ਅਸੀਂ SAS ਹੈਕਾਥਨ ਦੌਰਾਨ ਜਨਰੇਟਿਵ AI ਨਾਲ ਸਿਹਤ ਸੰਭਾਲ ਡੇਟਾ ਦੀ ਪੂਰੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅਨਲੌਕ ਕਰਦੇ ਹਾਂ।
ਹੈਲਥਕੇਅਰ ਨੂੰ ਡਾਟਾ ਡਰਾਈਵ ਇਨਸਾਈਟਸ ਦੀ ਸਖ਼ਤ ਲੋੜ ਹੈ। ਕਿਉਂਕਿ ਸਿਹਤ ਦੇਖ-ਰੇਖ ਵਿੱਚ ਸਟਾਫ਼ ਘੱਟ ਹੈ, ਜਾਨਾਂ ਬਚਾਉਣ ਦੀ ਸਮਰੱਥਾ ਦੇ ਨਾਲ ਜ਼ਿਆਦਾ ਦਬਾਅ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਹੈਲਥਕੇਅਰ ਡੇਟਾ ਸਭ ਤੋਂ ਗੋਪਨੀਯਤਾ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਹੈ ਅਤੇ ਇਸਲਈ ਲੌਕ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਗੋਪਨੀਯਤਾ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ:
ਇਹ ਸਮੱਸਿਆ ਵਾਲਾ ਹੈ, ਕਿਉਂਕਿ ਇਸ ਹੈਕਾਥਨ ਲਈ ਸਾਡਾ ਟੀਚਾ ਇੱਕ ਪ੍ਰਮੁੱਖ ਹਸਪਤਾਲ ਲਈ ਕੈਂਸਰ ਖੋਜ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਵਿਗੜਨ ਅਤੇ ਮੌਤ ਦਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਸਿੰਥੋ ਅਤੇ SAS ਇਸ ਹਸਪਤਾਲ ਲਈ ਸਹਿਯੋਗ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ Syntho ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਨਾਲ ਡੇਟਾ ਨੂੰ ਅਨਲੌਕ ਕਰਦਾ ਹੈ ਅਤੇ SAS SAS Viya, ਮੋਹਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪਲੇਟਫਾਰਮ ਦੇ ਨਾਲ ਡੇਟਾ ਇਨਸਾਈਟਸ ਨੂੰ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ।
ਸਾਡਾ ਸਿੰਥੋ ਇੰਜਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵਾਂ ਨਕਲੀ ਤੌਰ 'ਤੇ ਤਿਆਰ ਡੇਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਮੁੱਖ ਅੰਤਰ, ਅਸੀਂ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਵਿੱਚ ਅਸਲ ਸੰਸਾਰ ਦੇ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਨਕਲ ਕਰਨ ਲਈ AI ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਸ ਹੱਦ ਤੱਕ ਕਿ ਇਸਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਵੀ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ ਅਸੀਂ ਇਸਨੂੰ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਟਵਿਨ ਕਹਿੰਦੇ ਹਾਂ। ਇਹ ਅਸਲ ਡੇਟਾ ਦੇ ਬਰਾਬਰ ਅਤੇ ਅੰਕੜਿਆਂ ਦੇ ਤੌਰ 'ਤੇ ਇਕੋ ਜਿਹਾ ਹੈ, ਪਰ ਗੋਪਨੀਯਤਾ ਦੇ ਜੋਖਮਾਂ ਤੋਂ ਬਿਨਾਂ।
ਇਸ ਹੈਕਾਥਨ ਦੌਰਾਨ, ਅਸੀਂ SAS Viya ਵਿੱਚ Syntho Engine API ਨੂੰ ਕਦਮ ਦੇ ਤੌਰ 'ਤੇ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਹੈ। ਇੱਥੇ ਅਸੀਂ ਇਹ ਵੀ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਹੈ ਕਿ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਅਸਲ ਵਿੱਚ SAS ਵੀਆ ਵਿੱਚ ਅਸਲ ਜਿੰਨਾ ਵਧੀਆ ਹੈ। ਕੈਂਸਰ ਖੋਜ ਦੇ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਇਸ ਏਕੀਕ੍ਰਿਤ ਪਹੁੰਚ ਦੀ ਇੱਕ ਓਪਨ ਡੇਟਾਸੈਟ ਨਾਲ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਕਿ ਕੀ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਅਸਲ ਵਿੱਚ - SAS ਵੀਆ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਪ੍ਰਮਾਣਿਕਤਾ ਤਰੀਕਿਆਂ ਦੁਆਰਾ ਅਸਲ ਵਿੱਚ-ਵਧੀਆ ਹੈ।
ਪਰਸਪਰ ਸਬੰਧ, ਵੇਰੀਏਬਲ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ, ਸੁਰੱਖਿਅਤ ਹਨ.
