Salgın karşısında hastanenin veri merkezine ihtiyacı var mı?
Bu makale Dear Data'nın (ID: deardata) izniyle çoğaltılmıştır.
Yazar | Tan Jing
Sorumlu Editör | Hu Weiwei
Bugün, Çin İnternetinin toplam piyasa değeri 10 trilyon yuan'a yakın ve en iyi Alibaba ve Tencent'in her biri 400 milyar ABD dolarının üzerinde bir piyasa değerine sahip. Bir yandan piyasa değeri parlıyor, diğer yandan İnternet veri uygulama teknolojisinin doğduğu yer haline geldi ve veri merkezi de gelişiyor.
Tencent Tang Daosheng, "Çin ve Tayvan'ın yetenekleri daha önce de vardı, ancak bunların çoğu dahili işlere hizmet ediyor. Ancak endüstriyel İnternet çağında bu teknoloji birikimlerini kademeli olarak açmaya başladı."
Jingdong Li Kefeng ayrıca açık bir şekilde şunları söyledi: "Şirket, organizasyonel yeniden yapılanma turlarından sonra veri merkezini yeni bir boyuta yükseltti."
Tüm bunlar, veri merkezi buzdağının spot ışıklarının altındaki görünen kısmı ... Teknik açıdan değil, iş perspektifinden bir teknoloji olarak, veri merkezinin uygulaması yavaş yavaş geleneksel alanlara nüfuz etti.
2019 yılında Foshan Doğum ve Çocuk Sağlığı Hastanesi Müdürü Ma Liming, "Çin Tıp Kurumlarında Yeni Nesil Veri Merkezlerinin İnşasının Araştırılması" başlıklı bir konuşma yaptı. Veri stratejisi çağında, tıbbi bilişim çalışanlarının yolu keşfetmesi kolay değil. Akıllı teknolojiye gerçek talep.
Hastane bilişim altyapısı temel gibidir. Gerçek şu ki, temeller üzerindeki binalar başlamadan önce altyapının tamamen yerine oturmasını bekleyemezler. Çin hastanelerinin bilişim hızı ve yapay zeka teknolojisinin uygulanması aynı şantiyede tüm hızıyla devam ediyor.
Veri merkezinin talep geçmişi
Hepimizin bildiği gibi, yeni tıbbi reformun özü "yer açmak, yapıyı ayarlamak ve bağlantıyı sağlamaktır." Yer açmak, ilaç fiyatlandırmalarının ortadan kaldırılması ve tıbbi hizmet davranışını düzenlerken ilaçların ara bağlantılarının karlarını azaltmak için merkezi tedarik için iki faturalı sistemin kullanılması da dahil olmak üzere yer açmak ve yer açmaktır.
Tıbbi bakımın mevcut yapısı, tıbbi fiyatlar ve hizmet fiyatları ayarlanarak ayarlanır ve büyük ölçekli ilaç muayeneleri ve muayenelerinin fiyatı düşürülür, bu da tıbbi personelin teknik emeğinin yükselen değerini yansıtabilir.
Yapısal ayarlamaların hastane mekanizması üzerinde büyük etkisi vardır. Yeni mekanizma, sosyal güvenlik ve mali tazminat ile iyi bağlantılı olmalıdır. Devlet hastanelerinin dekanları bu kritik dönemde zorluklarla karşılaşmaktadır.
Tıbbi bakımın kalitesini sağlamak, aşırı tıbbi bakımı azaltmak ve hizmet kalitesini iyileştirmek en önemli önceliklerdir. Bununla birlikte, nasıl iyileştirilebileceği anahtardır. Bu şartlar altında, veri analizinin yeni bir tarihsel misyonu vardır ve yeni tıp, klinikleri hızlandırma sağlamak için güçlendirmek için bilgilendirme olarak değiştirilmiştir.
199 9 yıl içinde Çin tıp kurumlarının bilgilendirilmesi başladı.
2010 yılında, on yıllık bir veri birikimi dönemi.
2019'da on yıllık bir veri alışverişi dönemi.
