Искусственный интеллект в OpenMRS

Что такое OpenMRS?

OpenMRS — это совместный проект с открытым исходным кодом по разработке программного обеспечения для оказания медицинской помощи в развивающихся странах.

Она была разработана в 2004 году как Система медицинской документации (MRS) для развивающихся стран. OpenMRS позволяет проектировать системы медицинской документации с минимальными знаниями в области программирования. В основе OpenMRS лежит словарь понятий. Словарь понятий содержит все диагнозы, тесты, процедуры, лекарства и другие общие вопросы и возможные ответы. Это клиент-серверное приложение, что означает, что оно было построено с учетом того факта, что многие клиенты будут иметь доступ к одной и той же части информации.

А искусственный интеллект?

Искусственный интеллект стал довольно популярным в последние несколько лет. Почти каждый ребенок знает об этом, хотя у них разные представления о том, что такое ИИ на самом деле. Итак, если говорить простыми словами,

Искусственный интеллект, по сути, обучает машину делать то, что умеют люди.

Искусственный интеллект — довольно обширный термин. В этом блоге мы сосредоточимся на аспекте ИИ Машинное обучение.

Машинное обучение

Термин машинное обучение может показаться вам очень интригующим, но на самом деле его очень легко понять. Давайте разберемся с концепцией машинного обучения на примере.

Возьмем пример двухлетнего ребенка. Когда ребенок впервые видит своего дядю, он совершенно не представляет, кто он такой. Но когда он видит его неоднократно, он может идентифицировать его в будущем. Машинное обучение очень похоже на это. Мы передаем большие объемы данных на машину. Машина анализирует шаблон на изображениях, и когда мы передаем другой фрагмент данных из той же категории, что и данные, которые мы передали, машина может его идентифицировать. Для реализации машинного обучения действительно хорошей средой является TensorFlow.

Организация данных

Ожидается, что к 2020 году медицинские данные будут удваиваться каждые 73 дня. Поскольку система медицинских карт предназначена для хранения большого количества данных, крайне необходимо правильно организовать данные. Машинное обучение — идеальная среда для этого. Модели машинного обучения могут быть созданы для автоматической категоризации данных, что позволяет сэкономить много усилий. Автоматизация организации данных окажется полезной для организации, поскольку она значительно облегчит работу с данными и сэкономит организации много денег.

Чтобы классифицировать структурированные данные, нам нужно построить модель с помощью Keras, API высокого уровня, который используется для обучения моделей глубокого обучения, и построить конвейер для классификации данных.

Документация

Надлежащая документация имеет решающее значение в любом проекте, связанном с разработкой. Каждый проект должен включать надлежащие инструкции по его настройке на локальном компьютере пользователя и запуску. Это может стать неожиданностью, но машинное обучение также обладает способностью выполнять высококачественный анализ данных. Благодаря ML ИИ может точно считывать информацию, понимать контекст и извлекать данные. Это можно использовать для предоставления надлежащей документации для проектов OpenMRS, а также для удовлетворения любых других потребностей организации, связанных с документами. Эта способность систем управления документами на основе ИИ читать и понимать контекст данных приведет к улучшению процесса принятия решений.

Анализ медицинских записей

ИИ основан на нейронных сетях. Он использует различные уровни блоков обработки, чтобы научиться понимать данные. Следовательно, он обладает способностью считывать клинические данные из любого источника и выполнять глубокий анализ.

ИИ может анализировать медицинские записи пациентов из прошлого и выявлять в них проблемы. Используя свои возможности извлечения данных и кластеризации документов, искусственный интеллект может предоставить краткую информацию о медицинских картах человека, а также дать рекомендации о том, как можно избежать этих проблем в будущем.

Это можно сделать с помощью модуля встраивания tf.Hubtext, для которого необходимо установить Tensorflow. Это поможет повысить эффективность анализа медицинских карт в OpenMRS.

TensorFlow Hub (tf.hub) — это библиотека многоразовых модулей машинного обучения. Эти модули могут быть предварительно обученными моделями или встраиваниями, извлеченными из текста, изображений и т. д.

Сходство пациентов

В таком огромном массиве данных обнаружение сходства между разными пациентами может оказаться очень полезным. Удивительно, но ИИ делает это возможным. Это позволяет нам создавать динамические когорты, а не статические. Это также поможет связать различные решения с различными проблемами, с которыми сталкиваются пациенты.

Это также можно сделать с помощью Tensorflow. Вложения текста извлекаются с помощью модуля tf.Hub Universal Sentence Encoder. Извлечение различных ключевых слов и поиск наиболее семантически похожих документов станет большим преимуществом для организации OpenMRS.

Вот простой пример:

Голосовые операции

Представьте, что вы перемещаетесь по веб-сайтам исключительно с помощью голоса. Да, это возможно. Для этого можно использовать машинное обучение. Пользователь сможет перемещаться по приложению OpenMRS Ref, используя свой голос. Tensorflow позволяет нам создавать модели нейронных сетей для распознавания речи. Эти модели обычно используют архитектуру рекуррентной нейронной сети (RNN). Чтобы включить эту функцию в OpenMRS, нам понадобится набор данных для пользовательских команд.

Это похоже на зарю футуристических веб-сайтов, где не используются пальцы, а существуют только голосовые команды.

Вот простой пример:

Безопасность

ИИ может обнаруживать личную информацию (PII) и конфиденциальную информацию и защищать ее при необходимости. Машинное обучение можно использовать для обнаружения необычной активности, включая перемещение пакетов данных, и принятия превентивных мер. Фальсификация конфиденциальной информации, такой как медицинские записи, может оказаться очень опасной. Следовательно, ИИ может защищать медицинские записи и предотвращать любые необычные шаблоны или любые вредоносные действия вместе с брандмауэрами и черными списками.

Вывод

Интеграция искусственного интеллекта с OpenMRS окажется очень полезной как для разработчиков, так и для пользователей.

Преимущества искусственного интеллекта действительно дадут OpenMRS преимущество над другими EMRS. Все это обеспечит светлое будущее для сообщества OpenMRS.

использованная литература

1. https://www.armedia.com/blog/artificial-intelligence-machine-learning-document-management/
2. https://www.ibm.com/watson-health/learn/artificial-intelligence-medicine
3. https://en.wikipedia.org/wiki/Artificial_intelligence_in_healthcare
4. https://www.datarevenue.com/en-blog/artificial-intelligence-in-medicine