ਕਰਵ ਦੇ ਅਧੀਨ ਖੇਤਰ, ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਇੱਕ ਮਾਪ, ਸੁਰੱਖਿਅਤ ਹੈ।
ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਵੇਰੀਏਬਲ ਮਹੱਤਵ, ਇੱਕ ਮਾਡਲ ਲਈ ਵੇਰੀਏਬਲਾਂ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨੀ ਸ਼ਕਤੀ, ਉਦੋਂ ਰੱਖਦੀ ਹੈ ਜਦੋਂ ਅਸੀਂ ਅਸਲ ਡੇਟਾ ਦੀ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ।
ਇਸ ਲਈ, ਅਸੀਂ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਕਿ SAS ਵੀਆ ਵਿੱਚ ਸਿੰਥੋ ਇੰਜਣ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਅਸਲ ਵਿੱਚ-ਅੱਛਾ-ਅਸਲ ਹੈ ਅਤੇ ਅਸੀਂ ਮਾਡਲ ਵਿਕਾਸ ਲਈ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਸ ਲਈ, ਅਸੀਂ ਵਿਗੜਨ ਅਤੇ ਮੌਤ ਦਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇਸ ਕੈਂਸਰ ਖੋਜ ਨਾਲ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
ਇੱਥੇ, ਅਸੀਂ ਇਸ ਗੋਪਨੀਯਤਾ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੇ ਨਾਲ ਅਨਲੌਕ ਕਰਨ ਲਈ SAS Viya ਵਿੱਚ ਕਦਮ ਵਜੋਂ ਏਕੀਕ੍ਰਿਤ ਸਿੰਥੋ ਇੰਜਣ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ।
ਨਤੀਜਾ, 0.74 ਦਾ ਇੱਕ ਏਯੂਸੀ ਅਤੇ ਇੱਕ ਮਾਡਲ ਜੋ ਵਿਗੜਨ ਅਤੇ ਮੌਤ ਦਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੇ ਯੋਗ ਹੈ।
ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਅਸੀਂ ਘੱਟ ਜੋਖਮ, ਵਧੇਰੇ ਡੇਟਾ ਅਤੇ ਤੇਜ਼ ਡੇਟਾ ਪਹੁੰਚ ਵਾਲੀ ਸਥਿਤੀ ਵਿੱਚ ਇਸ ਸਿਹਤ ਸੰਭਾਲ ਨੂੰ ਅਨਲੌਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋ ਗਏ।
ਇਹ ਸਿਰਫ ਹਸਪਤਾਲ ਦੇ ਅੰਦਰ ਹੀ ਸੰਭਵ ਨਹੀਂ ਹੈ, ਕਈ ਹਸਪਤਾਲਾਂ ਦੇ ਡੇਟਾ ਨੂੰ ਵੀ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਅਗਲਾ ਕਦਮ ਮਲਟੀਪਲ ਹਸਪਤਾਲਾਂ ਤੋਂ ਡੇਟਾ ਦਾ ਸੰਸਲੇਸ਼ਣ ਕਰਨਾ ਸੀ। ਸਿੰਥੋ ਇੰਜਣ ਦੁਆਰਾ SAS ਵੀਆ ਵਿੱਚ ਮਾਡਲ ਲਈ ਇਨਪੁਟ ਦੇ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਸੰਬੰਧਿਤ ਹਸਪਤਾਲ ਡੇਟਾ ਨੂੰ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਇੱਥੇ, ਅਸੀਂ 0.78 ਦਾ AUC ਮਹਿਸੂਸ ਕੀਤਾ, ਇਹ ਦਰਸਾਉਂਦੇ ਹੋਏ ਕਿ ਵਧੇਰੇ ਡੇਟਾ ਉਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਬਿਹਤਰ ਭਵਿੱਖਬਾਣੀ ਸ਼ਕਤੀ ਵਿੱਚ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ।
ਅਤੇ ਇਹ ਇਸ ਹੈਕਾਥਨ ਦੇ ਨਤੀਜੇ ਹਨ:
ਅਗਲੇ ਕਦਮ ਹਨ
ਇਸ ਤਰ੍ਹਾਂ Syntho ਅਤੇ SAS ਡੇਟਾ ਨੂੰ ਅਨਲੌਕ ਕਰਦੇ ਹਨ ਅਤੇ ਸਿਹਤ ਸੰਭਾਲ ਵਿੱਚ ਡੇਟਾ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਇਨਸਾਈਟਸ ਨੂੰ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਸਿਹਤ ਸੰਭਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਟਾਫ਼ ਹੈ, ਜੀਵਨ ਬਚਾਉਣ ਲਈ ਆਮ ਦਬਾਅ ਦੇ ਨਾਲ।