Bagaimana untuk mengatasi halangan keselamatan untuk membuka kunci data perubatan

​Industri penjagaan kesihatan ialah salah satu industri yang paling kaya dengan data, tetapi disebabkan oleh undang-undang privasi dan keselamatan yang ketat, saintis data tidak boleh berbuat banyak dengan data ini. Tetapi kini, terima kasih kepada penggunaan tetapan keselamatan yang kukuh dan analitik yang memelihara privasi dalam pengkomputeran awan, Providence Health mula membuka kunci "gari" saintis data dan berinovasi pada data perubatan yang besar.

Dengan 52 hospital, lebih 1,000 klinik dan kira-kira 120,000 pekerja, Providence Health & Services ialah salah satu kumpulan penjagaan kesihatan terbesar di Amerika Syarikat. Seperti kebanyakan syarikat penjagaan kesihatan, Providence Health mengambil langkah untuk mengekalkan integriti data pesakit. Lagipun, tiada siapa yang mahu melanggar HIPAA (Akta Mudah Alih dan Akauntabiliti Insurans Kesihatan/Akta Pertukaran Elektronik Penjagaan Kesihatan), yang membawa denda $50,000 untuk setiap pelanggaran.

Keselamatan merupakan kebimbangan utama kerana syarikat yang berpangkalan di Renton, Washington itu menetapkan tentang mengemas kini seni bina analitik datanya, bermula dengan memindahkan gudang data SQL Server legasinya kepada Microsoft Azure On the cloud. Lindsey Miko, pengarah sains data Providence, berkata syarikat itu mengambil langkah berjaga-jaga tambahan untuk memastikan kawalan ketat ke atas data dikekalkan kerana ia bekerjasama dengan Databricks dan lain-lain untuk menyediakan persekitaran data baharu pada akhir 2019.

"Providence menetapkan standard tinggi yang unik untuk awan selamat," kata Miko. "Setiap syarikat teknologi yang saya bekerjasama ... berpendapat beginilah rupa awan yang selamat. Kemudian mereka mula bekerja dengan kami, dan mereka segera mempunyai keraguan tentang menetapkan standard. Kami bekerjasama dengan Microsoft dan Databricks untuk membina Dengan seni bina penggunaan baharu, kami memerlukan sesuatu yang diasingkan daripada internet awam dan boleh melindungi data pesakit dengan betul.”

Snowflake juga terlibat dalam seni bina data berasaskan awan Providence yang baharu. Projek awal adalah untuk memindahkan gudang SQL Server yang sudah tua ke gudang data Snowflake, yang akan menyediakan sistem yang lebih berskala untuk menganalisis data perniagaan dan klinikal. Providence cukup besar untuk menampung pengguna dalam berbilang gudang data, jadi persekitaran Databricks dan Snowflake wujud secara bebas.

Kawalan kos ialah matlamat penting untuk gudang awan baharu Providence, yang digunakan untuk analitik tradisional serta membina dan menjalankan model pembelajaran mesin. Sebagai sebuah hospital Katolik bukan untung dengan misi untuk membantu golongan miskin dan memerlukan, Providence mempunyai tanggungjawab untuk menyediakan penjagaan mampu milik, dan analitik boleh membantu dalam hal itu.

"Kami juga tahu bahawa terdapat gelembung kos dalam penjagaan kesihatan. Kos pesakit meningkat sepanjang masa. Margin sistem penjagaan kesihatan adalah nipis. Ia rugi-rugi," katanya. “Jadi, cari cara untuk memanfaatkan data dan analitik untuk mengawal kos — itulah asas keseluruhan sistem penjagaan kesihatan.”

Sesetengah kes penggunaan awal melibatkan penggunaan model pembelajaran mesin untuk meramalkan keperluan pesakit, termasuk perkara seperti morbiditi dan tempoh tinggal, dsb. Ramalan tersebut dimasukkan ke dalam model kakitangan yang memberitahu Providence tentang keperluan kakitangan perkhidmatan yang mungkin kelihatan seperti dalam tempoh dua bulan akan datang.

Keanjalan awan yang tidak terhingga adalah peningkatan utama daripada apa yang digunakan oleh syarikat sebelum ini. Walaupun pemindahan gudang data bermula sebelum wabak COVID-19, Miko dan pasukannya menyelesaikan banyak kerja semasa wabak itu. Syarikat penjagaan kesihatan mengambil kesempatan daripada beberapa model pembelajaran mesin yang disertakan dengan perisian rekod perubatan elektronik (EMR) Epic Systems di luar kotak, dan ia berfungsi dengan baik. Sebagai pengguna terbesar Epic, kejayaan model pembelajaran mesin menjadi petanda baik untuk pasukan R&D Epic.

Pada masa yang sama ia mempercepatkan penggunaan sistem generasi akan datang, termasuk teleperubatan. "Kami sudah bersedia. Kami mempunyai infrastruktur yang sangat mantap untuk mengendalikan teleperubatan. Dapat memindahkan banyak data ke teleperubatan. Ia juga memacu pembangunan analitik ramalan. Sekitar risiko kematian, tempoh tinggal ICU dan awal wabak itu. adalah beberapa model lain yang digunakan Ini adalah aplikasi yang dibina ke dalam Epic Ini hanyalah langkah pertama dalam perjalanan yang panjang di mana terdapat lebih banyak peluang untuk kecerdasan buatan untuk meningkatkan penjagaan klinikal.

