Sommet AI: le balisage des dossiers médicaux crée des données et des analyses vitales

Doug Kemp d'Innodata a parlé de l'obtention de données médicales clés sous une forme qui peut être comprise et utilisée. Comme beaucoup de choses, les composants de l'IA peuvent analyser et comprendre ces données, mais cela ne peut pas être fait par lui-même. Dans ce cas particulier, l'erreur même minime dans vos données a des implications énormes lors de leur utilisation.

Quote: La plupart des dossiers médicaux, même sous forme électronique, ne sont pas stockés de manière à pouvoir être facilement extraits un ordinateur

Si vous commencez ici et pensez que des données fiables sont au cœur de toutes les applications d'IA, vous devez d'abord combler cette lacune.

Statistiques:

• Le marché de l'IA devrait atteindre 191 milliards de dollars d'ici 2024
• 85% de ceux qui échoueront en raison de problèmes de données

Défis communs qui coulent la plupart de ces projets:

• Rareté de données sémantiquement enrichies
• Manque de données propres, précises et de qualité
• Incapacité d'interpréter les bonnes données

Vous ne pouvez pas automatiser complètement cela. Cela a été essayé. Même de petites erreurs peuvent se révéler désastreuses. Les humains ont toujours une place ici. Gardez à l'esprit que ce type de données se présente sous plusieurs formes, notamment:

• Document texte
• Images
• Vidéo
• Document Web
• Fichiers audio
• Données structurées EHR
• Données EHR non structurées [19659007] La bonne nouvelle: utilisant simplement l'IA pour tirer cela et le comprendre, Innodata a atteint 92% de taux de réussite. Les humains sont encore nécessaires pour aller plus loin.

  La clé de ceci est la création d'une taxonomie ou de catégories afin que vous puissiez attribuer un sens. Un laboratoire, par exemple, obtiendrait une métadonnée mappée à un taxonmy avec une gamme d'informations comprenant des seuils, une limite inférieure, une limite supérieure, un résultat de test réel, etc.

  Commentaires de Mike Porter: Dans ce cas particulier, pas que le L'IA a été formée pour comprendre plus de 1000 valeurs de laboratoire différentes. En d'autres termes, comme tous les autres experts de l'IA le disent, c'est un voyage. Cela ne se produit pas immédiatement. Vous gagnez beaucoup en numérisant puis en comprenant ce type de données. Cela prend juste du temps et des efforts.

  Ce dont vous devez vous préoccuper

  • La composante du temps: elle est essentielle pour analyser le cluster de données. Vous ne pouvez pas simplement capturer des données plates.
  • Obtenir la taxonomie appropriée qui permet à l'IA de classer correctement les données vitales
  • En réfléchissant à l'objectif de l'enquête sur les données. Cela détermine quoi et comment vous utilisez les données pour entraîner la fonction AI