你的AI之旅从这里开始:预测分析成功的四步框架

本文基于2020年医疗保健分析峰会(有20虚拟德克萨斯州儿童医院创新团队经理Jaclyn Bernard的演讲，题为“开始预测分析之旅:为成功选择正确的用例”。

研究表明，医疗保健行业将会支出超过340亿美元人工智能(AI)。随着人工智能投资的增加，分析在医疗保健领域进入了一个新的重要水平。组织现在必须优化他们的预测分析这是人工智能在医疗保健领域最常见的应用，并为人工智能之旅的下一阶段做好准备。

尽管在医疗保健领域的预测分析可以通过增加对未来的可见性为组织增加显著的价值，但预测分析的好处只能在用例允许的范围内发挥作用。简单地说，如果数据科学团队为预测分析(或AI)的成功选择了正确的场景(用例)，预测分析——以及预测模型之外的AI的每一种使用——都可以产生有意义的结果，并证明是一项有价值的投资。选择一个糟糕的用例可能会导致错误的预测，不佳的性能，以及缺乏领导对预测模型和未来更广泛的AI领域的支持。

为医疗保健领域的预测分析建立坚实的基础

预测分析是利用人工智能的早期步骤，它使用历史数据预测组织不同领域的临床、运营和财务需求，如人员配置、资源、病人的结果，以及高风险病人组．通过预测分析提供围绕需求的数据驱动的可见性，卫生系统可以更好地分配资源，并为不同的情况做好准备(例如，ICU即将到来全面的能力)，减少了在不可预见的情况发生时的猜测和慌乱。精确的预测建模也为预测分析之外的高级AI奠定了基础，包括回顾性比较和规范性优化。

任何类型的人工智能要想成功，卫生系统必须有强大的分析基础。在致力于一个用例并开始预测分析之旅之前，组织应该有支持技术，并遵循一个头脑风暴过程:

数据与分析技术

能够有效支持医疗保健领域预测分析的健壮技术包括三个核心元素:

• 健壮的数据平台世界杯厄瓜多尔vs塞内加尔波胆预测-数据平台(例如世界杯厄瓜多尔vs塞内加尔波胆预测，健康催化剂)世界杯葡萄牙vs加纳即时走地数据操作系统(DOS™))，它可以从不同的来源收集数据，并在整个系统中作为一个真实的来源，这对于预测模型至关重要，因为预测模型的准确性取决于对精确数据的访问。在一个数据平台中拥有一个真实的数据来源还可以防止数据竖井，并确保每个机器学习(ML)模型都使世界杯厄瓜多尔vs塞内加尔波胆预测用最新的、最准确的数据，而不是一次性的数据集。
• 预测分析专业知识和制度知识-除了基本的预测分析理解来指导预测分析之旅，卫生系统需要机构特有的知识来解决高优先领域。了解公司的运作情况流程对于一个细粒度级别的医疗保健机构，领导者可以根据他们的特定需求定制预测分析模型，从而实现价值最大化。
• 机器学习技术-卫生系统需要一个建立预测模型的平台;世界杯厄瓜多尔vs塞内加尔波胆预测组织可以在内部或使用流行的商业智能工具(例如，世界杯厄瓜多尔vs塞内加尔波胆预测明智的领导^®)．其次，系统需要连接数据源和预测分析平台的数据管道，以便数据可以无缝地在两地之间移动，从而实现更快的结果而不延迟。世界杯厄瓜多尔vs塞内加尔波胆预测

头脑风暴过程

通过遵循两步头脑风暴过程，改进团队可以开始探索可能的用例，以确定那些最有可能成功的用例和他们可以开始消除的用例:

• 头脑风暴医院优先事项-开始预测分析之旅的最佳地点是与组织的不同成员讨论最紧迫的医院关注点——这些最有可能与组织目标一致——以查看哪些领域可能符合预测分析用例。
• 创建概念证明-一旦团队确定了预测分析的可能候选用例，他们就可以通过概念证明深入研究具体问题。概念证明展示了预测分析如何解决问题，包括深入的商业计划，详细说明潜在可行性、竞争对手研究和可能的财务状况。

在任何预测分析项目和高级AI用例中，奠定数据和分析基础并熟悉头脑风暴过程都是至关重要的。因此，尽早掌握这两步过程可以使未来的AI项目更加顺利。

确定医疗保健中预测分析的最佳用例的四步框架

在卫生系统为预测分析和对可能的用例进行头脑风暴奠定了技术基础之后，它们已准备好迈出人工智能之旅的下一步。数据科学团队现在准备通过以下四步框架来评估预测模型(或其他AI用途)的用例候选:

步骤1:项目吸收和优先级排序

卫生系统可以将框架的第一个步骤视为“问题”步骤。此时，数据科学团队与其他组织伙伴会面，讨论组织内预测分析可能解决的挑战。重要的是，两个团队首先要就问题达成一致。然后，团队可以向前推进并处理数据(例如，可用的数据是什么?)、资源可用性(例如，项目当前可用的资源是什么?)以及业务/临床价值(例如，它会影响支持组织目标的医院度量吗?)