2021'den sonra veri uygulama dönemine girmesi bekleniyor.
Medikal dijitalleşmeden medikal istihbarata ulaşmak için endüstrinin iki eşiği aşması gerekiyor.
Birincisi, çekirdek olarak teknolojiden, tıbbi kurumların bilgi merkezinde çok sayıda veri uzmanı gerektiren veriye dayalı teknolojiye geçmektir. Amerika Birleşik Devletleri'ndeki birçok hastanenin bilgi merkezlerinde yüzlerce hatta binlerce yetenek var ve bunların çoğu veri uzmanı. Bununla birlikte, yerli tıp kurumlarında çok az veri uzmanı vardır.
İkincisi, "genel muayenehane entegrasyonundan" "uzmanlık özelleştirme" ye geçiştir Tıbbi bilgi çalışanlarının klinik operasyonlara ve süreçlere daha aşina olması gerekir.
Sadece bu değil, tıbbi bilgi çalışanları da aşağıdaki zorluklarla karşı karşıyadır:
Birinci zorluk, işi güçlendirmek için veriler nasıl kullanılır? Basitçe söylemek gerekirse, verileri okuyun. İlk şey, veri ara bağlantısı, entegrasyonu, standardizasyonu ve yapısını gerçekleştirmektir. Yüksek kaliteli veriler aracılığıyla, klinik kalite ve verimlilik sorunlarını bulun ve sorunların arkasındaki nedenleri analiz edin.
Bulunan sorunlara göre, tıbbi bakımın kalitesini iyileştirmek, klinik sorunları çözmek ve klinik etkinliği artırmak için yardımcı karar verme sistemini kullanın. Aynı zamanda, indeks parametreleri sağlayabilir ve bir sonraki yönetim turuna, nasıl daha iyi kontrol ve ayar yapılacağına girebilir.
İkinci zorluk, uzmanlıkların geliştirilmesi çok hızlıdır.Birçok uzmanlık patlamaları ile karşı karşıyadır. Göğüs ağrısı, venöz tromboembolizm (VTE), atriyal fibrilasyon, felç ve sepsis görebilirsiniz.Birçok uzmanlık özel uzmanlığa sahiptir. , Tescilli teşhis ve tedavi özellikleri, özel hizmet bağlantıları, tescilli suçlamalar ve veri analizi göstergeleri.
Bu, hastane bilgi merkezinde çok fazla soruna neden oldu. İlgilenilmesi gereken birçok üretici vardır.Bir hastalık ve her sistem, farklı bir üretici tarafından sağlanan ve çok fazla koordinasyon gerektiren bir ürün olabilir. Her sistemin kendi donanım gereksinimleri vardır ve donanım yatırımı gerektirir. Her sistem arayüz yapmak ve entegre platformu desteklemek zorundadır, bu da birçok işin tekrarlanmasına neden olmuştur. Hepsinin kendi standartları vardır ve nihayetinde standartları yoktur.
Daha kritik nokta, çeşitli sistemlerin kesişmesidir. Belki belirli bir hastalığın bilgi sistemi değişmiştir ve bu, ilgili sistemlerin kullanımını etkileyecektir. Örneğin, antikoagülan ilaçların kullanımını etkileyecek olan venöz tromboembolizm bilgisi değişmiştir.
Bilişim, beş temel sorunu çözmelidir,
Öncelikle veri entegrasyonu, verilerin toplanması yapılandırılır ve standartlaştırılır.
İkincisi, veri içgörüleri ve model oluşumu.
Üçüncüsü, platformlaştırma, birden çok uygulama ile uyumlu açık bir platform, çeşitli uygulamaları destekler.
Dördüncü olarak, veri ile ilgili karar verme sürecini çözün ve çeşitli klinik uygulama ürünleri oluşturun.
Beşincisi, iş yeniden şekillendirme. Senaryo temelli insan-makine işbirliği ve aynı zamanda, birleşik işi iyileştirin ve yükseltin.
