HealthPartners 连续第五年被 IBM Watson Health 评为全美前 15 大医疗系统之一。IBM Watson Health 的年度研究评估了 300 多个医疗系统和这些系统中的 2,500 家医院,以确定全美表现最佳的组织。与其他医疗系统相比,表现最佳的组织的患者死亡率更低、感染和并发症更少、再入院率更低、住院时间更短、患者满意度更高且成本更低。
方法:南澳大利亚州阿德莱德的两位鼻科医师对日本北海道的三位耳鼻喉科医师进行了培训,让他们使用难度不断增加的新型 3D 鼻窦模型进行额窦解剖。先进的鼻窦模型是根据慢性鼻窦炎患者的计算机断层扫描 (CT) 扫描结果 3D 打印而成的。阿德莱德的外科医生首先使用 Zoom 和 Quintree 远程医疗平台向日本外科医生讲授了构建块概念,以便从三维角度了解额窦。他们实时直接监督外科医生计划并实施额窦解剖。日本外科医生被要求完成一份关于他们经验的问卷,并记录进行额窦解剖所需的时间。该课程已向全球 200 多名耳鼻喉科医师直播。
方法设计,数据源和研究人群我们在美国退伍军人事务医疗系统中进行了差异分析,这是美国最大的综合医疗保健系统,拥有1255个医疗保健设施和1074个门诊站点。它包含18个区域卫生系统,称为退伍军人综合服务网络(VISNS),每个服务网络都有自己的卧床药房系统。退伍军人事务临床医生规定的药物几乎总是由退伍军人事务药店填写。VISN 17中的医疗和药房领导者,其中包括德克萨斯州的大多数退伍军人事务设施以及新墨西哥州和俄克拉荷马州的部分地区,开发了一项基于多组分药房的倡议,旨在减少PPI的过度使用,并于2013年8月至2013年8月将其推出Visn Wide。研究期跨越2009年2月至2019年1月,以捕捉实施前后4。5年的趋势。我们将研究期分为连续的六个月间隔。在每个间隔中,我们包括所有在前两年中至少与初级保健提供者进行两次访问的患者。我们使用退伍军人事务的公司数据仓库来获取人口统计,医疗,药房,实验室和住院/门诊遭遇数据。
在医疗保健领域成功部署和有意义地采用人工智能的关键挑战之一是人工智能应用的卫生系统级治理。这种治理不仅对患者安全和卫生系统问责至关重要,而且对于培养临床医生的信任以改善采用和促进有意义的健康结果至关重要。在本案例研究中,我们描述了威斯康星大学健康学院 (UWH) 的这种治理结构的发展,该结构从有效性和用户可接受性的评估到安全部署和持续监测有效性,对人工智能应用进行监督。我们的结构利用了一个多学科指导委员会以及项目特定的小组委员会。委员会成员制定了一个多利益相关者的观点,涵盖信息学、数据科学、临床操作、道德和公平。我们的结构包括指导原则,为认可人工智能应用的初始部署和持续使用提供有形参数。委员会的任务是确保所有应用程序的可解释性、准确性和公平性原则。为了实施这些原则,我们提供了一个价值流,以在临床实施的不同阶段应用人工智能治理原则。这种结构使人工智能应用能够有效地在临床上采用。有效的治理提供了几种结果:(1)明确的制度化监督和认可结构;(2)一条涵盖技术、临床和操作等考虑的成功部署之路;(3)一个持续监测的过程,以确保解决方案在临床实践和疾病流行率不断发展的情况下仍然可接受;(4)纳入人工智能应用的道德和公平使用指南。
结果 2020 年 12 月 14 日至 2021 年 8 月 8 日期间,在 4 920 549 名符合资格的个体中,我们纳入了 3 436 957 人(中位年龄 45 岁 [IQR 29–61];1 799 395 [52.4%] 名女性和 1 637 394 [47.6%] 名男性)。对于完全接种疫苗的个体,预防 SARS-CoV-2 感染的有效率为 73%(95% CI 72–74),预防 COVID-19 相关住院的有效率为 90%(89–92)。预防感染的有效率从完全接种疫苗后第一个月的 88%(95% CI 86–89)下降到 5 个月后的 47%(43–51)。在序列感染中,疫苗对 delta 变体感染的有效性在完全接种疫苗后的第一个月内很高(93% [95% CI 85–97]),但在 4 个月后下降到 53% [39–65]。对其他(非 delta)变体的有效性在完全接种疫苗后的第一个月内也很高,为 97%(95% CI 95–99),但在 4-5 个月时下降到 67% (45–80)。疫苗对各年龄段 delta 变体感染住院的有效性总体上很高(93% [95% CI 84–96]),最长为 6 个月。
云计算通过Internet提供资源,并允许部署大量应用程序以为不同行业提供服务。当前在这些云框架中面临的主要瓶颈是它们的可扩展性有限,因此无法满足基于集中的物联网(IoT)的计算环境的要求。这样做的主要原因是,诸如健康监测和监视系统之类的潜伏敏感应用程序现在需要计算大量数据(大数据)转移到集中数据库以及从数据库到云数据中心,从而导致此类系统性能下降。与云域相比,通过使资源更接近用户并为数据处理提供了低潜伏期和节能解决方案,从而提供了雾和边缘计算的新范式提供创新的解决方案。仍然,当前的雾模型从有限的角度上限制了局限性,并且关注结果的准确性或减少响应时间,但并非两者兼而有之。我们提出了一个名为“ HealthFog”的新型框架,用于将整体深度学习整合到边缘计算设备中,并将其部署为自动心脏病分析的现实应用。HealthFog使用物联网设备提供医疗保健作为雾服务,并有效地管理心脏病患者的数据,这是根据用户要求提供的。启用FOG的云框架,Fogbus用于在功耗,网络带宽,潜伏期,抖动,抖动,准确性和执行时间方面部署和测试所提出模型的性能。©2019 Elsevier B.V.保留所有权利。HealthFog可与各种操作模式配置,这些操作模式可根据需要在不同的雾计算方案和不同的用户要求下提供最佳的服务质量或预测准确性。