എസ്എഎസ് ഹാക്കത്തോണിൽ ജനറേറ്റീവ് AI ഉപയോഗിച്ച് ആരോഗ്യ സംരക്ഷണ ഡാറ്റയുടെ മുഴുവൻ സാധ്യതകളും ഞങ്ങൾ അൺലോക്ക് ചെയ്യുന്നു.
ആരോഗ്യ സംരക്ഷണത്തിന് ഡാറ്റ ഡ്രൈവ് സ്ഥിതിവിവരക്കണക്കുകൾ ആവശ്യമാണ്. ആരോഗ്യ സംരക്ഷണത്തിന് വേണ്ടത്ര ജീവനക്കാരില്ലാത്തതിനാൽ, ജീവൻ രക്ഷിക്കാനുള്ള സാധ്യതയുള്ള സമ്മർദ്ദത്തിലാണ്. എന്നിരുന്നാലും, ഹെൽത്ത് കെയർ ഡാറ്റ ഏറ്റവും സ്വകാര്യത സെൻസിറ്റീവ് ഡാറ്റയാണ്, അതിനാൽ ലോക്ക് ചെയ്തിരിക്കുന്നു. ഈ സ്വകാര്യത സെൻസിറ്റീവ് ഡാറ്റ:
ഇത് പ്രശ്നകരമാണ്, കാരണം ഈ ഹാക്കത്തോണിന്റെ ഞങ്ങളുടെ ലക്ഷ്യം ഒരു പ്രമുഖ ആശുപത്രിയുടെ കാൻസർ ഗവേഷണത്തിന്റെ ഭാഗമായി അപചയവും മരണനിരക്കും പ്രവചിക്കുന്നു. അതുകൊണ്ടാണ് സിന്തോയും എസ്എഎസും ഈ ഹോസ്പിറ്റലിനായി സഹകരിച്ച് പ്രവർത്തിക്കുന്നത്, അവിടെ സിന്തറ്റിക് ഡാറ്റ ഉപയോഗിച്ച് ഡാറ്റ അൺലോക്ക് ചെയ്യുകയും എസ്എഎസ് മുൻനിര അനലിറ്റിക്സ് പ്ലാറ്റ്ഫോമായ എസ്എഎസ് വിയയുമായി ഡാറ്റ ഉൾക്കാഴ്ചകൾ തിരിച്ചറിയുകയും ചെയ്യുന്നു.
ഞങ്ങളുടെ സിന്തോ എഞ്ചിൻ പൂർണ്ണമായും പുതിയ കൃത്രിമമായി സൃഷ്ടിച്ച ഡാറ്റ സൃഷ്ടിക്കുന്നു. പ്രധാന വ്യത്യാസം, സിന്തറ്റിക് ഡാറ്റയിലെ യഥാർത്ഥ ലോക ഡാറ്റയുടെ സ്വഭാവസവിശേഷതകൾ അനുകരിക്കാൻ ഞങ്ങൾ AI പ്രയോഗിക്കുന്നു, കൂടാതെ അത് അനലിറ്റിക്സിന് പോലും ഉപയോഗിക്കാൻ കഴിയും. അതുകൊണ്ടാണ് ഞങ്ങൾ ഇതിനെ സിന്തറ്റിക് ഡാറ്റ ട്വിൻ എന്ന് വിളിക്കുന്നത്. ഇത് യഥാർത്ഥമായതും യഥാർത്ഥ ഡാറ്റയുമായി സ്ഥിതിവിവരക്കണക്കിന് സമാനവുമാണ്, എന്നാൽ സ്വകാര്യത അപകടസാധ്യതകളില്ലാതെ.
ഈ ഹാക്കത്തണിൽ, ഞങ്ങൾ SAS വിയയിലെ സിന്തോ എഞ്ചിൻ API ഒരു ഘട്ടമായി സംയോജിപ്പിച്ചു. SAS Viya-യിൽ സിന്തറ്റിക് ഡാറ്റ യഥാർത്ഥമായത് പോലെ തന്നെ മികച്ചതാണെന്ന് ഞങ്ങൾ ഇവിടെ സാധൂകരിക്കുന്നു. ഞങ്ങൾ ക്യാൻസർ ഗവേഷണം ആരംഭിക്കുന്നതിന് മുമ്പ്, ഞങ്ങൾ ഈ സംയോജിത സമീപനം ഒരു ഓപ്പൺ ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് പരീക്ഷിക്കുകയും എസ്എഎസ് വിയയിലെ വിവിധ മൂല്യനിർണ്ണയ രീതികൾ വഴി സിന്തറ്റിക് ഡാറ്റ യഥാർത്ഥമായി നല്ലതാണെങ്കിൽ അത് സാധൂകരിക്കുകയും ചെയ്തു.