Veriler tarafından yönlendirilen yeni mimari entegrasyon platformu, ortada, artı iş orta istasyonu, veri orta istasyonu ve destek olarak iki büyük orta istasyon olmalıdır.
Günümüz ortamında, hastanenin veri merkezi talebi ortaya çıkmaya hazır.
Veri merkezinin bileşimi
Sektör veri merkezi tanımı konusunda fikir birliğine varamamış olsa da, üreticiler ve uzmanların veri merkezi konusunda farklı standartları ve görüşleri var. Bununla birlikte, ana yapı gerçek çalışmada uygulanmıştır. Veri merkezi en az beş ana bölüm içermelidir:
İlk olarak, verilerin standardizasyonu ve yapısı.
İkincisi, verilerin kümelenmesi ve dönüştürülmesi, işletmenin ihtiyaç duyduğu bilgileri oluşturur.
Üçüncüsü, veri kalitesini sağlamak için veri suçlama ve izleme.
Dördüncü olarak, bir indeks sistemi oluşturun.
Beşinci olarak, harici hizmetleri birleştirin. Performansı iyileştirmek ve veri uygulama yeteneklerini sağlamak için aşağı doğru geliştirin. Yukarı doğru genişleme, veri uygulamalarının değerini artırabilir ve işi güçlendirebilir.
Veri merkezi bir ev inşa etmeye benzetilebilir.Tüm bina bileşenleri tuğladan inşa edilmişse, hız çok yavaştır.Evde birden fazla kişi inşa eder ve birçok sistem vardır. Uygulama iniş hızı sınırlıdır.
Bu nedenle, bazı tekrarlayan ve yeniden kullanılabilir olanlar standart parçalar haline getirilebilir. Örneğin, entegre tuvaletler, kapılar ve pencereler, bunlar veri merkezi tarafından yönetilecek şeylerdir ve birleşik hizmetler, standartlaştırılmış bileşenler aracılığıyla sağlanır.
Veri merkezi temelde iki bölüme ayrılmıştır; birincisi veri işleme, ikincisi ise harici hizmetler için merkezdir. Öncelikle işletmenin işiyle yakından ilgili olan bu parçaları çıkarın ve sık kullanılan parçaları tekrar tekrar çıkarın. Veri merkezi, bu hızlı yineleme ve hızlı uygulama ihtiyacını karşılamalı ve aynı zamanda geleceği de göz önünde bulundurmalıdır.
Veri merkezi yetenekleri ve iş süreçleri
Veri merkezi birleşik yeteneklere, birleşik veri depolama yeteneklerine, veri hesaplama yeteneklerine ve veri uygulama yeteneklerine sahiptir. Veri merkezi, temel modeller ve füzyon modelleri, etiketler ve algoritmalar ile kalite kontrol yönetimi ve veri güvenliği yönetimi dahil olmak üzere çeşitli veri modellerini tamamlayabilmelidir.
Müdür Ma Liming, şu anda hizmet merkezinin nispeten olgun olduğunu, ancak birçok hastanenin bir veri merkezi kurmadığını ve hala ilk keşif aşamasında olduklarını söyledi.
hastane WeChat Hizmet orta ofisinde, uygulama katmanı karmaşık iş mantığını içermez, yalnızca sunum ve dönüşümü içerir, ancak hizmet katmanı hizmetlerin mikro yönetimini gerçekleştirmiştir ve her işletmenin ayrı hizmet hiyerarşik yönetimi vardır.
Hizmet ve kullanılabilirlik gereksinimleri farklı olduğundan, kayıt gibi, itibar yönetimi, inceleme ve inceleme gibi N artı 1 dağıtımı benimsenebilir, bu gerçek zamanlı gereksinimler yüksek değildir veya hastalar işin bu bölümünü çok fazla kullanmaz Talep standardı uygun şekilde düşürülebilir.
Bu nedenle, hiyerarşik yönetim, verileri ayrıntılı kaynaklara dönüştürür ve kaynaklar, birleşik bir API aracılığıyla iş mantığı katmanına verilebilir.
