Avaamme terveydenhuollon tietojen täyden potentiaalin generatiivisen tekoälyn avulla SAS Hackathonin aikana.
Terveydenhuolto tarvitsee kipeästi tiedonsiirtotietoja. Koska terveydenhuollossa on alihenkilöstöä, ylipainetta, joka voi pelastaa ihmishenkiä. Terveydenhuollon tiedot ovat kuitenkin kaikkein arkaluontoisimpia tietoja ja siksi ne on lukittu. Nämä tietosuojan arkaluontoiset tiedot:
Tämä on ongelmallista, sillä tavoitteemme tälle hackathonille ennustaa huononemista ja kuolleisuutta osana johtavan sairaalan syöpätutkimusta. Siksi Syntho ja SAS tekevät yhteistyötä tässä sairaalassa, jossa Syntho avaa dataa synteettisellä tiedolla ja SAS toteuttaa datatietoja SAS Viyan, johtavan analytiikkaalustan, kanssa.
Syntho Enginemme luo täysin uutta keinotekoisesti tuotettua dataa. Keskeinen ero on se, että käytämme tekoälyä matkimaan reaalimaailman datan ominaisuuksia synteettisissä tiedoissa ja siinä määrin, että sitä voidaan käyttää jopa analytiikkaan. Siksi kutsumme sitä synteettiseksi datakaksoisiksi. Se on yhtä hyvä kuin todellinen ja tilastollisesti identtinen alkuperäisen tiedon kanssa, mutta ilman tietosuojariskejä.
Tämän hackathonin aikana integroimme Syntho Engine -sovellusliittymän SAS Viyaan vaiheena. Täällä vahvistimme myös, että synteettiset tiedot ovat todellakin yhtä hyviä kuin todellisia SAS Viyassa. Ennen kuin aloitimme syöpätutkimuksen, testasimme tätä integroitua lähestymistapaa avoimella tietojoukolla ja validoimme, ovatko synteettiset tiedot todella yhtä hyviä kuin todellisia SAS Viyan eri validointimenetelmillä.
Korrelaatiot, muuttujien väliset suhteet säilyvät.
Käyrän alla oleva pinta-ala, mallin suorituskyvyn mitta, säilyy.
Ja jopa muuttujan tärkeys, muuttujien ennustevoima mallille, pätee, kun vertaamme alkuperäistä dataa synteettiseen dataan.
Tästä syystä voimme päätellä, että Syntho Enginen SAS Viyassa luoma synteettinen data on todellakin yhtä hyvää kuin todellinen ja että voimme käyttää synteettistä dataa mallin kehittämiseen. Siksi voimme aloittaa tällä syöpätutkimuksella ennustaaksemme huononemista ja kuolleisuutta.
Tässä käytimme integroitua Syntho Engineä vaiheena SAS Viyassa näiden yksityisyyden arkaluonteisten tietojen lukituksen avaamiseksi synteettisillä tiedoilla.
Tuloksena AUC 0.74 ja malli, joka pystyy ennustamaan heikkenemisen ja kuolleisuuden.
Synteettisten tietojen käytön ansiosta pystyimme avaamaan tämän terveydenhuollon tilanteessa, jossa riskit, enemmän dataa ja nopeampi pääsy dataan oli pienempi.
Tämä ei ole mahdollista vain sairaalan sisällä, vaan myös useiden sairaaloiden tietoja voidaan yhdistää. Siksi seuraava askel oli tietojen syntetisointi useista sairaaloista. Eri asiaankuuluvat sairaalatiedot syntetisoitiin mallin syötteeksi SAS Viyassa Syntho Enginen kautta. Tässä havaitsimme AUC-arvon 0.78, mikä osoittaa, että enemmän dataa parantaa näiden mallien ennustetehoa.
Ja nämä ovat tämän hackathonin tulokset:
Seuraavat vaiheet ovat
Näin Syntho ja SAS vapauttavat datan lukituksen ja toteuttavat tietopohjaisia oivalluksia terveydenhuollossa varmistaakseen, että terveydenhuollossa on hyvä henkilökunta ja normaali paine pelastaa ihmishenkiä.