此文章由谢尔盖·Gorpynich，联合创始人兼首席技术官星，佩里·辛普森共同编写，管理星主任，写，编辑和我们的透明发表在对齐Emerj赞助内容指南。了解更多关于到达我们的ai集中执行观众的信息Emerj广告页面。
随着人工智能和数据科学使他们进入越来越多卫生保健过程中，从患者的护理诊断和预后，医疗保健公司正在努力实现AI的好处，从而掌握使用自己的数据。
而编目医疗保健公司的状态数据生态系统是具有挑战性的，数据的问题超出确定现有数据资产的状态。商业和技术领导地位，因此，必须能够识别正确的，高影响力的使用情况在组织内的数据科学和人工智能。
许多领导团队有他们想如何使用AI的最初的想法，他们仍然不确定如何执行该倡议，终端到终端从概念到生产级系统。
在这篇文章中，我们打破这是一个把人工智能项目从头脑风暴到发射的关键阶段。当涉及到解锁医疗数据和选择高价值的AI举措，明星的数据科学团队遵循三个不同的阶段：
- 数据研究：这一探索性数据分析状态涉及企业利益相关者，主题专家，以及AI /数据科学专家评估数据资产，并确定高价值的应用程序之间的跨学科对话
- AI模式原型和测试：最初的实验和适用的机器学习模型找到最好的可能的解决方案
- AI执行：集成的AI主动或产品的核心系统，团队和流程
我们将主要关注在此过程中前两个阶段，打破其组成部分的框架，医疗业领军者应该找到有用的，可以立即使用。
欲了解更多关于在医疗行业采用AI，下载Emerj明星白皮书，执行指南AI收养在医疗保健。
数据研究
研究过程和目标
第一步在于与企业利益相关者决定他们想要达到和他们有什么数据资产获得什么。
这包括与业务领导、主题专家和经验丰富的数据科学家会面，以评估当前情况并确定机会领域。团队一起工作来理解业务的目标、它的生态系统和现有的数据资产。
关于数据资产，团队应该问：是否有有意义的业务洞察力，我们可以从这些数据中得出？有没有我们可以应用这些见解的方式对我们的业务直接影响？
公司领导都知道AI的，并且对他们要创造成果的想法。例子包括确定医院获得性感染的发生率，掌握电子病历管理，以减轻费力的数据录入和解释，优化任命和人员配备等。
主题专家也可能有关于执行机器学习驾驶价值自己的想法，和数据科学家将能够评估自己的想法的技术可行性。
业务领导、主题专业知识和数据科学的这种组合在数据研究阶段是至关重要的。
For instance, a healthcare company might hire a team of data scientists to leverage machine learning, but these data scientists aren’t going to necessarily know anything about healthcare data, let alone the specific business model, patient profiles, or data ecosystem of their company.
数据科学家需要业务和流程的情况下，才能知道哪些数据的装置以及数据如何在历史上一直在解决业务问题有价值。
与访问约会数据的数据科学家，例如，可能没有意识到用于处理透析治疗与化疗不同的人员和人员的要求。数据科学家将不知道操作领导人的任命是如何预订和管理的今天为什么‘经验法则’。
同样，一个企业的领导者可以使用医学图像数据传输到计算机视觉系统培训，以更好地看到价值确诊肺癌，但同样的领导人可能不知道多少数据是如何被要求达到这样一个目标，或者训练机器学习模型所需的数据标签的冗长程度。
将这些小组和观点结合在一起可以产生既可行(技术上)又有价值(经济上或对最终用户)的想法。
数据研究这可能需要数天到2-4周的团队车间协作探索性数据分析过程。数据科学家将走出这一阶段的可用和在哪里可以找到它们的数据类型有很好的了解，以及是否不需要对数据进行协调，或者更多的数据需要先收集。
此外，从主题专家和利益相关者的见解（放射科医生，护士，客户服务经理等），应让他们与企业要解决这一问题的强烈意识。考虑到这一点，数据科学家可以执行他们的计划，并开始原型的模型。
综合技能的重要性
在数据研究阶段，主题专家应该帮助产生想法并为数据科学家提供上下文。如果在专家的领域内选择了一个试点或原型项目(例如:放射学、客户服务、EHR然后，该主题专家和/或他们的团队应该与数据科学家保持一致的沟通。
因为他们操纵数据的科学家在正确的方向主题专家是这一阶段的AI建设进程的关键。引线数据科学家可能认为十几类型的数据，他们可以用它来建立一个特定用例机器学习模型。
然后，主题专家可以通过确认以上这些数据类型的一半是稀疏的并不多见提供焦点，被组织得不好或收集，或者使用它们可能违反法规。
另一个重要的观点主题专家带来的表是找到在数据价值的能力。