Süreç değişiklikleri, iş mantığı değişiklikleri, yalnızca iş mantığı katmanını değiştirmeye ihtiyaç duyar. Aynı anda birden fazla tarafa sağlanabilir ve sadece bir yerin değiştirilmesi gerekir, hepsi birleşik bir hizmet modunda ve talep odaklı sonuçlar. Bu nedenle, veri merkezi, esas olarak birkaç şey yapmak için çok gereklidir:
İlk olarak, tüm standardizasyon ve yapının temeli olan birleşik bir hız ölçümü ve haritalama sistemi oluşturun.
İkinci olarak, terminolojiyi formüle ederken, yurtiçi ve yurtdışındaki yetkili klinik veri setlerine başvurabilirsiniz.
Üçüncüsü, kullanıcıların başvurabileceği Çin standartlarını karşılayabilecek bir terminoloji sistemi oluşturmak için yerel klinik verileri ve yerel ifadeleri kullanma alışkanlıklarını birleştirin.
Terimin kapsamı bu bölümleri içerir,
İlki, hastalıklar, semptomlar, laboratuar incelemeleri, cerrahi operasyonlar ve patolojik belirti ve bulgular gibi klinik tanı ve tedavi bilgileridir.
İkincisi, doğal dil işleme (NLP) ve ontoloji haritalama yoluyla veri standardizasyonu ve yapılandırması elde etmektir.
Üçüncüsü, bir veri varlığı kataloğu oluşturmak için birleşik bir hastalık veri modeli oluşturmaktır.
Veri varlıklandırmanın özü, doğrudan iş senaryolarında kullanılacak yeterli ayrıntı ve boyuta sahip olmaktır. Örneğin, hasta portreleri, hastane portreleri, ekipman portreleri.
İş tersine çevirme ve hasta bilgisi toplama ve türetme yöntemleri aracılığıyla, veriler talep üzerine oluşturulur. Verilerde yalnızca hastanın bilgileri değil, aynı zamanda birçok etiket de saklanır.
Süreci yeniden düzenlemenin anahtarı, yalnızca klinik yolun derinliklerine inerek daha derin bilgilerin keşfedilebilmesidir. Birincisi, iş ihtiyaçlarını karşılamak ve ardından süreci ihtiyaçlara göre optimize etmektir.
Tarama süreci, ilk olarak toplama kılavuzlarını ve ardından bir karar ağacı oluşturmak için hastalığın ana akışına göre kılavuzları parçalamayı içerir. Hastalığın temel değişkenlerini listeleyin Değişkenler yeterli olmayabilir.İş ihtiyaçlarına dayalı bilgileri doğrudan geri bildirim, klinik araştırma formunda içerik toplamak ve hastalık değişkenlerini desteklemek gerekir. Bir hastalık veri modeli ve bir işletim modeli oluşturmak için ikisini bir araya getirin.
Veri sınıflandırması ve depolamaya ek olarak, verilerin etkin kullanımı için elverişlidir, veri varlık katalogları da çok önemlidir. Örneğin, tanı ve tedavi sürecine yönelik göstergeler, tanısal göstergeler ve tanı ve tedavi sonuç göstergeleri dahil olmak üzere yönetilmesi gereken birçok venöz tromboembolizm (VTE) göstergesi vardır.
Örneğin, tanı ve tedavi sürecinin göstergeleri venöz tromboembolizm (VTE) risk değerlendirme oranı ve kanama riski değerlendirme oranını içerir. Hastaneyle ilişkili venöz tromboembolizm (VTE) insidansı, venöz tromboembolizm (VTE) ile ilişkili mortalite dahil olmak üzere tanı ve tedavi sonuç göstergeleri.
Bu önleme ve kontrol göstergeleri doğrudan toplanmaz ve yalnızca venöz tromboembolizm (VTE) risk değerlendirmesinden sonra veri toplandıktan sonra hesaplanabilir. Ancak bu şekilde çeşitli hizmetlerin uygulanmasına daha iyi yardımcı olabiliriz.
Birleşik bir hastalık merkezli bilgi tabanı oluşturmaya gelince, en azından bu üç bölüm dahil edilmelidir.
