CHARM: Praktyczna AI w Danych Zdrowotnych

Jak AI może wyjść poza eksperymenty i rozwiązać praktyczne problemy przy użyciu danych zdrowotnych z realnego świata? Ta sesja przedstawi CHARM (Współpraca na rzecz Harmonizacji Środków Rejestru Antybiotyków), inicjatywę zarządzania antybiotykami, która przekształca dane zdrowotne w działania możliwe do wdrożenia za pomocą interaktywnych pulpitów i analiz. Uczestnicy zobaczą, jak CHARM wykorzystuje dane z uczestniczących organizacji zdrowotnych, aby zbadać wzorce przepisywania antybiotyków, zidentyfikować możliwości poprawy i wspierać działania w zakresie zarządzania antybiotykami. Sesja pokaże następnie dwa projekty AI rozwijane w ekosystemie danych CHARM. Pierwszy projekt wykorzystuje lokalnie hostowane, otwarte modele językowe (LLM) do standaryzacji danych dotyczących recept, przy jednoczesnym zachowaniu wrażliwych danych zdrowotnych w kontrolowanym środowisku. Projekt łączy przetwarzanie danych strukturalnych, generację augmentującą opartą na wyszukiwaniu (RAG), fine-tuning, systematyczną ocenę i przeglądy przez ludzi, aby poprawić dokładność, a jednocześnie zredukować iluzje i wysiłek związany z manualnym czyszczeniem danych. Drugi projekt, CHARM Outlier, wykorzystuje uczenie maszynowe do identyfikacji recept na antybiotyki, które różnią się od oczekiwanych wzorców przepisywania. Oznaczone rekordy są prezentowane za pośrednictwem aplikacji internetowej, w której badacze i profesjonaliści z branży zdrowotnej mogą je przeglądać i udzielać informacji zwrotnej. Ta informacja zwrotna jest następnie wykorzystywana do poprawy przyszłych prognoz modelu, tworząc podejście z udziałem ludzi w identyfikacji potencjalnie nieodpowiednich recept. Razem te projekty demonstrują, jak pulpity, lokalnie wdrażane LLM, uczenie maszynowe i ekspertyza ludzka mogą współpracować, aby przekształcić złożone dane zdrowotne w użyteczne informacje, jednocześnie zajmując się praktycznymi kwestiami związanymi z prywatnością, dokładnością i odpowiedzialnym wdrażaniem AI.