最终，我们试图在数据搜索的内容是一些有意义的业务洞察力。因此，我们不看从技术角度而言，数据...这是...一个次要问题。第一个问题是：我们也许能够提取任何有意义的见解，这将是对业务很重要？
主题专家可以帮助回答这些关键问题，确定在其上关注该公司的AI工作最有成效的领域。
然而，依赖是双向的，和主题专家需要数据科学家对地自己的想法是什么技术上是可行的。放射科医生可能需要使用计算机视觉系统来检测肺癌和应用同样的应用到各种其他肿瘤的诊断任务。
然后，数据科学家可能或确定是否这些其他诊断任务的数据足以培养模式如果数据是相似的，足以从一个诊断任务转移到另一个。数据科学家，谁了解业务方面，因此，将能够确定这个想法的可行性。
AI模式原型和测试
为什么原型阶段是必要的
一旦项目被确定，就可以访问数据，一个技术团队将需要获得工作在模型样机，以确定机器学习模型是否能够提供的结果企业领导层所期待的。
例如:
- 一种系统，以预测优化E＆M码。数据科学家和项目团队的任务可能是将逻辑模型应用于过去的EHR和计费数据，以更好地预测最佳的评估和管理代码。将NLP和分类算法应用到医疗记录中，将自动化程度提高到一个新的水平，否则这将是一个非常手工和费力的过程。找到数据特征和模型的正确组合将涉及到数据科学家和主题专家之间的技术迭代和公开对话。
- 检测使用的机器视觉肺癌。数据科学家可以用放射学家和肿瘤学家合作，以确定导致X射线诊断标准，并保证成千上万以前肺癌的X射线进行适当的标记，并以培养计算机视觉模型来检测肺癌突出在新的X射线图像。
- 利用人工智能实时预测疾病的传播。使用数百万从智能连接温度计收集匿名数据输入，一个AI模型可以建立测试基于严重性，传染性和持续时间优先分配的疾病的功效。此外，以确保这些数据都标有地理位置的坐标，这个模式可以测试其预测疾病的传播能力，最终使官员采取行动，并尽量减少其对整个群体的影响。
任何支持人工智能的医疗保健功能都将涉及一段时间的数据收集、模型培训和迭代测试。
像探索性数据分析过程，这个阶段包括帮助训练模型，并确保其输出（优化E＆M编码，检测肺癌，或数据科学家和主题专家之间的持续对话预测疾病不同人群）是准确和有用的。
虽然C-套件可以在头脑风暴确定最初的项目参与，他们不太可能参与原型设计阶段，其中，数据科学家和主题专家之间的沟通变得最为重要。
与主题专家外正在进行的对话，数据科学家将花费在技术任务的时间。他们会清理和统一的数据（如果需要的话），以及训练算法的工作，提供所需的结果。他们会确定数据哪些功能，他们会适用的算法或统计方法。
模型原型化和测试阶段的目标
模型原型和测试阶段的存在是为了探索，把它投入生产之前证明的AI应用的价值。因此，项目经理和高层领导通常的目标是达到特定的标准和目标与他们的原型。
模型的可行性与有限的数据
其中的这个原型阶段的目标是测试在有限的数据集的机器学习假设。例如，内置用于检测癌症患者从CAT扫描的图像存在的计算机视觉模型将首先需要对整个数据集（即，保健网络的CAT扫描的整个归档）的相当大的部分进行测试。
如果算法正确地检测到这些CAT扫描内癌可能是由利益相关方确定的时间百分比内，原型可以被认为是成功的。确定这些具体标准的前期成功是至关重要的。
基本用户界面
在这一阶段的AI建设过程中的另一个目标包括确定数据科学家是如何打造的学习机产品的用户界面。主题专家需要知道谁去使用该产品是。医生？外科医生？耐心？
答案将在很大程度上影响了产品是如何构建的，允许最大的效率，在某些情况下，风险最小。通过自身的有效模式不会推动业务价值。随着可用的界面，利益相关者可以开始看到他们的AI倡议可以从实验到生产和服务实际用户的需求。
该项目或应用的经济可行性
如果企业领导是满意的机型输出，他们会再评估，以使模型投入生产所需的资源。决定性的问题可能包括：
- 什么将它的成本来培训员工使用我们的工作流程，在这个新的基于人工智能的解决方案？
- 什么是收购，清洗，并以保持该系统的工作标签数据的持续费用？
- 还有什么其他的IT系统需要改变，更换或集成了这种新的基于人工智能的系统？
- 什么样的结果将我们需要审批运行它所需的资源之前，从该的AI系统看到了什么？
AI的实现
一旦模型进行测试，有效的用户界面构建和数据由访问，该系统可以进行部署。一旦模型已被证实，预算已经被批准，并领导团队认为，数据资产足以实现业务结果发生的实现。
如果模型显示承诺，企业领导认为其价值将是值得投资的实施，则技术团队将与提供一个可扩展的AI主动投入生产任务。
医疗保健公司希望采用机器学习需要明白，AI是他们公司的未来的投资。这些课程在申请初始AI项目往往会加强公司的部署AI应用程序和工具前进的能力教训。
多学科的会议，更改数据基础设施，以及独特的模型训练都将是其他AI项目的可转移技能，准备公司更能够发展其他AI举措。除了对效率或患者的治疗效果可能的改进，这些都是从部署第一AI处理额外的好处。
标题图片来源：混搭
