Ina-unlock namin ang buong potensyal ng data ng pangangalagang pangkalusugan gamit ang generative AI sa panahon ng SAS Hackathon.
Ang pangangalaga sa kalusugan ay lubhang nangangailangan ng mga insight sa data drive. Dahil ang pangangalagang pangkalusugan ay kulang sa kawani, labis na pinipilit na may potensyal na magligtas ng mga buhay. Gayunpaman, ang data ng pangangalagang pangkalusugan ay ang pinaka sensitibong data sa privacy at samakatuwid ay naka-lock. Ang data na sensitibo sa privacy na ito:
Ito ay may problema, dahil ang aming layunin para sa hackathon na ito ay hinuhulaan ang pagkasira at pagkamatay bilang bahagi ng pananaliksik sa kanser para sa isang nangungunang ospital. Iyon ang dahilan kung bakit nagtutulungan sina Syntho at SAS para sa ospital na ito, kung saan ina-unlock ng Syntho ang data gamit ang sintetikong data at napagtanto ng SAS ang mga insight ng data sa SAS Viya, ang nangungunang analytics platform.
Ang aming Syntho Engine ay bumubuo ng ganap na bagong artipisyal na nabuong data. Ang pangunahing pagkakaiba, inilalapat namin ang AI upang gayahin ang mga katangian ng totoong data sa mundo sa synthetic na data, at sa isang lawak na maaari pa itong magamit para sa analytics. Kaya naman tinatawag namin itong synthetic data twin. Ito ay kasing ganda ng tunay at istatistikal na kapareho sa orihinal na data, ngunit walang mga panganib sa privacy.
Sa panahon ng hackathon na ito, isinama namin ang Syntho Engine API sa SAS Viya bilang hakbang. Dito rin namin napatunayan na ang synthetic data ay talagang kasing ganda ng totoo sa SAS Viya. Bago kami magsimula sa pananaliksik sa kanser, sinubukan namin ang pinagsama-samang diskarte na ito gamit ang isang bukas na dataset at napatunayan kung ang sintetikong data ay talagang kasing-katotohanan sa pamamagitan ng iba't ibang mga pamamaraan ng pagpapatunay sa SAS Viya.
Ang mga ugnayan, ang mga ugnayan sa pagitan ng mga variable, ay pinapanatili.
Ang Lugar sa ilalim ng kurba, isang sukatan para sa pagganap ng modelo, ay pinapanatili.
At maging ang variable na kahalagahan, ang predictive power ng mga variable para sa isang modelo, ay nananatili kapag inihambing namin ang orihinal na data sa synthetic na data.
Kaya, maaari nating tapusin na ang sintetikong data na nabuo ng Syntho Engine sa SAS Viya ay talagang kasing-totoo at maaari tayong gumamit ng sintetikong data para sa pagbuo ng modelo. Samakatuwid, maaari tayong magsimula sa pananaliksik na ito ng kanser upang mahulaan ang pagkasira at pagkamatay.
Dito, ginamit namin ang pinagsama-samang Syntho Engine bilang hakbang sa SAS Viya upang i-unlock ang sensitibong data na ito sa privacy gamit ang sintetikong data.
Ang resulta, isang AUC na 0.74 at isang modelo na kayang hulaan ang pagkasira at pagkamatay.
Bilang resulta ng paggamit ng synthetic na data, na-unlock namin ang pangangalagang pangkalusugan na ito sa isang sitwasyong may mas kaunting panganib, mas maraming data at mas mabilis na pag-access sa data.
Hindi lamang ito posible sa loob ng ospital, maaari ding pagsamahin ang data mula sa maraming ospital. Samakatuwid, ang susunod na hakbang ay ang pag-synthesize ng data mula sa maraming ospital. Ang iba't ibang nauugnay na data ng ospital ay na-synthesize bilang input para sa modelo sa SAS Viya sa pamamagitan ng Syntho Engine. Dito, napagtanto namin ang isang AUC na 0.78, na nagpapakita na mas maraming data ang nagreresulta sa mas mahusay na predictive na kapangyarihan ng mga modelong iyon.
At ito ang mga resulta mula sa hackathon na ito:
Ang mga susunod na hakbang ay ang
Ito ay kung paano ina-unlock ng Syntho at SAS ang data at napagtanto ang mga insight na hinihimok ng data sa pangangalagang pangkalusugan upang matiyak na mahusay ang mga tauhan ng pangangalagang pangkalusugan, na may normal na presyon upang magligtas ng mga buhay.