Sebagai contoh, syarikat sedang menjalankan analisis masa nyata bagi fail perubatan tahap kesihatan 7 (HL7) yang diperoleh daripada Epic. Data ini diproses menggunakan Spark Streaming dan kemudian dimuatkan ke dalam borang dalam gudang Databricks dalam masa nyata.

"Kerja ini bermula untuk mewujudkan apa yang kami panggil sebagai pusat kawalan misi yang akan mempunyai pandangan masa nyata tentang apa yang berlaku di hospital," katanya

Salah satu kes penggunaan awal untuk Pusat Kawalan Misi adalah untuk mendapatkan keterlihatan ke dalam sumber hospital individu untuk menentukan sama ada ia mampu mengendalikan pesakit yang datang. Ini adalah alat yang berguna untuk membantu mencegah kesesakan hospital, yang merupakan ancaman yang sangat nyata pada kemuncak pandemik COVID-19.

Memanfaatkan analitik dan kecerdasan buatan untuk meningkatkan operasi perniagaan dan klinikal, beliau berkata: “Itulah tempat yang bagus untuk bermula, sebaik sahaja anda mempunyai pandangan masa nyata tentang apa yang berlaku dalam sistem penjagaan kesihatan — siapa yang ada, Apa anda perlukan dan sambungkannya ke rajah mereka - anda boleh mula meramalkan perkara yang akan berlaku seterusnya, jadi saya sangat berminat dengan kawalan misi." 🎜>Syarikat sedang mempertimbangkan untuk memanfaatkan beberapa teknologi kecerdasan buatan yang lebih berkuasa, termasuk pembelajaran mendalam, untuk mengoptimumkan lagi operasinya dan menambah baik perkhidmatan perubatan. Khususnya, ia bekerjasama dengan John Snow Labs dan model Spark NLPnya untuk dapat mengekstrak data yang bermakna daripada rekod perubatan doktor.

Keselamatan dan privasi amat diutamakan apabila menangani tahap data sensitif ini, jadi keutamaan pertama Spark NLP adalah untuk mengenal pasti rekod doktor tentang pesakit. Syarikat penjagaan kesihatan itu menggunakan model terlatih daripada makmal John Snow yang boleh mengecam pengecam seperti tarikh, nama, alamat dan poskod.

"Ia berfungsi dengan baik," kata Nadaa Taiyab, saintis data kanan di Tegria, sebuah syarikat teknologi dan perkhidmatan yang dimiliki oleh Providence

Dalam teg Selepas pengecam, Providence menggantikan data dengan data palsu, menghapuskan risiko maklumat kesihatan swasta (PHI). Proses ini membolehkan Providence menggunakan data perubatan agregat untuk melaksanakan analisis lanjutan dan melatih model pembelajaran mesin.

Walaupun langkah pengeliruan mengurangkan risiko PHI jatuh ke tangan yang salah, ada kalanya data pesakit sebenar diperlukan, terutamanya apabila menggunakan model pembelajaran mesin, kata Taiyab. "Jika anda mengagregatkannya, anda tidak boleh menggunakannya untuk pembelajaran mesin, jika anda cuba meramalkan sesuatu pada tahap pesakit "Jika anda ingin meramalkannya pada peringkat populasi, itu satu perkara. Tetapi anda perlu Ada data peringkat pesakit” untuk membuat ramalan peringkat pesakit.

Providence juga boleh menggunakan data pesakitnya untuk penyelidikan perubatan lanjut melalui Institut Biologi Sistem (ISB). ISB ialah sebuah syarikat analitik perubatan yang berpangkalan di Seattle, Washington, yang diasaskan oleh Dr. Leroy Hood, salah seorang penyelidik Projek Genom Manusia. Kerja keselamatan data Providence telah membolehkannya berkongsi data dengan ISB, yang diperolehnya pada tahun 2016.

Miko berkata keupayaan ISB untuk melombong gudang data perubatan Providence yang besar akan menjadi penting untuk penyelidikan ISB tentang keadaan kesihatan, seperti COVID-19 jangka panjang. "Ini hanyalah satu contoh maksudnya apabila anda boleh menggunakan dan menyepadukan data dalam persekitaran awan yang selamat," katanya.

Pelaburan dalam membina seni bina data awan yang selamat dijangka membuahkan hasil apabila Providence meneroka cara lain untuk menggunakan analitik lanjutan dan kecerdasan buatan untuk meningkatkan misi penjagaan kesihatannya.

"Providence telah mereka bentuk pelan tindakan untuk awan selamat untuk penjagaan kesihatan," kata Miko. "Ia memerlukan banyak latihan, banyak pembelajaran, banyak kerjasama dengan rakan kongsi kami. Memperbaikinya setiap langkah. Model penggunaan berubah apabila kami mempelajari perkara baharu. Tetapi kami fikir ada satu yang sangat kukuh "Pelan tindakan untuk ini.” Akses kepada data kekal sebagai salah satu halangan utama untuk maju di hadapan ini. Kerja yang telah dilakukan Providence untuk mengurangkan risiko keselamatan dan privasi adalah langkah pertama yang baik, tetapi banyak lagi yang perlu dilakukan.

Atas ialah kandungan terperinci Bagaimana untuk mengatasi halangan keselamatan untuk membuka kunci data perubatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!