CHARM: Praktische AI voor Gezondheidsdata

Hoe kan AI verder gaan dan experimentatie en praktische problemen oplossen met behulp van werkelijke gezondheidsdata? Deze sessie introduceert CHARM (Samenwerking om Antimicrobiële Registratie Maatregelen te Harmoniseren), een initiatief voor antimicrobiële stewardship dat gezondheidsdata omzet in praktische inzichten via interactieve dashboards en analyses. Deelnemers zullen zien hoe CHARM gegevens van deelnemende zorgorganisaties gebruikt om antibioticum voorschrijfpatronen te onderzoeken, kansen voor verbetering te identificeren en antimicrobiële stewardship inspanningen te ondersteunen. De sessie zal vervolgens twee AI-projecten tonen die worden ontwikkeld rond het CHARM-data-ecosysteem. Het eerste project gebruikt lokaal gehoste, open-source grote taalmodellen (LLM's) om voorschrijvingsdata te standaardiseren terwijl gevoelige gezondheidsgegevens binnen een gecontroleerde omgeving blijven. Het project combineert gestructureerde dataverwerking, retrieval-augmented generation (RAG), fine-tuning, systematische evaluatie en menselijke beoordeling om de nauwkeurigheid te verbeteren en hallucinaties en handmatige datavervuiling te verminderen. Het tweede project, CHARM Outlier, gebruikt machine learning om antibioticumvoorschriften te identificeren die verschillen van verwachte voorschrijfpatronen. Gemarkeerde records worden gepresenteerd via een webapplicatie waar onderzoekers en zorgprofessionals deze kunnen herzien en feedback kunnen geven. Deze feedback wordt vervolgens gebruikt om de toekomstige voorspellingen van het model te verbeteren, wat een human-in-the-loop benadering creëert voor het identificeren van mogelijk ongepast voorschrijven. Samen tonen deze projecten aan hoe dashboards, lokaal geïmplementeerde LLM's, machine learning en menselijke expertise kunnen samenwerken om complexe gezondheidsdata om te zetten in nuttige informatie, terwijl praktische zorgen rondom privacy, nauwkeurigheid en verantwoord AI-implementatie worden aangepakt.