نطلق العنان للإمكانات الكاملة لبيانات الرعاية الصحية باستخدام الذكاء الاصطناعي التوليدي خلال SAS Hackathon.
تحتاج الرعاية الصحية بشدة إلى بيانات محرك الأفكار. لأن الرعاية الصحية تعاني من نقص الموظفين ، وتعرض لضغوط مفرطة مع إمكانية إنقاذ الأرواح. ومع ذلك ، فإن بيانات الرعاية الصحية هي البيانات الأكثر حساسية للخصوصية وبالتالي يتم قفلها. هذه البيانات الحساسة للخصوصية:
هذه مشكلة ، حيث أن هدفنا من هذا الهاكاثون هو التنبؤ بالتدهور والوفيات كجزء من أبحاث السرطان لمستشفى رائد. لهذا السبب تتعاون Syntho و SAS في هذا المستشفى ، حيث تفتح Syntho البيانات باستخدام البيانات التركيبية وتدرك SAS رؤى البيانات باستخدام SAS Viya ، منصة التحليلات الرائدة.
يولد محرك Syntho الخاص بنا بيانات جديدة تمامًا تم إنشاؤها بشكل مصطنع. الاختلاف الرئيسي ، نحن نطبق الذكاء الاصطناعي لتقليد خصائص بيانات العالم الحقيقي في البيانات التركيبية ، وإلى حد أنه يمكن حتى استخدامها للتحليلات. لهذا السبب نسميها توأم البيانات الاصطناعية. إنها جيدة بقدر ما هي حقيقية ومطابقة إحصائيًا للبيانات الأصلية ، ولكن بدون مخاطر الخصوصية.
خلال هذا الهاكاثون ، قمنا بدمج Syntho Engine API في SAS Viya كخطوة. هنا تحققنا أيضًا من أن البيانات التركيبية جيدة حقًا مثل حقيقية في SAS Viya. قبل أن نبدأ بأبحاث السرطان ، اختبرنا هذا النهج المتكامل مع مجموعة بيانات مفتوحة وتم التحقق من صحتها إذا كانت البيانات التركيبية جيدة حقًا مثل حقيقية من خلال طرق التحقق المختلفة في SAS Viya.
يتم الحفاظ على الارتباطات والعلاقات بين المتغيرات.
المساحة تحت المنحنى ، يتم الاحتفاظ بمقياس لأداء النموذج.
وحتى الأهمية المتغيرة ، القوة التنبؤية للمتغيرات لنموذج ما ، تبقى ثابتة عندما نقارن البيانات الأصلية بالبيانات التركيبية.
ومن ثم ، يمكننا أن نستنتج أن البيانات التركيبية التي تم إنشاؤها بواسطة محرك Syntho في SAS Viya هي في الواقع جيدة مثل الواقعية وأنه يمكننا استخدام البيانات الاصطناعية لتطوير النموذج. ومن ثم ، يمكننا أن نبدأ بأبحاث السرطان هذه للتنبؤ بالتدهور والوفيات.
هنا ، استخدمنا محرك Syntho المدمج كخطوة في SAS Viya لإلغاء تأمين هذه البيانات الحساسة للخصوصية باستخدام البيانات الاصطناعية.
النتيجة ، AUC 0.74 ونموذج قادر على التنبؤ بالتدهور والوفيات.
نتيجة لاستخدام البيانات التركيبية ، تمكنا من إطلاق العنان لهذه الرعاية الصحية في موقف أقل خطورة ، ومزيد من البيانات ، ووصول أسرع للبيانات.
هذا ليس ممكنًا داخل المستشفى فحسب ، بل يمكن أيضًا دمج البيانات من عدة مستشفيات. ومن ثم ، كانت الخطوة التالية هي تجميع البيانات من عدة مستشفيات. تم تجميع بيانات المستشفى المختلفة ذات الصلة كمدخلات للنموذج في SAS Viya عبر محرك Syntho. هنا ، أدركنا أن AUC تبلغ 0.78 ، مما يدل على أن المزيد من البيانات ينتج عنه قوة تنبؤية أفضل لتلك النماذج.
وهذه نتائج الهاكاثون:
الخطوات التالية هي
هذه هي الطريقة التي تعمل بها Syntho و SAS على فتح البيانات وتحقيق رؤى مدفوعة بالبيانات في مجال الرعاية الصحية للتأكد من تزويد الرعاية الصحية بالموظفين بشكل جيد ، مع الضغط العادي لإنقاذ الأرواح.