Med SAS Hackathonom sprostimo polni potencial zdravstvenih podatkov z generativno umetno inteligenco.
Zdravstvo nujno potrebuje vpogled v podatkovni pogon. Ker je v zdravstvu premalo osebja, preobremenjeno z možnostjo reševanja življenj. Vendar pa so zdravstveni podatki najbolj občutljivi podatki o zasebnosti in so zato zaklenjeni. Ti podatki, občutljivi na zasebnost:
To je problematično, saj je naš cilj tega hekatona predvidevanje poslabšanja in umrljivosti kot del raziskav raka za vodilno bolnišnico. Zato Syntho in SAS sodelujeta za to bolnišnico, kjer Syntho odklene podatke s sintetičnimi podatki, SAS pa realizira vpogled v podatke s SAS Viya, vodilno analitično platformo.
Naš Syntho Engine ustvarja popolnoma nove umetno ustvarjene podatke. Ključna razlika je, da umetno inteligenco uporabljamo za posnemanje značilnosti podatkov iz resničnega sveta v sintetičnih podatkih in do te mere, da jo lahko uporabimo celo za analitiko. Zato ga imenujemo sintetični podatkovni dvojček. So tako dobri kot resnični in statistično enaki izvirnim podatkom, vendar brez tveganj za zasebnost.
Med tem hackathonom smo kot korak integrirali API Syntho Engine v SAS Viya. Tu smo tudi potrdili, da so sintetični podatki v SAS Viya res enako dobri kot resnični. Preden smo začeli z raziskavo o raku, smo preizkusili ta integrirani pristop z odprtim naborom podatkov in z različnimi validacijskimi metodami v SAS Viya potrdili, ali so sintetični podatki res tako dobri kot resnični.
Ohranjene so korelacije, razmerja med spremenljivkami.
Območje pod krivuljo, merilo za zmogljivost modela, je ohranjeno.
In celo pomembnost spremenljivke, napovedna moč spremenljivk za model, velja, ko primerjamo izvirne podatke s sintetičnimi podatki.
Zato lahko sklepamo, da so sintetični podatki, ki jih ustvari Syntho Engine v SAS Viya, res tako dobri kot resnični in da lahko uporabimo sintetične podatke za razvoj modela. Zato lahko začnemo s to raziskavo raka, da napovemo poslabšanje in umrljivost.
Tukaj smo uporabili integriran Syntho Engine kot korak v SAS Viya za odklepanje teh zasebno občutljivih podatkov s sintetičnimi podatki.
Rezultat, AUC 0.74 in model, ki lahko napove poslabšanje in umrljivost.
Kot rezultat uporabe sintetičnih podatkov smo lahko odklenili to zdravstveno varstvo v razmerah z manj tveganja, več podatkov in hitrejšim dostopom do podatkov.
To ni mogoče samo v bolnišnici, lahko se združijo tudi podatki iz več bolnišnic. Zato je bil naslednji korak sintetizacija podatkov iz več bolnišnic. Različni ustrezni bolnišnični podatki so bili sintetizirani kot vhodni podatki za model v SAS Viya prek Syntho Engine. Tukaj smo spoznali AUC 0.78, kar dokazuje, da več podatkov povzroči boljšo napovedno moč teh modelov.
In to so rezultati tega hackathona:
Naslednji koraki so
Tako Syntho in SAS odkleneta podatke in uresničita podatkovno usmerjene vpoglede v zdravstveno varstvo, da zagotovita, da je zdravstveno varstvo dobro opremljeno z normalnim pritiskom za reševanje življenj.