പരസ്പര ബന്ധങ്ങൾ, വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ സംരക്ഷിക്കപ്പെടുന്നു.
മോഡൽ പ്രകടനത്തിനുള്ള അളവുകോലായ വക്രത്തിനു കീഴിലുള്ള പ്രദേശം സംരക്ഷിക്കപ്പെട്ടിരിക്കുന്നു.
ഒറിജിനൽ ഡാറ്റയെ സിന്തറ്റിക് ഡാറ്റയുമായി താരതമ്യം ചെയ്യുമ്പോൾ ഒരു മോഡലിനുള്ള വേരിയബിളുകളുടെ പ്രവചന ശക്തി, വേരിയബിൾ പ്രാധാന്യം പോലും നിലനിർത്തുന്നു.
അതിനാൽ, SAS വിയയിലെ സിന്തോ എഞ്ചിൻ സൃഷ്ടിച്ച സിന്തറ്റിക് ഡാറ്റ യഥാർത്ഥത്തിൽ നല്ലതാണെന്നും മോഡൽ വികസനത്തിനായി നമുക്ക് സിന്തറ്റിക് ഡാറ്റ ഉപയോഗിക്കാമെന്നും നമുക്ക് നിഗമനം ചെയ്യാം. അതിനാൽ, അപചയവും മരണനിരക്കും പ്രവചിക്കാൻ ഈ കാൻസർ ഗവേഷണത്തിലൂടെ നമുക്ക് ആരംഭിക്കാം.
ഇവിടെ, സിന്തറ്റിക് ഡാറ്റ ഉപയോഗിച്ച് ഈ സ്വകാര്യത സെൻസിറ്റീവ് ഡാറ്റ അൺലോക്ക് ചെയ്യുന്നതിന് ഞങ്ങൾ SAS Viya-യുടെ ഘട്ടമായി സംയോജിത സിന്തോ എഞ്ചിൻ ഉപയോഗിച്ചു.
ഫലം, 0.74-ന്റെ AUC, അപചയവും മരണനിരക്കും പ്രവചിക്കാൻ കഴിയുന്ന ഒരു മോഡലും.
സിന്തറ്റിക് ഡാറ്റ ഉപയോഗിക്കുന്നതിന്റെ ഫലമായി, അപകടസാധ്യത കുറവും കൂടുതൽ ഡാറ്റയും വേഗത്തിലുള്ള ഡാറ്റ ആക്സസ്സും ഉള്ള ഒരു സാഹചര്യത്തിൽ ഈ ഹെൽത്ത് കെയർ അൺലോക്ക് ചെയ്യാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞു.
ഇത് ആശുപത്രിക്കുള്ളിൽ മാത്രമല്ല, ഒന്നിലധികം ആശുപത്രികളിൽ നിന്നുള്ള ഡാറ്റയും സംയോജിപ്പിക്കാം. അതിനാൽ, ഒന്നിലധികം ആശുപത്രികളിൽ നിന്നുള്ള ഡാറ്റ സമന്വയിപ്പിക്കുക എന്നതായിരുന്നു അടുത്ത ഘട്ടം. സിന്തോ എഞ്ചിൻ വഴി SAS വിയയിലെ മോഡലിന്റെ ഇൻപുട്ടായി വ്യത്യസ്ത പ്രസക്തമായ ആശുപത്രി ഡാറ്റ സമന്വയിപ്പിച്ചു. ഇവിടെ, 0.78 ന്റെ AUC ഞങ്ങൾ തിരിച്ചറിഞ്ഞു, കൂടുതൽ ഡാറ്റ ആ മോഡലുകളുടെ മികച്ച പ്രവചന ശക്തിയിൽ കലാശിക്കുന്നു എന്ന് തെളിയിക്കുന്നു.
ഈ ഹാക്കത്തണിൽ നിന്നുള്ള ഫലങ്ങൾ ഇവയാണ്:
അടുത്ത ഘട്ടങ്ങൾ
സിന്തോയും എസ്എഎസും ഡാറ്റ അൺലോക്ക് ചെയ്യുന്നതും ആരോഗ്യ സംരക്ഷണത്തിലെ ഡാറ്റാധിഷ്ഠിത സ്ഥിതിവിവരക്കണക്കുകൾ തിരിച്ചറിയുന്നതും അങ്ങനെയാണ്, ജീവൻ രക്ഷിക്കാനുള്ള സാധാരണ സമ്മർദത്തോടെ ആരോഗ്യ സംരക്ഷണം മികച്ച സ്റ്റാഫാണെന്ന് ഉറപ്പാക്കാൻ.