делать. The practical implementation of artificial intelligence technologies in medicine

• Название: The practical implementation of artificial intelligence technologies in medicine
• Анкор: делать
• Дата: 02.10.2022
• Размер: 64.99 Kb.
• Имя файла: Artificial intelligence in sustainable energy industry.docx
• Тип: Документы; #709299
• страница: 5 из 10

Data standardization and integration into existing clinical workflows

Data standardization is critical for implementation. Data standardization refers to the process of transforming data into a common format that can be understood across different tools and methodologies. This is a key concern because data are collected in different methods for different purposes and can be stored in a wide range of formats using variable database and information systems. Hence, the same data (e.g., a particular biomarker such as blood glucose) can be represented in many different ways across these different systems. Healthcare data has been shown to be more heterogeneous and variable than research data produced within other fields29. In order to effectively use these data in AI-based technologies, they need to be standardized into a common format. With the complexity of healthcare data and the massive volumes of patient information, data standardization should occur at the initial development stage and not at the user end.

Стандартизация данных и интеграция в существующие клинические рабочие процессы

Стандартизация данных имеет решающее значение для реализации. Стандартизация данных относится к процессу преобразования данных в общий формат, который можно понять с помощью различных инструментов и методологий. Это является ключевой проблемой, поскольку данные собираются разными методами для разных целей и могут храниться в самых разных форматах с использованием переменных баз данных и информационных систем. Следовательно, одни и те же данные (например, конкретный биомаркер, такой как уровень глюкозы в крови) могут быть представлены разными способами в этих разных системах. Было показано, что данные здравоохранения более разнородны и изменчивы, чем данные исследований, полученные в других областях. Чтобы эффективно использовать эти данные в технологиях на основе ИИ, их необходимо привести к единому формату. Учитывая сложность медицинских данных и огромные объемы информации о пациентах, стандартизация данных должна происходить на начальном этапе разработки, а не на стороне пользователя.

Interoperability will be essential given the multiple components of a typical clinical workflow. For example, Tang et al.9 posited that for an AI-assisted radiology workflow, algorithms for protocolling, study prioritization, feature analysis and extraction, and automated report generation could each conceivably be a product of individual specialized vendors. A set of standards would be necessary to allow integration between these different algorithms and also to allow algorithms to be run on different equipment. Without early efforts to optimize interoperability, the practical effectiveness of AI technologies will be severely limited.

Совместимость в общем будет иметь важное значение, учитывая несколько компонентов типичного клинического рабочего процесса. Например, Танг и др. предположили, что для рабочего процесса радиологии с помощью ИИ алгоритмы протоколирования, приоритизации исследований, анализа и извлечения признаков, а также автоматического создания отчетов могут быть продуктом отдельных специализированных поставщиков. Для того чтобы обеспечить интеграцию между этими различными алгоритмами, а также для того, чтобы алгоритмы можно было запускать на различном оборудовании, потребуется набор стандартов. Без заблаговременных усилий по оптимизации совместимости практическая эффективность технологий ИИ будет сильно ограничена.

The Digital Imaging and Communications in Medicine (DICOM) standards and the picture archiving and communication system (PACS) revolutionized medical imaging by providing a consistent platform for data management. A similar set of standards should be applied to AI-based technologies to develop a consistent nomenclature to facilitate consistent methods of data storage and retrieval.

Стандарты цифровой визуализации и связи в медицине (DICOM) и система архивирования и передачи изображений (PACS) произвели революцию в медицинской визуализации, предоставив согласованную платформу для управления данными. Аналогичный набор стандартов следует применять к технологиям на основе ИИ, чтобы разработать согласованную номенклатуру для обеспечения согласованных методов хранения и поиска данных.

One such set of standards that is rapidly evolving worldwide for the purpose of clinical translation is the Fast Healthcare Interoperability Resources (FHIR) framework (https://www.hl7.org/fhir/summary.html). This framework is based on Health Level 7 (HL7), a framework of standards for electronic health information exchange, and is geared toward implementation. FHIR utilizes a set of modular components, known as ‘Resources,’ which can be assembled into working systems that will facilitate data sharing within the EHR and mobile-based apps as well as cloud-based communications. Looking to the future, we anticipate that the FHIR framework will be critical for implementation of AI-based technologies in the healthcare sector that utilize electronic data, just as DICOM and PACS have become critical for exchange of digital medical images.

Одним из таких наборов стандартов, который быстро развивается во всем мире с целью клинического перевода, является структура Fast Healthcare Interoperability Resources (FHIR) (https://www.hl7.org/fhir/summary.html). Эта структура основана на Health Level 7 (HL7), системе стандартов для электронного обмена медицинской информацией, и направлена на внедрение. FHIR использует набор модульных компонентов, известных как «ресурсы», которые могут быть собраны в рабочие системы, которые облегчат обмен данными в EHR и мобильных приложениях, а также облачные коммуникации. Заглядывая в будущее, мы ожидаем, что структура FHIR будет иметь решающее значение для внедрения технологий на основе искусственного интеллекта в секторе здравоохранения, использующих электронные данные так же, как DICOM и PACS стали критически важными для обмена цифровыми медицинскими изображениями.