Vi låser op for det fulde potentiale af sundhedsdata med generativ kunstig intelligens under SAS Hackathon.
Sundhedsvæsenet har hårdt brug for datadrevindsigt. Fordi sundhedsvæsenet er underbemandet, overpresset med potentialet til at redde liv. Sundhedsdata er dog de mest privatlivsfølsomme data og er derfor låst. Disse privatlivsfølsomme data:
Dette er problematisk, da vores mål for dette hackathon er at forudsige forværring og dødelighed som en del af kræftforskning for et førende hospital. Derfor samarbejder Syntho og SAS for dette hospital, hvor Syntho låser op for data med syntetiske data, og SAS realiserer dataindsigt med SAS Viya, den førende analyseplatform.
Vores Syntho Engine genererer helt nye kunstigt genererede data. Nøgleforskel, vi anvender AI til at efterligne egenskaberne af data fra den virkelige verden i de syntetiske data, og i en sådan grad, at de endda kan bruges til analyser. Det er derfor, vi kalder det en syntetisk datatvilling. Det er så godt som reelt og statistisk identisk med de originale data, men uden privatlivsrisici.
Under dette hackathon integrerede vi Syntho Engine API i SAS Viya som trin. Her validerede vi også, at de syntetiske data faktisk er så godt som ægte i SAS Viya. Før vi startede med kræftforskningen, testede vi denne integrerede tilgang med et åbent datasæt og validerede, om de syntetiske data faktisk er lige så gode som virkelige via forskellige valideringsmetoder i SAS Viya.
Korrelationerne, relationerne mellem variabler, er bevaret.
Arealet under kurven, et mål for modellens ydeevne, er bevaret.
Og selv variablens betydning, forudsigelseskraften af variabler for en model, gælder, når vi sammenligner de originale data med de syntetiske data.
Derfor kan vi konkludere, at syntetiske data genereret af Syntho Engine i SAS Viya faktisk er lige så gode som virkelige, og at vi kan bruge syntetiske data til modeludvikling. Derfor kan vi starte med denne kræftforskning for at forudsige forværring og dødelighed.
Her brugte vi den integrerede Syntho Engine som trin i SAS Viya til at låse disse privatlivsfølsomme data op med syntetiske data.
Resultatet, en AUC på 0.74 og en model, der er i stand til at forudsige forringelse og dødelighed.
Som et resultat af at bruge syntetiske data var vi i stand til at låse op for dette sundhedsvæsen i en situation med mindre risiko, flere data og hurtigere dataadgang.
Dette er ikke kun muligt inden for hospitalet, også data fra flere hospitaler kan kombineres. Derfor var næste skridt at syntetisere data fra flere hospitaler. Forskellige relevante hospitalsdata blev syntetiseret som input til modellen i SAS Viya via Syntho Engine. Her realiserede vi en AUC på 0.78, hvilket viser, at flere data resulterer i bedre forudsigelsesevne for disse modeller.
Og disse er resultaterne fra dette hackathon:
Næste skridt er at
Det er sådan, Syntho og SAS låser op for data og realiserer datadrevet indsigt i sundhedsvæsenet for at sikre, at sundhedsvæsenet er godt bemandet med normalt pres for at redde liv.