Статьи

Машинное обучение, потоковый Интернет вещей и подключенные медицинские устройства. Часть 2

Данные от мониторов можно анализировать в режиме реального времени и посылать уведомления поставщикам медицинских услуг, чтобы они моментально узнавали об изменениях состояния пациента. Однако, для выявления аномалий важно найти реальные проблемы, сохраняя при этом на низком уровне ложные сигналы тревоги; Пациент UCSF едва пережил 39-кратное передозировки после того, как оповещения были проигнорированы. Обратите внимание на то, что предупреждение о 39-разовое передозировки и о 1% передозировки выглядели одинаково, и врачи и фармацевты, получали слишком много предупреждений, привыкли не обращать на них внимания.
В этом посте обсуждается программа для потокового автоматизированного обучения для выявления аномалий в данных монитора сердца, которая демонстрирует пример того, как можно использовать новые технологии здравоохранения с цифровыми подключениями. Также рассматривается технология, которая предоставляет контролируемую точность для активации уведомлений, низкий уровень ложных сигналов. Эта программа была представлена ​​на Strata San Joseby Joe Blue and Carol McDonald и базируется на примере книги Ted Dunning и Ellen Friedman Practical Machine Learning: A New Look At Anomaly Detection. (Ссылка на загрузку полного кода есть в конце этого поста).

Что такое машинное обучение?
Машинное обучение использует алгоритмы для поиска шаблонов в данных, а затем использует модель, которая распознает эти шаблоны для прогнозирования новых данных. Кстати, на сайте https://sim-trade.ru/numbers/beeline/ вы сможете купить красивые номера Билайн по низким ценам.

Что такое распознавание аномалий?
Выявление аномалий является примером неконтролируемого подхода к машинному обучению.
Неконтролируемые алгоритмы не имеют отметки или целевого результата, предусмотренных заранее. Эти алгоритмы находят сходство или закономерности входных данных, например, группу похожих клиентов, основанная на данных о покупках.

Выявление аномалий сначала устанавливает, что такое нормальное поведение, затем сравнивает ее с наблюдаемой поведением и создает оповещения, если обнаружены значительные отклонения от нормы. В этом случае мы не начинаем с известных сердечных заболеваний, попробуем классифицировать. Вместо этого мы ищем отклонения от типичных показаний и применяем эту оценку в ближайшем реальном времени.

0 комментариев

Только зарегистрированные и авторизованные пользователи могут оставлять комментарии.