例如，如果卫生系统没有满足医疗保健有效性数据和信息集(HEDIS)人类乳头瘤病毒(HPV)疫苗的措施，达到HPV疫苗目标率可能是预测分析模型的一个很好的用例。在这种情况下，该模型可以预测哪些青少年不太可能获得免疫接种。卫生系统可以通过访问过去的疫苗依从性数据和患者人口统计数据，收集有关HPV疫苗接种率的充分信息。卫生系统可能有一个专题专家提供信息，说明为什么一些青少年不能接种疫苗和提高疫苗接种率的有效方法。

最后，该项目具有较高的临床价值质量因为它将帮助卫生系统实现其HEDIS免疫接种率目标。有了对问题的共识(低HPV疫苗接种率)，充足的数据，确定的资源，以及明确的商业/临床价值，卫生系统可能会决定这是一个他们应该使用预测分析的用例。正如这个用例所显示的，对哪些青少年没有接种疫苗的准确估计可以使卫生系统加大对适当群体的推广力度，增加青少年接种HPV疫苗的可能性。

步骤2:项目启动

到项目开始时，数据科学团队已经决定了一个特定的用例符合预测分析的条件。在团队致力于ML项目之后，它需要理解与用例相关的数据质量、数量和可访问性的细微差别。

例如，在上面的HPV例子中，一个卫生系统可能在医院中已经有了临床和使用信息，但该团队还对附加的健康社会决定因素(SDOH)数据感兴趣。虽然医院不一定会收集每个患者的SDOH信息，但团队可以利用公共数据集来确定接种疫苗可能性较低的潜在地区。这些信息可以指导卫生系统的外联工作，以提高免疫接种率。

步骤3:模型开发

在步骤3中，团队开始构建预测模型。记住模型开发步骤是一个迭代过程是很重要的。在整个预测模型开发过程中，许多数据科学从业者会发现他们需要额外的数据。如果一个团队决定找到更多的数据，它需要从项目开始步骤问同样的问题(例如，有哪些数据可用?)在这一点上跳过“提问”步骤可能会导致添加不相关的数据，从而导致结果的偏差。

数据科学团队在开发预测模型时可能采取的另一种方法是问:“我们需要以一种新的方式看待现有数据吗?”有时团队拥有适当的数据，但需要重新构建它。以不同的方式看待数据可以改变模型预测未来的方式结果．例如，一个团队可以分组审查数据，而不是单独审查诊断和药物数据。

步骤4:操作化预测模型

四步框架的最后一步是操作预测模型。在这一步中，数据科学家和合作伙伴从第一阶段的提问、组织信息和构建预测模型中获益。团队将他们的注意力从进入模型的数据转移到从模型出来的数据。使用预测模型的结果，数据科学团队与运营和临床合作伙伴合作，讨论和理解新的见解，如何使用这些见解来设计干预措施，以及他们需要哪些数据来支持工作流程。

用例在医疗保健领域AI和预测分析的成功中扮演着关键角色

为了提高AI在医疗保健领域从预测分析到规范优化的速度和效率，组织应该从确定要追求的最佳用例开始。通过分配给预测分析项目的正确用例，改进团队可以改变护理，为可能的结果做好准备，早期干预，并交付得到高层领导支持的结果。当数据科学团队以最佳用例开始AI之旅时，他们能够将这些技能应用于AI追求，而不仅仅是释放更多洞察力的预测分析。

更多的阅读

你想了解更多关于这个主题的信息吗?以下是我们推荐的一些文章:

1. 医疗保健中的人工智能和机器学习:四个现实世界的改进
2. 维护医疗保健中的人工智能伦理:三个最佳实践
3. 用机器学习提高医院病人流量的三个关键
4. 人工智能在医疗保健领域:更快找到正确答案
5. 人工智能辅助决策:医疗保健的下一个前沿