మేము SAS హ్యాకథాన్ సమయంలో ఉత్పాదక AIతో ఆరోగ్య సంరక్షణ డేటా యొక్క పూర్తి సామర్థ్యాన్ని అన్లాక్ చేస్తాము.
హెల్త్కేర్కు డేటా డ్రైవ్ అంతర్దృష్టులు చాలా అవసరం. ఆరోగ్య సంరక్షణ సిబ్బంది తక్కువగా ఉన్నందున, ప్రాణాలను కాపాడే సామర్థ్యంతో ఒత్తిడికి గురవుతున్నారు. అయితే, హెల్త్కేర్ డేటా అత్యంత గోప్యతా సున్నితమైన డేటా కాబట్టి లాక్ చేయబడింది. ఈ గోప్యతా సున్నితమైన డేటా:
ఇది సమస్యాత్మకమైనది, ఈ హ్యాకథాన్ కోసం మా లక్ష్యం ప్రముఖ ఆసుపత్రికి సంబంధించిన క్యాన్సర్ పరిశోధనలో భాగంగా క్షీణత మరియు మరణాలను అంచనా వేస్తుంది. అందుకే సింథో మరియు SAS ఈ ఆసుపత్రికి సహకరిస్తాయి, ఇక్కడ సింథో సింథటిక్ డేటాతో డేటాను అన్లాక్ చేస్తుంది మరియు SAS ప్రముఖ అనలిటిక్స్ ప్లాట్ఫారమ్ అయిన SAS Viyaతో డేటా అంతర్దృష్టులను తెలుసుకుంటుంది.
మా సింథో ఇంజిన్ పూర్తిగా కొత్త కృత్రిమంగా రూపొందించబడిన డేటాను ఉత్పత్తి చేస్తుంది. ప్రధాన వ్యత్యాసం, సింథటిక్ డేటాలో వాస్తవ ప్రపంచ డేటా యొక్క లక్షణాలను అనుకరించడానికి మేము AIని వర్తింపజేస్తాము మరియు అది విశ్లేషణల కోసం కూడా ఉపయోగించబడుతుంది. అందుకే దీన్ని సింథటిక్ డేటా ట్విన్ అంటాం. ఇది వాస్తవమైనది మరియు గణాంకపరంగా అసలైన డేటాతో సమానంగా ఉంటుంది, కానీ గోప్యతా ప్రమాదాలు లేకుండా.
ఈ హ్యాకథాన్ సమయంలో, మేము SAS Viyaలో సింథో ఇంజిన్ APIని దశగా ఇంటిగ్రేట్ చేసాము. SAS Viyaలో సింథటిక్ డేటా నిజమేనని కూడా ఇక్కడ మేము ధృవీకరించాము. మేము క్యాన్సర్ పరిశోధనతో ప్రారంభించే ముందు, మేము ఈ ఇంటిగ్రేటెడ్ విధానాన్ని ఓపెన్ డేటాసెట్తో పరీక్షించాము మరియు SAS Viyaలోని వివిధ ధ్రువీకరణ పద్ధతుల ద్వారా సింథటిక్ డేటా నిజంగా మంచిదేనా అని ధృవీకరించాము.
పరస్పర సంబంధాలు, వేరియబుల్స్ మధ్య సంబంధాలు భద్రపరచబడ్డాయి.
వక్రరేఖ కింద ఉన్న ప్రాంతం, మోడల్ పనితీరుకు కొలమానం, భద్రపరచబడింది.
మరియు వేరియబుల్ ప్రాముఖ్యత కూడా, మోడల్ కోసం వేరియబుల్స్ యొక్క ప్రిడిక్టివ్ పవర్, మేము అసలు డేటాను సింథటిక్ డేటాతో పోల్చినప్పుడు కలిగి ఉంటుంది.
అందువల్ల, SAS Viyaలోని సింథో ఇంజిన్ ద్వారా రూపొందించబడిన సింథటిక్ డేటా వాస్తవానికి మంచిదని మరియు మేము మోడల్ అభివృద్ధి కోసం సింథటిక్ డేటాను ఉపయోగించవచ్చని మేము నిర్ధారించగలము. అందువల్ల, క్షీణత మరియు మరణాలను అంచనా వేయడానికి మేము ఈ క్యాన్సర్ పరిశోధనతో ప్రారంభించవచ్చు.
ఇక్కడ, సింథటిక్ డేటాతో ఈ గోప్యతా సున్నితమైన డేటాను అన్లాక్ చేయడానికి మేము SAS Viyaలో దశగా ఇంటిగ్రేటెడ్ సింథో ఇంజిన్ని ఉపయోగించాము.
ఫలితంగా, AUC 0.74 మరియు క్షీణత మరియు మరణాలను అంచనా వేయగల మోడల్.
సింథటిక్ డేటాను ఉపయోగించడం వల్ల, తక్కువ రిస్క్, ఎక్కువ డేటా మరియు వేగవంతమైన డేటా యాక్సెస్ ఉన్న పరిస్థితుల్లో మేము ఈ హెల్త్కేర్ను అన్లాక్ చేయగలిగాము.
ఇది ఆసుపత్రిలో మాత్రమే సాధ్యం కాదు, బహుళ ఆసుపత్రుల డేటాను కూడా కలపవచ్చు. అందువల్ల, తదుపరి దశ బహుళ ఆసుపత్రుల నుండి డేటాను సంశ్లేషణ చేయడం. సింథో ఇంజిన్ ద్వారా SAS వియాలో మోడల్ కోసం ఇన్పుట్గా విభిన్న సంబంధిత ఆసుపత్రి డేటా సంశ్లేషణ చేయబడింది. ఇక్కడ, మేము 0.78 AUCని గుర్తించాము, ఎక్కువ డేటా ఫలితాలు ఆ మోడల్ల యొక్క మెరుగైన ప్రిడిక్టివ్ పవర్కు దారితీస్తుందని నిరూపిస్తున్నాము.
మరియు ఈ హ్యాకథాన్ ఫలితాలు ఇవి:
తదుపరి దశలు
సింథో మరియు SAS డేటాను అన్లాక్ చేయడం మరియు ఆరోగ్య సంరక్షణలో డేటా ఆధారిత అంతర్దృష్టులను గ్రహించడం ద్వారా, ఆరోగ్య సంరక్షణ మంచి సిబ్బందిని కలిగి ఉందని నిర్ధారించుకోవడానికి, ప్రాణాలను కాపాడేందుకు సాధారణ ఒత్తిడిని కలిగి ఉంటాయి.