Soins innovants dans l’apprentissage automatique
Le vice-président exécutif et directeur de l’innovation du Phoenix Children’s Hospital, David Higginson, a offert son point de vue sur les applications pratiques de l’apprentissage automatique dans son organisation.
« Nous n’utilisons pas de fournisseurs pour ce faire. Nous construisons ces produits nous-mêmes », a déclaré Higginson. Les modèles ML sont liés aux données locales, donc prendre le modèle d’un fournisseur qui a fonctionné en Californie ne fonctionnera pas nécessairement en Arizona. De plus, essayer et échouer avec la solution d’un fournisseur serait coûteux.
Jusqu’à présent, a déclaré Higginson, son équipe a construit des systèmes qui aident à diagnostiquer la malnutrition chez les enfants, à prédire quand un patient pourrait ne pas se présenter, à offrir un soutien pour la rétention du personnel et à identifier les personnes susceptibles de donner de l’argent à l’hôpital.
« Toutes les bonnes idées ne peuvent pas être mises en œuvre », a-t-il déclaré. « Si vous n’avez pas la fin en tête, c’est pour rien. »
Les outils de ML automatisés que lui et son équipe utilisent ont un prix, ils doivent donc montrer des avantages concrets pour l’organisation. « Vous devez vraiment réfléchir aux problèmes – comment vais-je extraire de la valeur, que ce soit sur le plan clinique ou financier ? – ou ne le faites pas du tout », a-t-il dit.
APPRENDRE ENCORE PLUS: Rattrapez-vous sur la discussion d’ouverture HIMSS23 sur l’IA et l’équité en santé.
La clé est de trouver le bon problème qui peut être résolu avec un modèle ML. « Vous devez recadrer les problèmes comme un problème de prédiction pour que cela fonctionne. Beaucoup, beaucoup de problèmes ne se prêtent pas à être prédits », a déclaré Higginson.
Habituez-vous à l’échec et éloignez-vous des problèmes qui nécessitent une grande précision, a-t-il déclaré, mais a ajouté que de nombreux problèmes existent qui ne l’exigent pas.
« Je ne peux pas vous dire le nombre de fois où j’ai arrêté de gaspiller du travail en demandant aux gens : ‘Si vous aviez une prédiction précise à plus de 85 %, qu’est-ce que vous en feriez ?’ La plupart des gens ne peuvent pas comprendre cela », a déclaré Higginson.
Gardez cette page en signet pour notre couverture continue de HIMSS23. Suivez-nous sur Twitter à @HealthTechMag et rejoignez la conversation sur #HIMSS23.
