KLAS-CHIME-Bericht bietet AI Erkenntnisse aus der early adopters

Eine neue gemeinsame Bericht von KLAS und GLOCKENSPIEL Befragten einige early adopters der künstlichen Intelligenz und des maschinellen Lernens tools, und fragten Sie, wie die Technologie Auswirkungen auf die klinischen, finanziellen und operativen Ziele.

WARUM ES WICHTIG IST
Die Studie basiert auf interviews mit IT-Leitern an 57 Organisationen – CIOs, CMIOs, Daten-Wissenschaftler und mehr–, die mit AI in einer Vielzahl von verschiedenen Fällen aus der klinischen Entscheidung support to patient engagement-zu-Umsatz-cycle-management. Er bat Sie, über einige handfeste Vorteile der Technologie hat dazu beigetragen, Sie zu erreichen. Es auch er einige Einblicke über eine Handvoll führenden Anbieter, und fand einige gemeinsame best practices für die KI-Annahme.

KLAS konzentrierte sich auf die Zweck-gebaut AI Anbietern – diese konzentriert sich vor allem auf Analysen und AI, mit engagierten, eigenständigen Produkt – und analytics-Plattformen mit AI-Infrastruktur. Es dauerte nicht beurteilen, EHR-Anbieter mit KI-Fähigkeiten oder anderen Anbietern, deren IT-Anwendungen, die einige KI-Fähigkeiten aber sind nicht gedacht, um sein standalone-AI-Anwendungen.

Das Marktforschungsunternehmen definiert KI als software, die „sieht maschinelles lernen oder natural language processing-Fähigkeiten für das Gesundheitswesen-klinischen, operativen oder finanziellen Bereich.“

Speziell, machine-learning-tools für strukturierte Daten, die in der Lage sind, zu „studieren und lernen computer-Systeme-algorithmen und statistische Modelle, um effektiv ausführen von Aufgaben, ohne dass die expliziten Anweisungen, sondern verlässt sich stattdessen auf Muster und Inferenz, um zu bestimmen, ergibt.“ NLP, mittlerweile, für unstrukturierte Notizen „ermöglicht software-Lösungen zu verstehen, zu verarbeiten und zu analysieren natürlicher Sprache, ob Sprache oder text.“

Der Bericht angegebenen einige wichtige Funktionen AI Anbietern Wert Salz sollte in der Lage sein, um für Ihre healthcare-Kunden, einige kritische (vorgefertigte versorgungsmodelle, die eine Maschine-learning-Plattform, Modelle zu erstellen, NLP und freier text-Funktionen), und andere, die sind „nice to have“ (überwachtes und unüberwachtes lernen, Prognose, Modellierung, multimedia).

Basierend auf seiner polling von denen 57 IT-Entscheider, KLAS bewerteten auch die Zufriedenheit der Kunden von sechs führenden Anbietern: Jvion, DataRobot, KenSci, Clinithink, IBM Watson Gesundheit und Gesundheit-Katalysator. Forscher jedoch darauf hingewiesen, dass „weil healthcare AI ist ein solcher neuer Markt,“ nur einer dieser sechs – Jvion – „hat genug Bewertungen (mindestens 15) zu werden, gelten als vollständig bewertet. Erkenntnisse auf alle anderen Anbieter, die basieren auf begrenzten Daten (6-15 Auswertungen).“

Unter seiner Erkenntnisse:

  • Kunden von DataRobot wie seine „kundenorientierte Partnerschaft-Ansatz“ und seine Unterstützung für eine erfolgreiche AI-Bereitstellungen. „Viele Kunden sagen DataRobot robuste Trainings-und Zertifizierungsprozess hilft, interne teams, ohne ein data-science-hintergrund erfolgreich Modelle entwickeln“, so KLAS.
  • Ebenso KenSci „arbeitet eng mit Kunden zusammen, die Bereitstellung von data-science-know-how, hören Sie konstruktives feedback von den Kunden und die Einarbeitung von änderungen,“ sagte Forscher in dem Bericht, aber „die meisten Kunden erkennen KenSci hat Arbeit zu tun, um die Reife Ihrer Plattform.“
  • Für IBM Watson Gesundheit, „heute sind die meisten validiert Kunden nutzen Watsons ML und NLP-Technologie mit einem klinischen Fokus und ziemlich engen Rahmen“, sagte der Forscher, der bemerkte seine umfassende Datenbank der indizierten medizinischen Veröffentlichungen, und dass es in der Lage, eingesetzt zu werden, für „sehr wertvoll, use-cases, wie der medizinischen Forschung, Genomik Analyse und Bildung für Krebs-Patienten.“
  • KLAS geschätzt, dass Jvion „hat mit Abstand die größte Kundenbasis im healthcare-AI Markt,“ und ebenfalls mit „das größte Angebot von vorgefertigten medizinischen Inhalte für die machine-learning-Modelle/Vektoren.“ Der Bericht stellte fest, dass „einige Kunden nennen Implementierung Herausforderungen, aber Sie geben Jvion Kredit für den Aufenthalt engagiert.“
  • Kunden von Health Catalyst verwenden Sie Ihre AI-powered-Analysen für die „sehr unterschiedlichen use cases,“ die Forscher berichten, etwas, dass die „teilweise auf die Art und Weise der Verkäufer hilft dem Kunden, bauen Modelle und investiert in Fahrt Ergebnissen.“
  • Und Clinithink, mit seinen „ready-to-use NLP-algorithmen für klinische Anmerkungen und SNOMED,“ gelobt wird von seinen Kunden für die Fähigkeit zur Verarbeitung von unstrukturierten Daten. KLAS stellt jedoch fest, dass der Verkäufer „noch Gebäude Ihr Produkt-portfolio von NLP-engine, so dass Kunden vergessen viele features müssen noch entwickelt werden.“