İlk olarak, ortak uyuşturucu bilgisi denetimi ve denetim bilgisi dahil olmak üzere genel bilgi.
İkinci olarak, modülerleştirilmiş hastalık bilgisi tarama, teşhis, ameliyat ve operasyon için kılavuzları ve bilgileri içerir.
Üçüncüsü, hastalık kılavuzları ve uzman fikir birliği dahil olmak üzere hastalık bilgisi.
Bilgi tabanı temelinde, en az beş bölümden oluşan bir endeks standart yönetim sistemi oluşturmak gerekir,
İlk olarak, epidemiyolojik veriler.
İkincisi, klinik yollar ve kılavuzlar.
Üçüncüsü, hastanelerin ve bölümlerin kalite standartları.
Dördüncüsü, eyaletin büyük hastalıklar için gereksinimleri.
Beşincisi, ulusal yönetimle ilgili kurumlar tarafından belirlenen hastane operasyon göstergeleri (DRG'ler). Veri varlıklarına ve gösterge standartlarına dayalı olarak, doğru konumlandırma belirlenebilir, sorunlar tespit edilebilir ve klinik sorunlar tespit edilebilir. Aşırı muamele mi yoksa eksik muayene mi olduğuna daha iyi karar verin.
Birleşik bir veri kalitesi ve izleme sistemi oluşturmak, kalite kontrol sisteminin en önemli önceliğidir. Suçlamada gerekli en az üç şey var.
İlk olarak tutarlılık.
İkincisi, standardizasyon,
Üçüncüsü, rasyonellik.
Mümkünse, içerik kalite kontrolü eklemek en iyisidir ve kullanmadan önce izlemek en iyisidir; bu, tıbbi kalite sorunlarının ve risklerinin zamanında tespiti için çok yararlıdır.
Ek olarak, açık API'ler, birleşik veri merkezleri çeşitli iş verisi uygulamalarını ve açık arabirim hizmeti veri merkezlerini destekler.
Açık arayüz servislerinin çeşitli faydaları vardır: Birincisi, yönetimi basitleştirmektir. Yerleştirme çok basit, sonra çok hızlı ve hata ayıklaması kolay hale gelecek ve bu da veri yönetiminin iş yükünü azaltabilir. Her sistem bağlıysa, veri yönetişimi yapılmalıdır ve kıyaslama hala oldukça zahmetlidir.
İkincisi, veri güvenliği. Tüm verileri belirli bir uygulamaya açmak gerekli değildir, ancak yalnızca işletmenin gerektirdiği minimum seviyeyi sağlamalıdır, bu da gereksiz veri açığını azaltabilir ve ayrıca birleştirilmiş duyarsızlaştırma dönüşümü gerçekleştirebilir, böylece hasta gizliliğini ve hastane veri varlıklarını daha iyi korur.
Bu bağlamda, yurtdışında halihazırda iyi başvuru vakaları vardır: Örneğin, Stanford Üniversitesi'nin kronik ağrı hastalarının yönetimi için sağlık bilgileri kayıt ağı, açık kaynak, açık standart ve oldukça esnek bir sistem platformudur. Klinik bilgi ve karar vermeye dayalı öneriler klinik doktorlara en iyi uygulama yolunu sağlar ve klinik sonuç takibi için karar desteği sağlar.
Yapay zekanın klinik tanıya ve tedaviye karar vermeye yardımcı olması için talep çok büyük ve gerçek. Burada Müdür Ma Liming hayatı tehdit eden bir vakadan bahsetti. İki veya üç gün önce hastanede bir doktor gördüğü zaman bir çocuk iyiydi. Birdenbire akut şiddetli zatürre yoğun bakım servisine nakledildi. Sadece birkaç gün içinde hayattan Hayat ölüyor.
Çin'de şiddetli pnömoni büyük bir problemdir Sorunlardan biri, bazı düşük yaştaki doktorların ciddi pnömoniyi% 100 doğrulukla tam olarak tanımlayamamasıdır.
