在医疗保健中实施机器学习的路线图:从概念到实践

科学领域:

• 临床信息学是一种临床信息学.
• 机器学习在医疗保健中的应用.
• 儿科患者的治疗结果.

背景情况:

• 在医疗保健环境中,机器学习 (ML) 的采用历史上一直很慢.
• 临床转型的儿科真实世界评估数据科学 (PREDICT) 倡议成立于一家儿科医院.
• PREDICT旨在开发,部署,评估和维护使用电子健康记录 (EHR) 数据的临床ML模型,以改善儿科患者的治疗结果.

研究的目的:

• 为了说明在现实世界医疗保健环境中临床ML部署期间遇到的常见挑战.
• 提供来自PREDICT经验的实际例子和解决方案.
• 为克服在儿科护理中整合ML的障碍提供见解.

主要方法:

• 在开发和部署临床ML模型时识别共同的挑战.
• 解决与临床场景识别和数据基础设施相关的问题.
• 建立机器学习操作 (MLOps) 并将模型集成到临床工作流程中.

主要成果:

• 展示成功的策略,以克服临床ML部署中发现的挑战.
• 呈现实用解决方案,在遵守最佳实践的同时,在医疗保健中实施ML.
• 有效地将ML模型集成到现有的临床工作流程中的证据.

结论:

• 普雷迪克特的经验为更广泛的医疗保健社区提供了关于ML实施的宝贵教训.
• 随着经验和部署人数的增长,需要不断完善ML部署策略.
• 在医疗保健中成功采用ML需要解决基础设施,运营和工作流集成的挑战.