步骤我们发现有用的智能消除那些不相关:
修剪之后,仍然有大量的病人接触的机会仍然存在。如果警报数量没有问题,优先级是不重要的。然而,通过设计,我们想要的情况我们“撒一张大网”和识别许多可能的接触机会避免病人“下滑”。因此,经常有更多的参与机会识别比教练可以在一天之内解决。下一个关键步骤是优先级的警报,这样最对时间敏感的和有用的今天浮出水面,和其他人可以浮出水面。多年来,我们已经尝试过优先的频谱完全基于临床医生提供的规则,完全基于机器学习算法(各种优化的标准)。这两个极端完全满足教练的需求。我们目前使用一个混合的方法,混合规则和ML技术,比任何一种单独方式执行。一般来说,我们给更高的优先级:
一旦接触机会被优先排名,我们选择V- - - - - -E的病人,V的体积是约束(避免重载教练)。然后我们的策略上E额外的病人,随机选择从剩下的接触机会。这一点探索加速了持续学习和避免局部最优。换句话说,包括警报,不坚持严格我们当前优先级计划,实际上是容易确定应优先更高,因为如果我们离开他们,我们就不会学到很多东西。优先级算法仍是一个活跃的区域发展我们总是寻求更有效的护理不牺牲质量。
管道的最终步骤涉及重新格式化警报信息的方式是有用的教练。首先,接触机会为每个病人和聚合格式和一些病人上下文帮助教练行动(例如,日期最近的生物标记的值)。接下来,我们使用芹菜发送警报信息RabbitMQ,权力提醒队列可见EHR的教练。
年前,最早版本的警报系统没有一个健壮的反馈机制。我们主要依靠定性的反馈从教练区分警报是有用的,没有,哪些修改。这是足以让我们开始,但后来随着教练团队的成长不足。我们需要一种方法来全面收集信息提醒相关(1)跟踪效果(随着时间的推移系统如何执行?)和(2)通知更新(我们怎样才能做得更好?)。我们还需要教练的反馈机制容易使用,而不是阻碍他们的工作流。在合作中,我们设计并实现了新的按钮(“采取行动”和“不采取行动”)警告,这些都是非常宝贵的。如果警报一代是完美的,我们要确定正确的患者在正确的时间正确的理由和教练将100%的时间采取行动(和报告没有病人“下滑”)。在现实中,有时警戒标准可能是没有意义的对于一个给定的病人的具体情况,或时机不完全正确和教练不采取行动。
在2021年上半年,我们加倍关注识别方法来增加成功的度量,百分比的行动(例如#“采取行动”/ #总警报),并使多个系统发生的变化。例如,我们修改了一些接触机会标准更严格,有太多无用的警报。我们也调整了优先级算法。我们在打这些类型的变化在这段时间里,和观察到的百分比的增加行动警报增加相关性。这种类型的快速、持续迭代系统被设计成为可能与“警戒级别”和“系统级参数将在下一节中描述。
# 1 -参数化的重要性:当我们从临床同事有想法如何定义标准接触机会,常常有不确定性究竟是最有效的。此外,定义接触的机会常常改变随着时间的推移我们继续优化的其他方面Virta治疗和拓展新人群。使灵活性,上面的步骤1 - 3(即接触机会定义,修剪算法,和优先级算法)都有可调参数。管道允许的参数化在许多领域:(1)探索与优化在更广泛的范围的场景,和(2)更简单的代码修改和更快速部署周期。
# 2 -当调整参数与临床专家合作的重要性:如上所述,我们不断评估汇总数据(行动百分比趋势&定性教练反馈)和选择性的删除,修改或添加新接触的机会。在某种程度上这可能是完全自动化的,但是现在我们混合定量数据与定性的反馈前教练制定的变化。类似于自动车辆司机目前处于开发阶段,在许多方面是完全由人工智能控制,对于某些类型的决定我们想让人类在循环监测和校正。
# 3 -实验的重要性和迭代:正如上面提到的,这个系统的另一个成功的关键因素是进行偶尔技术飞行员和测试系统地确定哪些提示,流程,和功能工作得很好,哪些应该被丢弃或修改。在一个典型的实验中,教练团队分为不同的组,接收不同的配置生成的警报。通过这种方式,我们可以有条不紊地评估变更的影响。
# 4 -抓住机遇取悦用户的重要性:我主要是描述主动教练警报机制来识别患者可能受益于教练的帮助。虽然这仍然是核心目标,我们添加了其他功能取悦用户,增加效率。首先,我们听到教练将是有用的和更多的能量(教练和患者)也强调成就当病人达到一定的目标。为此,我们推出了庆祝活动,通知教练当病人到达里程碑等达到估计糖化血红蛋白低于糖尿病阈值或失去重量的5%。第二,我们还利用警报表面增加一些个性化的教练自己“惊喜和快乐”。例如,与临床专家和完整的堆栈的工程师合作,我们添加了零星的能力插入病人的积极反馈调查教练工作流。
# 5 -集成人工智能产品更大的影响:最后,我要强调,尽管一些警报是基于明确的规则(例如,“没有葡萄糖日志X天”),其他人则更加复杂,依靠其他的机器学习算法。例如,我们的模型预测辍学和估计糖化血红蛋白(糖尿病的一个重要血液测试,需要一个实验室访问),纳入特定的提醒和帮助系统级优先级。通过整合这些不同的人工智能产品,我们得到更多的比在隔离工作。
最后,我会后退一步,回顾四个(+ 2加值)更大的主题,对成功很重要部署AI-driven报警系统积极的护理,可以使医疗更有效和高效。他们也可能转化为其他领域,如教育、早期干预可以帮助学生实现他们的学业目标。