Ülkenin çok net teşhis kriterleri olmasına rağmen. Bununla birlikte, sorunun zorluğu, potansiyel olarak kritik hastalığı olan çocukların erken semptomlarının belirgin olmaması ve durumun hızla kötüleşmesidir.İki veya üç gün önce hiçbir özel semptom olmayabilir ve aniden yoğun bakım servisine gireceklerdir.
Klinik tanımlama çok zordur. Başlangıç hızlıdır ve durum hızla ve şiddetli bir şekilde değişir. Durum erken tespit edilirse ve erken önlemler alınırsa, Çok Şiddetli zatürre ölüm oranını azaltın.
Yurtdışına sevk edilebilecek vakalar var.Yapay zeka teknolojisine dayanan Amerika Birleşik Devletleri'nde Duke Health, sepsisin zamanında tespiti için çok yararlı olan farklı sepsis semptomları için erken uyarı modellemesi yapıyor. Diğer bir örnek sepsistir, genel performans birçok akut enfeksiyonunkiyle aynıdır.
Başka bir deyişle, sepsisin kendisinin özel bir klinik belirtisi yoktur ve sepsisin klinik belirtileri diğer akut enfeksiyonlarda da görülebilir. Yapay zeka modelleme erken uyarısı, ilk antibiyotik uygulamasından 17 saat önce sepsis tespit etmişti. Bu nedenle, Çin'deki sağlık personeline daha fazla yardım getirebilecek daha fazla yapay zeka şirketini dört gözle bekliyorum.
Direktör Ma Liming, hastanelerdeki veri merkezinin uygulama ve geliştirilmesini derinlemesine inceledi ve ayrıca tıbbi cepheden gerçek ihtiyaçlardan bahsetti.
Yüzlerce endüstriyi ve binlerce işletmeyi güçlendiren dijital dalganın arka planı altında, veri merkezleri gibi temel yapılar ortaya çıktı ve yapay zeka teknolojisi sahneye girmeye çalıştı ve iki tekerlek aynı yolda.
Yazının sonunda ise yerli yapay zeka firmalarının hastane senaryosunda yaptığı ilerlemeye kısaca değinelim.
Changchun Şehrinde tanınmış bir doğum hastanesinin yenidoğan kilo sahnesinde dördüncü paradigma AutoML teknolojisini kullanarak iyi sonuçlar elde ettiği bildirildi. Kilo, çocukların büyüme ve gelişimini ölçmek için önemli bir gösterge olduğu için yenidoğanın kilosunu tahmin etmek, yenidoğanın sağlığını bilmek ve hamile kadınlar için doğum yolunu yönlendirmek açısından anlamlıdır.
Ders kitaplarındaki mevcut yöntemin, abdominal çevre, çift parietal çap ve femur uzunluğunu hesaplamak için hala basit formüller kullanıyor olması üzücü. Klinik uygulamaya göre, eski hesaplama yöntemi çok yanlıştır ve neredeyse hiçbir yol gösterici önemi yoktur. Bu nedenle hastane, bunu çözmek için yapay zeka kullanmayı denemeyi umuyor.
Bu senaryoda AutoML teknolojisi uygulandığında, model tahmininin mutlak hatası yalnızca yüz gramdır. Teknoloji, ülkenin çeşitli bölgelerinde yenidoğan kilo verilerini tahmin etmek için ülke genelinde uygulanabilirse, daha fazla yenidoğan kilo verisinden daha büyük önem ve değer çıkarmak mümkün olacaktır.
Yazar hakkında: Tiger Sniff'in köşe yazarı, "Dear Data" kamu hesabının kurucusu, Hong Kong Baptist Üniversitesi'nden yüksek lisans derecesi ve N yıl önce koleje giriş sınavı kompozisyon puanının birincisi Tan Jing. China Energy Conservation Group Holding Company'nin stratejik yönetiminden sorumluydu ve uzun yıllara dayanan yönetim danışmanlığı deneyimine sahipti ve ayrıca bir yüz tanıma girişim şirketinde ortak olarak görev yaptı.