KLAS sah auch die Anbieter SAS, mit einem „großen medizinischen Präsenz in der akademischen medizinischen Zentren“ und die Symphonie AyasdiAI deren unüberwachtes lernen-Fähigkeiten – „ein ziemlich einzigartiges Angebot im healthcare-AI heute“ verwendet werden, für die klinische variation management und Forschung.

DER GRÖßERE TREND
Neben seinen Verkäufer-Bewertungen, die KLAS-Bericht berief sich auf seine Gespräche mit den Endbenutzern helfen, klare einige verweilende falsche Vorstellungen darüber, wie die KI die Arbeit für das Gesundheitswesen.

Zum einen gebannt die Vorstellung, dass die Gebäude-Daten-Modelle ist die zeitaufwendigste Aufgabe für die KI-Implementierung. Stattdessen haben die Forscher gesagt, es ist wichtig, klare Augen über die Realität von data governance.

„Daten zur Gesundheitsversorgung ist schwer zu reinigen und kommt aus vielen Quellen, und Ihre Organisation möglicherweise nicht die Kompetenz haben, zu ernähren, die richtigen Variablen oder Funktionen in Ihre Modelle,“ erklärt Sie. „Anbieter und tools können helfen, aber Sie brauchen, um Ihre eigene Bewertung, die Zeit und Mühe erforderlich, um erfolgreich zu sein mit Ihren Modellen.“

Ebenso ist es ein Irrtum anzunehmen, dass, „wenn das Modell gebaut ist, wird es selbst laufen“, so KLAS. In der Tat, Organisationen im Gesundheitswesen arbeiten müssen, um zur „Sicherung der langfristigen Modell Anwendbarkeit, Genauigkeit und Leistungsfähigkeit. Daten zur Gesundheitsversorgung ist oft heterogen; vorgefertigte Modelle können gut funktionieren, in einigen Fällen, aber Sie können spezifische demografische Situation, auf die Sie nicht anwenden, Erzeugung von irreführenden Ergebnissen.“

Und Gesundheitsdienstleister sollten nicht erwarten, dass eine einfache Implementierung einer schlüsselfertigen AI-Technologie bietet sofortige Verbesserungen.

„Es gibt viele benutzerfreundliche Produkte, die Ihnen helfen können Modelle schnell, und einige Anbieter bieten kann deep data-science-und healthcare-expertise“, sagte der Forscher. „Aber wenn Sie wollen greifbare Ergebnisse aus den Daten, die Sie benötigen, zu berücksichtigen, operationelle Aspekte, wie z.B. die Anzahl der Abteilungen, Ressourcen und Einrichtungen in der Pflege Kontinuum beteiligt werden müssen.“ Das enterprise-wide buy-in – entscheidend harte Arbeit in Bezug auf Menschen und Prozesse – ist der Schlüssel zu KI Modelle Arbeit.

AUF DER PLATTE
„Während die Technologie ist wichtig, den Erfolg mit der KI ist vielleicht sogar noch mehr abhängig von einer Organisation, operations und change management“, so die KLAS-CHIME-Bericht. „Die folgenden Empfehlungen kommen von einigen der branchenweit erfolgreichsten AI-Nutzer.

„Einbetten AI im workflow: Beim erstellen von Modellen, beobachten die ärzte den Workflow und die richtigen Orte, in denen zum einbetten der Modelle oder Erkenntnisse so, dass Sie sich innerhalb von Benutzer“ regelmäßige Routinen und sind nicht störend. Förderung der KI Erkenntnisse an ärzte, die als zusätzliche Informationen zu handeln, nicht extra Reifen zu springen durch.

„Die Zusammenkunft von Experten auf AI, data science, Modellierung, Analytik und Gegenstand: Förderung der interdisziplinären Zusammenarbeit. Ein AI-Projekt nicht erfolgreich ausgerollt, es sei denn, alle Gruppen arbeiten eng zusammen.

Die Besitzrechte für das fahren change management und die Operationalisierung der Erkenntnisse: Nehmen Sie einen social-engineering-Ansatz, um Mitarbeiter in die Umsetzung von änderungen. Bericht Fortschritte und Erfolge, um Mitarbeiter zu ermutigen, Annahme.“

Twitter: @MikeMiliardHITN
E-Mail der Autorin: [email protected]

Healthcare-IT-News ist eine Publikation der HIMSS Medien.

Zusammenhängende Posts