DEPLOYR：将自定义实时机器学习模型部署至电子病历的技术框架
机器学习
2023-03-14 v1
摘要
医疗领域的机器学习（ML）应用研究广泛，但成功转化至床旁的案例寥寥。医疗机构正建立治理框架，以规范并促进准确、可操作且可靠的模型与临床工作流集成。此类治理框架需要配套的技术框架，以资源高效的方式部署模型。在此我们提出 DEPLOYR，一个用于将研究者构建的临床 ML 模型实时部署并监控至广泛使用的电子病历（EMR）系统的技术框架。我们讨论了核心功能与设计决策，包括基于 EMR 软件内操作触发推理的机制、收集实时数据以进行推断的模块、通过在工作流中向终端用户回显推断结果以实现闭环的机制、跟踪已部署模型随时间性能表现的监控模块、静默部署能力，以及前瞻性地评估已部署模型影响的机制。我们通过将十二个由临床医生在 Stanford Health Care 的 Epic 生产实例中按钮点击触发的 ML 模型进行静默部署与前瞻性评估，展示了 DEPLOYR 的使用。我们的研究凸显了此类静默部署的需求与可行性，因为前瞻性测得的性能不同于回顾性估计。通过描述 DEPLOYR，我们旨在为 ML 部署最佳实践提供指引，并助力弥合模型实现鸿沟。
引用
@article{arxiv.2303.06269,
title = {DEPLOYR: A technical framework for deploying custom real-time machine learning models into the electronic medical record},
author = {Conor K. Corbin and Rob Maclay and Aakash Acharya and Sreedevi Mony and Soumya Punnathanam and Rahul Thapa and Nikesh Kotecha and Nigam H. Shah and Jonathan H. Chen},
journal= {arXiv preprint arXiv:2303.06269},
year = {2023}
}